引用本文
孔德明, 刘亚茹, 杜雅欣, 崔耀耀. 基于LIF技术结合波长优选的油膜厚度检测方法分析[J]. 光谱学与光谱分析, 2023,43(9): 2811-2817.
KONG De-ming, LIU Ya-ru, DU Ya-xin, CUI Yao-yao. Oil Film Thickness Detection Based on IRF-IVSO Wavelength Optimization Combined With LIF Technology[J]. Spectroscopy and Spectral Analysis, 2023,43(9): 2811-2817.
Doi:10.3964/j.issn.1000-0593(2023)09-2811-07  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于LIF技术结合波长优选的油膜厚度检测方法分析
孔德明1, 刘亚茹1, 杜雅欣2, 崔耀耀2
1.燕山大学电气工程学院, 河北 秦皇岛 066004
2.燕山大学信息科学与工程学院, 河北 秦皇岛 066004

作者简介: 孔德明, 1983年生, 燕山大学电气工程学院副教授 e-mail: demingkong@ysu.edu.cn

收稿日期: 2022-05-26 修回日期: 2022-08-30 接受日期: 2022-08-30
基金: 国家自然科学基金项目(62173289)资助
摘要

海上溢油事故不仅造成极大的石油资源浪费, 而且严重威胁生态环境。 因此, 利用荧光光谱对油膜厚度进行快速无损检测对于有效评估溢油量有重要意义。 基于激光诱导荧光(LIF)技术对海水表面0#柴油、 5#白油油膜的荧光光谱进行检测, 进而实现对油膜厚度的量化分析。 首先使用SG平滑滤波对原始光谱数据进行预处理以减少原始光谱中的背景噪声。 然后采用间隔随机蛙跳算法(IRF)结合变量子集迭代优化法(IVSO)对获取的全光谱数据进行波长选择以剔除冗余变量, 将经过二次筛选出的光谱特征波长作为偏最小二乘回归(PLS)的自变量输入数据建立油膜厚度反演模型。 该方法第一步利用IRF从全光谱数据中筛选出特征波段, 再利用IVSO对特征光谱波段组合进一步筛选出特征波长变量, 从而有效提高优选出的特征波长建立油膜厚度反演模型的预测能力和稳定性。 将IRF-IVSO与全光谱及移动窗口偏最小二乘法(MWPLS)、 间隔随机蛙跳算法(IRF)、 变量组合集群分析法(VCPA)、 变量子集迭代优化法(IVSO)四种波长优选方法进行对比, 发现IRF-IVSO筛选出0#柴油数据和5#白油数据的特征波长数量分别占全光谱数据的4.48%和19.40%。 将全光谱及上述波长优选方法筛选出的特征波长作为输入建立PLS模型进行分析讨论。 结果表明, 特征波长选择方法结合PLS所建立的不同模型预测能力和效率较全光谱有明显提高。 其中, IRF-IVSO结合PLS所建立的油膜厚度反演模型预测效果最优, 该模型可以实现对厚度分别为0.141 5~2.291 8和0.052~0.980 mm的0#柴油及5#白油油膜的有效反演, 柴油油膜测试集相关系数 RP可达到0.961 1, 测试集均方根误差RMSEP为0.137 5, 白油油膜测试集相关系数 RP可达到0.971 2, 测试集均方根误差RMSEP为0.079 0。 该研究表明, IRF-IVSO通过结合区间波段筛选和单一变量选择能够有效而稳定地筛选出特征波长变量, 结合PLS建立的油膜厚度反演模型能够实现可靠预测。

关键词: 激光诱导荧光; 油膜厚度; 特征波长选择; 定量分析
中图分类号:O657.3 文献标志码:A
Oil Film Thickness Detection Based on IRF-IVSO Wavelength Optimization Combined With LIF Technology
KONG De-ming1, LIU Ya-ru1, DU Ya-xin2, CUI Yao-yao2
1. School of Electrical Engineering, Yanshan University, Qinhuangdao 066004, China
2. School of Information Science and Engineering, Yanshan University, Qinhuangdao 066004, China
Abstract

Offshore oil spill accidents cause a great waste of oil resources and seriously threaten the ecological environment. Therefore, it is important to use fluorescence spectroscopy to detect oil film thickness quickly and nondestructively for effective evaluation of oil spills. Based on laser-induced fluorescence (LIF) technology, the fluorescence spectra of oil film of 0# diesel oil and 5# white oil on sea water surface were detected, and then the oil film thickness was quantified. Firstly, SG was used to preprocess the original spectral data to reduce the background noise in the original spectrum. Then, interval random frog (IRF) combined with iteratively variable subset optimization (IVSO) was used to select the wavelength of the obtained full spectral data to eliminate redundant variables. The characteristic wavelength of the spectrum screened out twice was used as the independent variable input data of partial least squares regression (PLS) to establish the oil film thickness inversion model. In the first step of the method, the characteristic bands are screened from the full spectral data by IRF, and the characteristic wavelength variables are further screened by the combination of characteristic spectral bands by IVSO to effectively improve the prediction ability and stability of the oil film thickness inversion model based on the selected characteristic wavelengths. IRF-IVSO was compared with four wavelength optimization methods: full spectrum and moving window partial least squares (MWPLS), interval random frog (IRF), variables combination population analysis (VCPA) and iteratively variable subset optimization (IVSO). The characteristic wavelengths of 0# diesel oil and 5# white oil screened by IRF-IVSO accounted for 4.48% and 19.40% of the total spectral data, respectively. The full spectrum and the characteristic wavelengths screened by the above wavelength optimization method were used as input to establish a PLS model for analysis and discussion. The results show that the prediction ability and efficiency of different models established by using the feature wavelength selection method combined with PLS are significantly higher than that of the full spectrum. Among them, the oil film thickness inversion model established by IRF-IVSO combined with PLS has the best prediction effect. This model can realize effective inversion of 0# diesel oil and 5# white oil with the thickness of 0.141 5~2.291 8 and 0.052~0.980 mm, respectively, and the correlation coefficient RP of diesel oil film test set can reach 0.961 1. The RMSEP of the test set is 0.137 5, the correlation coefficient RP of the white oil film test set is 0.971 2, and the RMSEP of the test set is 0.079 0. This study shows that IRF-IVSO can effectively and stably screen characteristic wavelength variables by combining interval band screening and single variable selection, and the oil film thickness inversion model established by combining PLS can achieve reliable prediction.

Keyword: Laser-induced fluorescence; Oil film thickness; Characteristic wavelength selection; Quantitative analysis
引言

近年来, 海上溢油事故频频发生, 这不仅浪费了大量的石油资源, 还严重危害了海洋生态及近海岸环境, 使海洋相关经济产业遭受极大的损失[1]。 油膜厚度作为快速估测溢油事故中溢油量的重要参数之一, 目前测量的主要方法有激光三角法[2]、 高光谱法[3, 4]、 激光超声法[5]、 微波辐射法[6]、 激光诱导荧光法(laser induced fluorescence, LIF)[7, 8]等。 激光三角法精度高且重复性好, 但不适用于测量透光性低的油膜。 高光谱法易受阳光影响, 如多云相较于晴天会增加油膜厚度估算误差。 激光超声法测距远且精度高, 但仅适用于平静海面上较厚油膜厚度的测量。 微波辐射法可全天候工作, 但易受溢油附近环境包括风速等的影响。 相比于上述方法, 基于LIF的设备可搭载在飞机或船舶等不同平台上, 进而开展对海上油膜的厚度检测, 具有灵敏度高、 方便灵活、 实时性强的优点。

陈宇男等利用LIF技术分析了柴油、 机油、 润滑油油膜厚度与荧光发射强度关系及检出限[7]。 崔永强等基于LIF技术使用搭建的设备对含白油和原油的混合油较厚油膜进行光谱检测, 建立双波段比值模型反演油膜厚度并确定使用范围[8]。

利用光谱数据对油膜厚度进行定量分析时, 光谱仪测量得到的原始光谱含有随机噪声和无信息变量等, 故需使用特征波长选择算法进行波长优选。 特征波长选择法根据选择对象不同可分为变量区间选择方法和单一变量选择方法[9, 10]。 移动窗口偏最小二乘法(moving windows PLS, MWPLS)[11]、 间隔随机蛙跳算法(interval random frog, IRF)[12]是2种变量区间选择方法, 能够筛选出重要的特征光谱波段。 变量子集迭代优化法(iteratively variable subset optimization, IVSO)[13]、 变量组合集群分析法(variable combination population analysis, VCPA)[14]为近年提出的基于模型集群分析(model population analysis, MPA)[15]的单一变量选择方法。

IRF以区间为单位进行优选, 稳定且速度快但筛选出的特征波段中包含的波长数量仍较多。 IVSO以波长为单位逐步迭代实现稳定有效筛选, 但数据量过大会造成运行时间较长。 因此, 本研究提出一种基于IRF和IVSO相结合的特征波长选择方法。 对全光谱数据应用IRF进行初次筛选, 所得的特征光谱波段组合经过IVSO二次波长变量筛选, 对比全光谱数据及MWPLS、 IRF、 VCPA、 IVSO四种方法结合PLS建立不同油膜厚度反演模型, 找出预测能力和稳定性表现最优的模型以及适用范围, 研究成果能够为基于LIF技术快速检测油膜厚度提供方法支持。

1 原 理
1.1 荧光强度反演较厚油膜厚度原理

当激光器发射的激光照射到样品油膜时, 油品样本中含有的荧光物质受激产生荧光, 荧光信号经光纤准直镜收集进入光谱仪获取到光谱数据。 随着油膜厚度的不断增加, 样本的荧光强度也不断增加。

油膜厚度与荧光强度的关系式[16]

Id=I∞{1-exp[-(k0+k)d]}+I0exp[-(k0+k)d](1)

式(1)中, k0和k分别为油品样本在激发波长和被测荧光波长的消光系数; Id为油品样本在波长λ 处的荧光信号强度; d为油膜厚度。

对式(1)进行转换化简, 得到

d=1k0+klnI∞-I0I∞-Id(2)

当水体中不存在能发射荧光的物质时, 即不存在水体荧光背景时, 得到油膜厚度与荧光强度的表达式

d=1k0+klnI∞I∞-Id(3)

当(Id/I∞ )≪1时, 式(3)可近似表示为

d=1(k0+k)I∞Id(4)

1.2 IRF-IVSO算法

1.2.1 IRF算法

(1) 设定算法参数: 迭代次数、 移动窗口宽度、 最大主成分数、 随机选择初始化间隔子集记为V0, 其中包括Q个变量。

(2) 随机生成Q* , Q* 服从正态分布Norm(Q, 0.3Q)。

(3) 对间隔子集V0中变量建立PLS模型, 计算波长点的回归系数绝对值的和, 以此来评估区间。

(4) 根据Q* =Q、 Q* < Q、 Q* > Q三种不同的情况, 以变量建立PLS模型后回归系数为依据对变量进行增、 减, 从而选出候选变量子集V* 。

(5) 根据对V0和V* 计算交叉验证的均方根误差RMSECV和RMSECV* 大小关系确定V* 的接受度。 若RMSECV* ≤ RMSECV, 则V1=V* ; 否则接受V* 为V1, 概率为0.1RMSECV/RMSECV* 。 用V1更新V0, 循环这个步骤直到N次迭代完成。

(6) 经过N次迭代计算每个区间的选择概率, 概率越高变量重要性越大。

1.2.2 IVSO算法

IVSO是基于回归系数的变量选择方法, 使用加权二进制采样方法(weighted binary matrix sampling, WBMS)结合序贯加法通过竞争方式对单一波长变量进行逐步温和地筛选, 根据RMSECV值最小确定最佳的变量子集。 IVSO在剔除无信息变量和保留信息变量方面表现出良好能力。

1.2.3 IRF-IVSO算法

假设样本的光谱数据为X, IRF-IVSO筛选光谱波长的具体过程为:

第一步: 考虑到光谱的连续性且光谱分段优选能够降低变量选择的复杂性, 对样本的光谱数据使用IRF进行特征光谱波段的初次筛选。 设定移动窗口和迭代次数, 在一系列间隔内建立PLS模型, 基于变量选择概率选出其中RMSECV最小所对应的区间子集组合作为能有效表征待测量的波长变量数据, 记为XS。

第二步: 对经IRF筛选得到的光谱数据XS进行IVSO二次筛选, 设定WBMS采样次数, 使用WBMS结合序贯加法对单一波长变量进行逐步筛选出的特征波长变量数据为XSE, 将其作为最终的筛选结果用于建立油膜厚度反演预测模型。

1.3 模型评价指标

通过训练集相关系数(RC)和训练集均方根误差(RMSECV)以及测试集相关系数(RP)和测试集均方根误差(RMSEP)对模型的预测效果和稳定性进行评价。 相关系数表征预测值和实测值之间的差异, RC(RP)高, 预测值越接近实测值, 则预测结果好; 均方根误差用作验证预测值与实测值的离散程度, RMSECV(RMSEP)低, 则稳定性好。

评价指标的相关计算公式如式(5)和式(6)所示

RC(RP)=∑i=1n(ypi-ymi)2∑i=1n(ypi-ymean)2(5)RMSECV(RMSEP)=1n∑i=1n(ypi-ymi)2(6)

其中, ypi为训练集或测试集中第i个油品样本的预测值; ymi为训练集或测试集中第i个油品样本的实测值; ymean为训练集或测试集油品样本实测值的平均值; n为训练集或测试集的油品样本总数。

2 实验部分
2.1 设备

实验设备主要由激光发射部分、 光学信号采集部分、 光电转换部分和数据采集分析部分组成。 采用405 nm激光器作为激发光源, 功率为60 mW, 光斑直径为5 mm。 光谱仪为Avantes公司的AvaSpec-ULS2048型光谱仪, 积分时间设为200 ms, 输出由光纤准直镜采集, 经光纤传播到光谱仪, 通过计算机进行分析和处理。

2.2 样本制备

取用海水(秦皇岛市渤海海水)、 0#柴油、 5#白油进行实验。 首先在烧杯中加入500 mL海水, 接着使用移液枪向烧杯中海水水面滴入特定体积量的油品静置20 min, 待油膜扩散均匀稳定后使用LIF设备进行测量。 柴油厚度实验中包括0.141 5~2.291 8 mm共54个样本, 白油厚度实验中包括0.052~0.980 mm共50个样本。 样本的油膜厚度实测值由油品体积与油膜面积计算得到。

对于不同厚度油膜样本, 取油膜区域的5个点测量并且每个点测量30次取平均值作为该点的光谱数据, 同时测量背景光谱信号, 最终将5个点光谱数据的平均值作为该厚度的油品样本的光谱数据。

2.3 样本光谱数据采集及预处理

光谱数据由Avasoft8软件导出, 经过去除背景、 SG(Savitzky-Golay)平滑滤波后, 对油品荧光信号波段405~600 nm进行研究。 采用滤波窗口为5的SG卷积平滑进行光谱预处理, 能够有效消除随机噪声, 从而得到较为光滑的光谱图并减少对后续分析结果的影响。

以波长作为横坐标, 以相对强度作为纵坐标, 分别得到0.141 5~2.291 8 mm不同厚度0#柴油油膜、 0.052~0.980 mm不同厚度5#白油油膜的荧光光谱图如图1、 图2。

图1 0#柴油荧光光谱图Fig.1 Fluorescence spectra of 0# diesel

图2 5#白油荧光光谱图Fig.2 Fluorescence spectra of 5# white oil

不同种类的油品在同一激光光源照射下, 产生荧光光谱形状不同, 从荧光光谱曲线图可以看出荧光峰的位置和强度均表现出较为明显的区别。 从图1所示的0#柴油荧光光谱曲线可以看出, 不同厚度柴油油膜的光谱形状相似, 主要有两个特征荧光峰, 对应波长范围为410~430和430~450 nm; 从图2所示的5#白油荧光光谱曲线可以看出, 不同厚度白油油膜的光谱形状相似, 主要有两个特征荧光峰, 对应波长范围为406~415和430~445 nm。

2.4 样本集的划分

为确保小样本分析模型的稳定和可靠, 一般要求训练集和测试集比例为2:1。 油品的全波段光谱数据(405~600 nm)对应335个波长变量, 采用SPXY(sample set partitioning based on joint x-y distances)对数据集划分为训练集和测试集, 该方法相较于KS (Kennard-Stone)法划分还考虑到了油膜厚度与光谱信息之间的距离, 增强样本集的代表性和随机性。 因此, 采用SPXY算法按照训练集与测试集2:1的比例对0#柴油样品和5#白油油品样本分别划分为36个样本的训练集和18个样本的测试集、 33个样本的训练集和17个样本的测试集。

3 结果与讨论
3.1 柴油数据定量分析

采用PLS建模方法进行定量分析, 将样本光谱数据作为自变量、 油膜厚度作为因变量, 从而建立起表征两者关系的模型。 利用IRF-IVSO及MWPLS、 IRF、 IVSO、 VCPA筛选出的特征变量信号和全光谱数据分别作为PLS自变量输入, 建立模型进行柴油油膜厚度反演预测。

3.1.1 基于IRF-IVSO的模型分析

利用IRF-IVSO进行波长选择分两步完成。 首先, 设定IRF的初始参数: 迭代次数为10 000、 固定窗口的大小设定为20、 子间隔的初始值为50、 最大主成分数为10。 运行IRF, 共有316个区间间隔且区间间隔对应的RMSECV值如图3所示。 随着区间间隔序号的不断增加RMSECV先快速下降, 这是由于剔除了大量的无信息变量, 接着经过图3中方形标记的最低点(27, 0.094 1)后因为将一些重要变量剔除导致RMSECV上升, 可以看出在第27个间隔RMSECV取最小值为0.094 1, 此时得到筛选出的光谱区间集合包括416.05~427.22、 493.98~511.48、 541.72~564.33和570.12~584.58 nm共117个波长变量, 占全光谱的34.93%。 其次, 基于IRF筛选获得的光谱区间集合运行IVSO, 每次迭代过程根据RMSECV最小选取波长变量, 能够平稳地剔除无信息变量, 同时留下高信息变量。 设定WBMS运行次数为8 000、 最大主成分数为10并对波段组合中的单个波长变量逐个筛选, 经过16次迭代后选取RMSECV最小值为0.107 1时的波长变量15个, 仅占全光谱数据的4.48%。

图3 0#柴油样本基于IRF波段优选间隔与RMSECV值关系Fig.3 The relationship between the optimal interval and RMSECV based on IRF for 0# diesel sample

然后, 将最终筛选出的特征波长作为PLS的输入建立油膜厚度反演模型, 模型的主成分数为3, 降低了模型的复杂度, RC为0.966 0, RMSECV为0.107 1, RP为0.961 1, RMSEP为0.137 5。 基于IRF-IVSO-PLS的柴油油膜厚度真实值与预测值分布如图4所示, IRF-IVSO结合PLS所建立模型的性能表现出了对0#柴油油膜厚度可靠的预测能力。

图4 基于IRF-IVSO-PLS的柴油油膜厚度真实值与预测值散点图Fig.4 Scatter diagram of real and predicted diesel oil film thicknesses based on IRF-IVSO-PLS

3.1.2 模型对比分析

将全光谱及MWPLS、 IRF、 VCPA、 IVSO四种波长优选方法筛选出的特征波长分别作为PLS的自变量输入, 进而建立的0#柴油油膜厚度反演模型结果作为基于IRF-IVSO建立的PLS模型的对比。 采用不同方法建立的模型预测结果如表1所示。

表1 0#柴油波长选择方法-PLS预测结果 Table 1 Prediction results of PLS models using different wavelength selection methods for 0# diesel

将0#柴油全光谱数据作为PLS模型的输入, 建立油膜厚度反演模型。 对于小样本数据采用留一交叉验证(leave-one-out cross validation), 不同主成分数对应一系列的RMSECV值, 选择RMSECV最小为0.161 9时对应的主成分数为9作为最优主成分数, 此时建立的模型中RC为0.916 3, RP为0.936 0, RMSEP为0.139 5。

采用MWPLS对0#柴油全光谱数据进行波段优选, 选取width=131时建立的模型最佳, 其中RMSECV为0.145 0, RC为0.932 8。 该条件下筛选出一个连续不间断的光谱区间为443.66~562.60 nm共205个波长变量。 基于MWPLS建立的PLS模型较全光谱减少了波长变量数, 提高了预测效果。 IRF算法筛选出的波段组合共117个波长变量, 将其作为PLS的输入建立模型比MWPLS结合PLS建立的模型预测效果更优。 利用VCPA进行波长优选, 筛选出的波长变量数最少为10, 其建立的PLS模型中RP为0.937 8, 模型预测效果较全光谱提升不多, 与油膜厚度相关的部分特征波长变量被剔除有关。 采用IVSO进行波长优选, 设定WBMS运行的采样次数为8 000, 经过11次迭代后选取RMSECV达到最小值0.108 3时所对应模型的变量集作为最终的波长优选子集。 将选取出的32个波长变量建立的模型预测结果略低于IRF-IVSO结合PLS建立的模型, 但运算时间较长。

综上, 利用IRF-IVSO算法筛选出的波长作为PLS的输入变量建立的柴油油膜厚度反演模型, 相较于全光谱及其他四种特征波长选择方法结合PLS建立的模型的预测效果是最好的, 精度和复杂度均最优。

3.2 白油数据定量分析

基于5#白油数据利用IRF-IVSO及MWPLS、 IRF、 IVSO、 VCPA筛选出的特征变量信号和全光谱数据作为PLS自变量输入, 建立油膜厚度反演模型进行预测。

3.2.1 基于IRF-IVSO的模型分析

利用IRF-IVSO进行波长选择分两步完成。 首先, 运行IRF发现316个区间间隔对应的RMSECV值如图5所示。 随着区间间隔序号的不断增加RMSECV快速下降说明这时筛除了大量冗余变量, 接着经过图5中方形标记的最低点(24, 0.044 1)后因为重要变量被剔除导致RMSECV上升, 因此选择第24个区间间隔对应的光谱区间集合为405.45~426.63、 456.56~500.40、 556.22~567.23 nm共132个波长变量, 占全光谱的39.40%。 其次, 基于IRF筛选获得的光谱区间集合运行IVSO, 经过23次迭代后选取RMSECV最小值为0.067 9时的波长变量65个, 占全光谱的19.40%。

图5 5#白油样本基于IRF波段优选间隔与RMSECV值关系Fig.5 The relationship between the optimal interval and RMSECV based on IRF for 5# white oil sample

最后, 采用IRF-IVSO两步波长优选结合PLS建立模型的主成分数为5, 降低了模型的复杂度, RP为0.971 2, RMSEP为0.079 0。 基于IRF-IVSO-PLS的白油油膜厚度真实值与预测值分布如图6所示。

图6 基于IRF-IVSO-PLS的白油油膜厚度真实值与预测值散点图Fig.6 Scatter diagram of real and predicted white oil film thicknesses based on IRF-IVSO-PLS

3.2.2 模型对比分析

将全光谱及MWPLS、 IRF、 VCPA、 IVSO四种波长优选方法筛选出的特征波长分别作为PLS的自变量输入, 进而建立不同的5#白油油膜厚度反演模型结果作为基于IRF-IVSO建立的PLS模型的对比。 采用不同方法建立的模型预测结果如表2所示。

表2 5#白油波长选择方法-PLS预测结果 Table 2 Prediction results of PLS models using different wavelength selection methods for 5# white oil

将5#白油全光谱数据作为PLS模型的输入, 建立油膜厚度反演模型。 采用留一交叉验证, 选择RMSECV最小为0.058 6时对应的主成分数为9作为最优主成分数, 此时RC为0.931 0, RP为0.963 5, RMSEP为0.086 3。

采用MWPLS对5#白油全光谱数据进行波段优选, 选择RMSECV最小为0.044 9并且width=171时的模型作为最优模型。 该条件下筛选出一个连续波段为455.39~551.00 nm共165个波长点, 将其作为输入建立的PLS模型较全光谱在预测效果有所提高。 利用IRF算法筛选的波段组合共132个波长变量, 结合PLS建立模型预测结果较基于MWPLS建立的模型更优。 利用VCPA进行波长优选, 筛选出的波长变量数最少共13个变量, 其建立的PLS模型中RP为0.964 1, 模型预测效果较全光谱提升不多, 与表征油膜厚度的部分特征波长变量被剔除有关。 采用IVSO进行波长优选, 经过23次迭代后将第8次迭代时RMSECV达到最小值0.052 9所对应模型的变量集作为最终的波长变量优选子集。 基于IVSO选取出的30个波长变量建立的模型预测结果仅低于IRF-IVSO结合PLS建立的模型, 但运算时间较长。

综上, 利用IRF-IVSO算法筛选出特征波长并将其作为PLS的输入变量建立白油油膜厚度反演模型, 相较于全光谱及其他特征波长选择方法结合PLS建立的模型预测效果最优。

4 结论

使用IRF-IVSO、 MWPLS、 IRF、 VCPA、 IVSO算法筛选特征波长变量, 相对于全光谱实现数据降维, 可以剔除无信息变量, 稳定有效提高荧光光谱信息与油膜厚度之间的相关性。 使用IRF结合IVSO对预处理后的光谱数据进行二次筛选, 融合了区间波段选择和单一变量选择的优点, 增强了计算效率, 提高了模型预测能力。 基于LIF技术, 采用IRF-IVSO结合PLS建立模型对0.141 5~2.291 8 mm的柴油及0.052~0.980 mm的白油油膜厚度的预测反演是一种有效的方法。

参考文献
[1] Mehmood A, Khan F S A, Mubarak, N M, et al. Environmental Science and Pollution Research, 2021, 28(39): 54477. [本文引用:1]
[2] Wu C, Chen B, Ye C, et al. Sensors, 2019, 19(8): 1844. [本文引用:1]
[3] Jiang Z, Zhang J, Ma Y, et al. Remote Sensing, 2022, 14(1): 157. [本文引用:1]
[4] Jiang W, Li J, Yao X, et al. Sensors, 2018, 18(12): 4415. [本文引用:1]
[5] Brown C E, Fingas M F. Marine Pollution Bulletin, 2003, 47(9-12): 485. [本文引用:1]
[6] Skou N. IEEE Transactions on Geoscience and Remote Sensing, 1986, GE-24(3): 360. [本文引用:1]
[7] CHEN Yu-nan, YANG Rui-fang, ZHAO Nan-jing, et al(陈宇男, 杨瑞芳, 赵南京, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2019, 39(11): 3646. [本文引用:2]
[8] CUI Yong-qiang, KONG De-ming, KONG Ling-fu, et al(崔永强, 孔德明, 孔令富, 等). Acta Metrologica Sinica(计量学报), 2020, 41(11): 1327. [本文引用:2]
[9] Yun Y H, Li H D, Deng B C, et al. TrAC Trends in Analytical Chemistry, 2019, 113: 102. [本文引用:1]
[10] Yu H D, Yun Y H, Zhang W M, et al. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2020, 224: 117376. [本文引用:1]
[11] Chen H Z, Pan T, Chen J M, et al. Chemometrics and Intelligent Laboratory Systems, 2011, 107(1): 139. [本文引用:1]
[12] Yun Y H, Li H D, Wood L R E, et al. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2013, 111: 31. [本文引用:1]
[13] Wang W T, Yun Y H, Deng B C, et al. RSC Advances, 2015, 5(116): 95771. [本文引用:1]
[14] Yun Y H, Wang W T, Deng B C, et al. Analytica Chimica Acta, 2015, 862: 14. [本文引用:1]
[15] Deng, B C, Lu H M, Tan C Q, et al. Chemometrics and Intelligent Laboratory Systems, 2018, 172: 223. [本文引用:1]
[16] Kung R T, Itzkan I. Applied Optics, 1976, 15(2): 409. [本文引用:1]