李鑫星，周 婧，唐 紅，孫龍清，曹霞敏，張小栓

1. 中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院食品質(zhì)量與安全北京實(shí)驗(yàn)室，北京 100083 2. 中國(guó)農(nóng)業(yè)大學(xué)煙臺(tái)研究院，山東 煙臺(tái) 264000 3. 蘇州大學(xué)基礎(chǔ)醫(yī)學(xué)與生物科學(xué)學(xué)院，江蘇 蘇州 215200 4. 中國(guó)農(nóng)業(yè)大學(xué)工學(xué)院，北京 100083

引 言

近年來，我國(guó)水產(chǎn)養(yǎng)殖在各類養(yǎng)殖行業(yè)中占有十分突出的地位，為保障食物供給、改善飲食結(jié)構(gòu)、促進(jìn)經(jīng)濟(jì)增長(zhǎng)做出了巨大貢獻(xiàn)。水產(chǎn)品的脂肪含量較低，蛋白質(zhì)的含量較為豐富，深受大眾的喜愛，但水產(chǎn)品一旦出現(xiàn)質(zhì)量安全問題，就可能帶來極其嚴(yán)重的后果。水產(chǎn)品質(zhì)量與水產(chǎn)養(yǎng)殖水環(huán)境密切相關(guān)，而水中總氮(TN)含量是評(píng)價(jià)水體受污染嚴(yán)重程度的關(guān)鍵性指標(biāo)之一[1]。隨著經(jīng)濟(jì)的迅猛增長(zhǎng)，工業(yè)廢水、生活污水中的含氮物質(zhì)有可能進(jìn)入養(yǎng)殖池塘，造成其水質(zhì)污染； 在集約化養(yǎng)殖過程使用的是高蛋白餌料，只有一少部分被魚蝦類等攝入體內(nèi)轉(zhuǎn)換為蛋白質(zhì)，更大一部分則是在池塘中殘留，造成養(yǎng)殖池塘含氮營(yíng)養(yǎng)物質(zhì)水平過高。如果超標(biāo)排放則會(huì)破壞水體自身的平衡，導(dǎo)致水體中含氮物質(zhì)的富集，造成水體中的水藻和浮游生物的快速生長(zhǎng)，致使水體中的溶解氧濃度下降，魚蝦類等生物大面積死亡，最終使得水質(zhì)惡化而不適合于水產(chǎn)養(yǎng)殖。

紫外(Ultraviolet, UV)光譜技術(shù)能夠?qū)崿F(xiàn)快速無損檢測(cè)，且檢測(cè)成本較低，近年來已在水質(zhì)檢測(cè)領(lǐng)域得到廣泛應(yīng)用。鄭一力等[2]以金鑲玉竹葉片為樣本，建立了4種竹葉片氮含量高光譜估測(cè)模型，最后比較發(fā)現(xiàn)基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的竹葉片氮含量估測(cè)模型效果較好。趙進(jìn)輝等[3]運(yùn)用小波分析方法對(duì)原始光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，建模效果明顯改善。劉思伽等[4]、Wang等[5]采用SPA算法對(duì)農(nóng)產(chǎn)品光譜數(shù)據(jù)進(jìn)行特征波段的選擇，簡(jiǎn)化了模型并提升了其預(yù)測(cè)性能。Chen等[6]、Guo等[7]基于UV光譜技術(shù)分別建立了水質(zhì)COD與重金屬離子的PLS模型，結(jié)果顯示其預(yù)測(cè)值十分接近于真實(shí)值。傳統(tǒng)的總氮濃度檢測(cè)方法通常與化學(xué)分析方法結(jié)合緊密，但是這類方法通常過程繁復(fù)，耗時(shí)長(zhǎng)，不適宜大范圍使用。目前，光譜技術(shù)在水質(zhì)COD含量和重金屬離子的濃度檢測(cè)方面應(yīng)用較多，且較為成熟，但在水質(zhì)氮磷含量的檢測(cè)方面應(yīng)用偏少。光譜分析技術(shù)是水質(zhì)監(jiān)測(cè)領(lǐng)域一個(gè)十分有前景的應(yīng)用方向, 與傳統(tǒng)方法相比, 它的操作簡(jiǎn)易、試劑消耗量小、重復(fù)性良好、測(cè)定精度較高且檢測(cè)速度快, 非常適合于水質(zhì)的快速在線檢測(cè)[8]。本文基于紫外光譜技術(shù)，設(shè)計(jì)出一種快速無損，又相對(duì)精確的水產(chǎn)養(yǎng)殖水質(zhì)總氮含量快速檢測(cè)方法。

1 實(shí)驗(yàn)部分

1.1 儀器設(shè)備

本實(shí)驗(yàn)采用UV-2450 UV/Vis光譜儀，其測(cè)定波長(zhǎng)范圍為190～900 nm，吸光度的測(cè)量范圍為-4～5 Abs，光譜分辨率為1 nm。通過查閱文獻(xiàn)并結(jié)合水樣所測(cè)吸光度值繪制的光譜曲線可知，測(cè)量190～350 nm波段的吸光度即可滿足需要。每個(gè)樣本測(cè)量5次，計(jì)算5次的平均值為最后的光譜測(cè)量值。本文的光譜數(shù)據(jù)處理與數(shù)據(jù)建模軟件為Excel 2010、Matlab R2016a。

圖1 UV-2450紫外-可見光光譜儀

1.2 樣本采集及總氮含量測(cè)定

本實(shí)驗(yàn)于2018年3月到6月進(jìn)行實(shí)驗(yàn)數(shù)據(jù)的采集工作，于2018年4月到9月集中進(jìn)行實(shí)驗(yàn)數(shù)據(jù)處理工作。實(shí)驗(yàn)樣本采集地點(diǎn)是蘇州大學(xué)試驗(yàn)養(yǎng)殖基地。試驗(yàn)水樣主要成分為硝酸鹽水樣總氮含量由專業(yè)檢測(cè)機(jī)構(gòu)檢測(cè)，水樣光譜吸光度數(shù)據(jù)由實(shí)驗(yàn)室光譜儀采集。采集的樣本量共90個(gè)，首先測(cè)定90個(gè)樣本的總氮濃度值，然后用光譜儀分別測(cè)定其在190～350 nm的吸光度值，繪制光譜曲線圖。結(jié)合樣本光譜數(shù)據(jù)與實(shí)測(cè)濃度值，剔除2個(gè)明顯不合規(guī)律的樣本后剩余88個(gè)樣本。

1.3 光譜總氮含量預(yù)測(cè)模型構(gòu)建

模型的建立需要經(jīng)過樣本集劃分、數(shù)據(jù)預(yù)處理、特征波段提取、LV數(shù)量選取與模型構(gòu)建5個(gè)步驟，每個(gè)步驟都是必不可少的環(huán)節(jié)，其處理效果的好壞與否可能會(huì)影響到最終模型的預(yù)測(cè)效果。

1.3.1 樣本集劃分

樣本集劃分是依照特定方法把研究所用樣本集分成建模集和預(yù)測(cè)集，以分別用于模型的構(gòu)建與驗(yàn)證，樣本集劃分是建立模型的過程中必不可少的一步，其劃分是否科學(xué)將直接影響模型的預(yù)測(cè)效果。隨機(jī)抽樣(random sampling, RS)法、濃度梯度(concentration gradient, CG)法、Kennard Stone(KS)算法和SPXY算法是常見的4種樣本劃分方法。這4種方法各有特色，通過比較不同方法所建立模型預(yù)測(cè)效果的優(yōu)劣以確定最適合的方法[9-10]。

1.3.2 光譜數(shù)據(jù)預(yù)處理

為了消除光譜儀在掃描過程中引發(fā)的噪聲問題，減輕多種外界干擾，并簡(jiǎn)化數(shù)據(jù)處理過程, 因此對(duì)原始光譜進(jìn)行數(shù)據(jù)預(yù)處理是一項(xiàng)十分有必要的操作。小波變換(wavelet transform, WT)、一階導(dǎo)數(shù)法(first-derivative, Der1st)和二階導(dǎo)數(shù)法(second-derivative, Der2nd)是常見的3種光譜數(shù)據(jù)預(yù)處理算法[11]。在某些情況下，小波變換與導(dǎo)數(shù)法相結(jié)合的方法小波-一階導(dǎo)數(shù)法(WT-Der1st)和小波-二階導(dǎo)數(shù)法(WT-Der2nd)會(huì)較3種單一預(yù)處理算法效果好。比較經(jīng)5種預(yù)處理算法處理后所建模型的效果，選出效果最好的預(yù)處理算法。

1.3.3 特征波段提取

光譜數(shù)據(jù)是連續(xù)采集的多波段吸光度數(shù)據(jù)，光譜多波段數(shù)據(jù)之間相關(guān)性非常高，存在數(shù)據(jù)冗余現(xiàn)象。運(yùn)用特征波段提取算法能夠減少數(shù)據(jù)冗余，提升模型的運(yùn)算效率。連續(xù)投影變換(successive projection algorithm, SPA)與逐步回歸(stepwise regression, SR)兩種特征波段提取算法均能實(shí)現(xiàn)從所有采集的光譜波段中選擇具有代表性的幾個(gè)波段作為模型的輸入，從而使構(gòu)建的模型更加簡(jiǎn)單，并在一定程度上提升模型預(yù)測(cè)性能[12]。

1.3.4 潛在變量(latent variables, LVs)

LV數(shù)量是PLSR模型的一個(gè)內(nèi)部參數(shù)，它的數(shù)量會(huì)直接影響到PLSR模型的預(yù)測(cè)性能。用于建模的LV個(gè)數(shù)過多或者過少，均會(huì)降低PLSR的模型精度。因此確定合適數(shù)量的LV至關(guān)重要，通常會(huì)選擇RMSEP值最小時(shí)所對(duì)應(yīng)的LV個(gè)數(shù)為PLSR模型的最佳LV數(shù)量。

1.3.5 建模方法

逐步回歸(stepwise regression, SR)、主成分回歸(principal component regression, PCR)和偏最小二乘回歸(partial least squares regression, PLSR)是建立光譜定量模型中常見的3種線性模型。當(dāng)因變量與自變量之間存在顯著的線性關(guān)系時(shí)，這3種方法均較為適用[13-14]。比較分別運(yùn)用3種方法所建模型的預(yù)測(cè)效果，選擇最適用的方法。

1.3.6 模型評(píng)價(jià)指標(biāo)

通常用于評(píng)價(jià)定量模型精度的指標(biāo)有決定系數(shù)與均方根誤差。R2表示建模集的決定系數(shù)，r2表示預(yù)測(cè)集的決定系數(shù)，決定系數(shù)越接近于1，模型精度越高。RMSEC表示建模集的均方根誤差，RMSEP表示預(yù)測(cè)集的均方根誤差，均方根誤差越小，模型精度越高。決定系數(shù)越高，均方根誤差越小，建立的模型越理想，反之表示模型越不理想。

2 結(jié)果與討論

2.1 養(yǎng)殖水體的UV光譜圖

圖2為水產(chǎn)養(yǎng)殖水體總氮樣本的UV原始光譜曲線，從圖2中可以看出不同樣本的光譜曲線走勢(shì)大致相同，沒有呈現(xiàn)出顯著性的差異。由于不同樣本的總氮濃度不同，相對(duì)應(yīng)的吸光度曲線會(huì)出現(xiàn)整體細(xì)微平移的現(xiàn)象。由圖2可知，水體總氮濃度與吸光度之間的線性關(guān)系較為顯著，水體總氮濃度越高，吸光度值越大。

2.2 樣本劃分與建模方法選取

由于本文的樣本數(shù)據(jù)量有限，因此建模集與預(yù)測(cè)集的比例選取會(huì)大大地影響模型的預(yù)測(cè)效果，本文對(duì)兩者比例的確定過程中將會(huì)十分謹(jǐn)慎。通常建模集與預(yù)測(cè)集的比例在2∶1～3∶1之間比較合適[10]，因此本文選用了建模集∶預(yù)測(cè)集=3∶1和建模集∶預(yù)測(cè)集=2∶1兩種方式，通過比較選擇最適合的比例進(jìn)行建模。第一種方式選擇建模集與預(yù)測(cè)集為建模集66個(gè)，預(yù)測(cè)集22個(gè)，建模集∶預(yù)測(cè)集=3∶1，其劃分方式是從第2個(gè)樣本起，每隔3個(gè)樣本取樣為預(yù)測(cè)集，剩余的為建模集。第二種方式選擇建模集59個(gè)，預(yù)測(cè)集29個(gè)，建模集∶預(yù)測(cè)集≈2∶1，其劃分方式是從第2個(gè)樣本起，每隔2個(gè)樣本取樣為預(yù)測(cè)集，剩余的為建模集。CG法對(duì)樣本分別進(jìn)行兩種比例的劃分，其樣本集統(tǒng)計(jì)結(jié)果如表1所示。

圖2 不同水樣的原始吸收光譜曲線

表1 CG法對(duì)樣本集進(jìn)行兩種比例的劃分結(jié)果

2.2.1 建模方法選取

為了確定小比例的樣本集劃分方法能否達(dá)到所需預(yù)測(cè)精度，本文用兩種比例的樣本劃分方式分別建立PCR，SR和PLSR 3種線性模型。表2、表3分別為建模集∶預(yù)測(cè)集=3∶1與建模集∶預(yù)測(cè)集≈2∶1的模型預(yù)測(cè)效果，并通過對(duì)比找出最適合本文的建模方法。

表2PCR，SR和PLSR的預(yù)測(cè)效果(建模集=66，預(yù)測(cè)集=22)

Table2PredictionresultsofPCR,SRandPLSRmodels(calibrationsetnumber=66,predictionsetnumber=22)

建模方法建模集預(yù)測(cè)集R2RMSECr2RMSEPPCR0.9830.0770.9740.100SR0.9920.0540.9800.093PLSR0.9930.0490.9800.088

注： RMSEC和RMSEP的單位均為mg·L-1

表3PCR，SR和PLSR的預(yù)測(cè)效果(建模集=59，預(yù)測(cè)集=29)

Table3PredictionresultsofPCR,SRandPLSRmodels(calibrationsetnumber=59,predictionsetnumber=29)

建模方法建模集預(yù)測(cè)集R2RMSECr2RMSEPPCR0.9780.0890.9850.088SR0.9870.0680.9850.077PLSR0.9900.0610.9930.052

注： RMSEC和RMSEP的單位均為mg·L-1

由表2可知，當(dāng)模型建模集與預(yù)測(cè)集比例為3∶1時(shí)，R2與r2均超過0.97，R2較高，且二者差別為0.01左右，RMSE均小于等于0.1 mg·L-1，且RMSEP與RMSEC相差不超過0.04 mg·L-1，因此說明數(shù)據(jù)的質(zhì)量比較好。當(dāng)模型建模集與預(yù)測(cè)集比例近似為2∶1時(shí)，同樣建立三種模型，建模結(jié)果如表3。由表3可知，R2與r2仍均超過0.97，r2較高，且二者差別小于0.01，RMSE仍均小于0.1 mg·L-1，RMSEP與RMSEC的差距縮小為0.01 mg·L-1。比較可知，運(yùn)用第二種比例的樣本劃分方法所建模型RMSEP較第一種整體下降，且R2比第一種整體上升。因此，當(dāng)模型建模集與預(yù)測(cè)集比例近似為2∶1時(shí)，模型的預(yù)測(cè)效果更好。除此之外，由表2和表3對(duì)比可知，PLSR的建模效果是3種方式中最好的，因此，本文選擇PLSR模型進(jìn)行建模。

通常PLSR模型的LV數(shù)量會(huì)在很大程度上影響模型精度。在模型較為理想時(shí)，RMSEP一般會(huì)隨LV個(gè)數(shù)的增加而降低并達(dá)到最小值，然后隨著LV個(gè)數(shù)的增加反而再升高。在極少數(shù)情況下，LV個(gè)數(shù)為1時(shí)就可以使模型最理想。圖3是在對(duì)樣本集進(jìn)行SPXY劃分后，沒有經(jīng)過數(shù)據(jù)處理的情況下，所建PLSR模型LV個(gè)數(shù)為1～10時(shí)RMSEP的變化曲線。當(dāng)LV個(gè)數(shù)等于2時(shí)，RMSEP最小，模型最理想。但是不同PLSR模型理想的LV個(gè)數(shù)不一定相同，因此需要針對(duì)每一個(gè)PLSR模型分別確定其最優(yōu)LV個(gè)數(shù)。

2.2.2 樣本劃分方法比較

選擇合適的樣本劃分方法有助于提升模型的預(yù)測(cè)性能，相反如果方法不當(dāng)，極有可能無法獲得理想的預(yù)測(cè)效果。本文使用CG法、KS算法和SPXY算法三種樣本劃分方法進(jìn)行樣本集劃分。三種方法如前文介紹，均有自己的優(yōu)勢(shì)。本文欲根據(jù)所采集到數(shù)據(jù)樣本的特征，選出適合本文的樣本集劃分方法。樣本總量共88個(gè)，取建模集∶預(yù)測(cè)集≈2∶1，即建模集為59個(gè)，預(yù)測(cè)集為29個(gè)。運(yùn)用CG法分兩種方法取樣，第一種方法是從第2個(gè)樣本起，每隔2個(gè)樣本取樣作為預(yù)測(cè)集。第二種方法是從第3個(gè)樣本起，每隔2個(gè)樣本取樣為預(yù)測(cè)集。4種樣本集劃分統(tǒng)計(jì)結(jié)果如表4所示。

圖3 LV數(shù)量對(duì)模型RMSEP的影響

表4 四種樣本集劃分統(tǒng)計(jì)結(jié)果

表5 基于四種樣本劃分方法建立的PLSR模型的預(yù)測(cè)效果

注： RMSEC和RMSEP的單位均為mg·L-1

由表5所建立的6種PLSR模型的預(yù)測(cè)效果可知，CG法1的預(yù)測(cè)效果比CG法2好，兩種SR法所建模型的預(yù)測(cè)效果差別較小，CG法和SR法所建模型的建模效果與預(yù)測(cè)效果的差別較其他兩種方法相對(duì)較小，但這兩種方法的隨機(jī)性較強(qiáng)，需要經(jīng)過多次試驗(yàn)才能得到較好的建模效果。KS法與SPXY法的劃分結(jié)果是確定的，相對(duì)來說建模效果比較穩(wěn)定。KS算法的建模集R2最高，RMSEC最小，而預(yù)測(cè)集的預(yù)測(cè)效果比建模集差。SPXY算法情況恰好相反，建模集r2最高，RMSEP最小，預(yù)測(cè)集的預(yù)測(cè)效果較建模集更好。本文以預(yù)測(cè)集預(yù)測(cè)精度的高低作為最終評(píng)價(jià)模型優(yōu)劣的指標(biāo)，因此選擇SPXY為本文的樣本集劃分方法。

2.3 最優(yōu)數(shù)據(jù)處理方法

本文運(yùn)用的預(yù)處理算法包括小波變換(WT)、一階導(dǎo)數(shù)(Der1st)、二階導(dǎo)數(shù)(Der2nd)、小波-一階導(dǎo)數(shù)(WT-Der1st)以及小波-二階導(dǎo)數(shù)(WT-Der2nd)5種預(yù)處理算法。運(yùn)用了SPA和SR兩種特征波段提取算法，通過比較運(yùn)用不同預(yù)處理及特征波段提取算法的PLSR模型的預(yù)測(cè)效果，以確定最優(yōu)預(yù)處理及特征波段提取算法。表6綜合比較了不同數(shù)據(jù)處理算法所對(duì)應(yīng)的模型預(yù)測(cè)效果，分析可選出最優(yōu)數(shù)據(jù)處理方法。

表6 基于多種預(yù)處理和特征提取方法建立的PLSR模型效果對(duì)比

注： RMSEC和RMSEP的單位均為mg·L-1

由表6可以得出如下7個(gè)結(jié)論： (1)除了模型4使用Der2nd預(yù)處理的模型預(yù)測(cè)效果較差之外，其他9個(gè)模型的預(yù)測(cè)效果均較好； (2)模型1，2，5和7的決定系數(shù)均為最高，但模型7的RMSEP最低，由此可知，預(yù)處理算法、LV變量個(gè)數(shù)和特征波段提取算法的選擇，對(duì)于模型精確度的提升均有影響； (3)由模型1，2，3和4對(duì)比可知，WT在一定程度上可以改善模型的預(yù)測(cè)效果，主要表現(xiàn)在RMSEP的降低，而單純的導(dǎo)數(shù)預(yù)處理則沒有使模型的預(yù)測(cè)效果得到改善； (4)由模型2，5和6對(duì)比可知，WT-Der1st的預(yù)處理后的模型預(yù)測(cè)效果比單一的WT好，WT-Der2nd預(yù)處理后的模型預(yù)測(cè)效果則不如WT好； (5)由模型5和7對(duì)比可知，經(jīng)過同樣的預(yù)處理方法，然后經(jīng)SPA特征提取后，模型的預(yù)測(cè)效果比只經(jīng)過WT-Der1st預(yù)處理后的建模預(yù)測(cè)效果略好； (6)由模型6和8對(duì)比可知，基于WT-Der2nd預(yù)處理，經(jīng)SPA特征提取后，模型的預(yù)測(cè)效果比只經(jīng)過預(yù)處理后的建模預(yù)測(cè)效果差； (7)由模型7和9對(duì)比，模型8和10對(duì)比可知，運(yùn)用 SPA進(jìn)行特征提取的波段數(shù)量小于SR，其特征提取效率比SR高，基于WT-Der1st預(yù)處理后，再經(jīng)過SPA特征波段提取后建模的效果比SR好，基于WT-Der2nd預(yù)處理后，再經(jīng)過SPA特征波段提取后建模的效果卻不如SR好。

綜上表明，本文以模型預(yù)測(cè)精度盡可能高且模型復(fù)雜度盡可能低為模型選擇原則，SPA特征提取算法能夠大大地簡(jiǎn)化模型。因此選擇模型7作為最優(yōu)模型，即WT-Der1st預(yù)處理方法作為最優(yōu)預(yù)處理方法，SPA作為最優(yōu)特征提取方法。

2.4 基于小波-一階導(dǎo)數(shù)-連續(xù)投影變換的PLSR模型

通過對(duì)比不同預(yù)處理方法、不同特征提取方法所建立的模型預(yù)測(cè)效果，最終通過比較10個(gè)模型的r2與RMSEP，發(fā)現(xiàn)基于小波-一階導(dǎo)數(shù)-連續(xù)投影變換的PLSR模型的預(yù)測(cè)效果與運(yùn)行效率是最好的。首先通過小波變換對(duì)原始光譜曲線進(jìn)行噪聲去除，使得曲線變得更加平滑，其次再通過求一階導(dǎo)數(shù)，可以消減光譜數(shù)據(jù)的基線漂移，提高數(shù)據(jù)質(zhì)量等。然后通過SPA進(jìn)行特征提取，提取到的特征波段是218 nm，該特征波段與查閱文獻(xiàn)所獲知的總氮的吸收峰位置相一致。

基于上述數(shù)據(jù)處理方法，建立了總氮PLSR模型，所建模型為y=-31.75x-0.035，該模型的r2為0.996，模型的RMSEP為0.042 mg·L-1，圖4為總氮預(yù)測(cè)值和實(shí)測(cè)值的比較結(jié)果，發(fā)現(xiàn)所有數(shù)據(jù)點(diǎn)均在y=x直線左右分布，非?？拷本€。由此可見，本文所使用的一系列數(shù)據(jù)處理方法相對(duì)科學(xué)，所得模型的預(yù)測(cè)效果十分理想，能夠滿足要求。

圖4 基于WT-Der1st-SPA的PLSR模型預(yù)測(cè)值與實(shí)測(cè)值對(duì)比圖

Fig.4RelationbetweenreferencevalueandpredictedvalueofTNbyWT-Der1st-SPAcombinedwithPLSRmethod

3 結(jié) 論

使用紫外光譜技術(shù)進(jìn)行總氮含量快速檢測(cè)方法與傳統(tǒng)的化學(xué)試劑檢測(cè)法相比是一種快速、有效、簡(jiǎn)便、環(huán)保的檢測(cè)方法。本文大量地應(yīng)用算法的對(duì)比方法，比較運(yùn)用不同數(shù)據(jù)處理方法建立的10個(gè)PLSR模型，得出結(jié)論可知，SPXY法是最合適的樣本集劃分算法，在此基礎(chǔ)上建立的基于WT-Der1st-SPA的總氮PLSR模型的預(yù)測(cè)效果最好，其預(yù)測(cè)結(jié)果r2=0.996，RMSEP=0.042 mg·L-1。相比原始光譜數(shù)據(jù)的全波段建模效果，本文所建模型僅使用1個(gè)波段，而RMSEP卻降低了8.7%。由此可見，光譜預(yù)處理算法能夠降低原始光譜數(shù)據(jù)的噪聲，提高數(shù)據(jù)精確度； 特征波段提取算法與LV變量選擇能夠解決光譜的數(shù)據(jù)冗余問題，簡(jiǎn)化模型。由此可見使用紫外-可見光譜技術(shù)能夠快速準(zhǔn)確地預(yù)測(cè)出總氮含量，為實(shí)現(xiàn)光譜技術(shù)在水產(chǎn)養(yǎng)殖其他水質(zhì)監(jiān)測(cè)指標(biāo)的在線檢測(cè)以及快速測(cè)定提供了經(jīng)驗(yàn)。