基于神经网络模型的海水硝酸盐测量方法研究

摘要

硝酸盐浓度是海洋生态系统研究的重要指标.光学法硝酸盐原位传感器具有测量速度快、无需化学试剂的优点,在长时间连续监测方面,优于镉柱还原法等实验室化学方法.在计算模型方面目前国内外硝酸盐光学传感器多使用偏最小二乘法(PLS)对紫外吸收光谱进行光谱分析建模,模型优化难度较大且泛化能力较低,而神经网络模型理论上能够以任意精度逼近任何非线性连续函数,样本充足的情况下精度较高,泛化能力强.利用自主研制的海水硝酸盐原位传感器,研究了硝酸盐浓度范围为30～750μg·L-1的人工海水的紫外吸收光谱,建立神经网络模型,定量计算水中的硝酸盐浓度.对比研究了单隐藏层和双隐藏层神经网络模型对硝酸盐浓度测量的性能,确定采用双隐藏层结构,模型的输入层为200～275 nm波段的吸收光谱数据,输出层为硝酸盐浓度测量值,使用sigmoid函数作为激活函数.采用梯度下降法更新每一层神经网络的权值参数,学习率为0.26,迭代55000次进行网络训练.通过8组随机验证数据进行模型盲测验证,得到的双隐层神经网络模型的硝酸盐浓度预测值和实际值的线性相关度较高(R2=0.997),均方根误差为10.864,平均绝对误差为8.442μg·L-1,平均相对误差为2.8％,模型的精度较高,比单隐层神经网络模型的平均相对误差降低了4.92％,而利用同样的光谱数据建立的偏最小二乘算法的均方根误差为11.470,平均相对误差为4.58％,说明神经网络模型在一定条件下优于PLS模型的精度,验证了神经网络模型应用于紫外吸收光谱法硝酸盐浓度测量的优越性.搭载自然资源部"环监01"监测船环渤海航次进行了实际应用测试,在11个站位与实验室方法进行了比对测试,两种方法测量结果基本一致,进一步证明了该方法的可靠性和实用性.