水质参数检测

水质参数检测（精选三篇）

水质参数检测篇1

当今世界,水资源不足和污染构成的水资源危机成为任何一个国家在政治、经济和技术上所面临的复杂问题和社会经济发展的主要制约因素。近年来,随着人口的快速增长、城市城区的扩建、工农业的迅速发展、污水的大量排放等等,都使得我国的水资源状况特别是水污染情况越来越严重。常规的水质监测方法是人工取样进行实时实地监测,这种方法只能了解监测断面上的表面水质状况,但对于整个水体而言,这些测点数据只具有局部和典型的代表意义[1]。目前国内水环境遥感监测的研究主要针对长江[2,3]、珠江[4]、湘江[5]、汉江[6]、太湖[7,8]、千岛湖[9]等较大面积水域,而针对内陆河流采用SPOT数据进行定量遥感反演的研究目前还很少。因此,建立适当的模型进行连续、大范围的水质监测,这对于内陆河流的遥感水质定量监测有着重要的现实意义。

遥感反演水质是一个非线性的过程,影响因素较多,利用线性回归来估计反演结果不精确。结合本文数据自身的小样本特点以及模型参数优选的复杂性,本文采用了CV估计模型推广误差并使用GA优选SVR模型参数,其中CV采用4-折交叉验证,GA采用浮点数编码。将基于参数优选的SVR回归模型用于渭河陕西段水域部分水质变量的遥感水质反演,构建基于SVR的各水质变量多元反演模型,并将反演结果与传统统计多元回归得到的结果比较分析,最后将构建好的SVR模型用于咸阳至耿镇段整体水域反演,并通过该段水域实测数据与陕西环境质量公报数据分析评价模型优劣。

1 数据及预处理

在水质定量遥感监测中,考虑到河流的流动性和天气的变化,所购买的遥感数据与实地监测水质数据之间必须要保持时间上的同步或准同步,这两类数据在获取时间上的同步保证了水质变量反演结果的可信性。经过数据筛选分析,综合各方面因素只有法国SPOT-5号卫星所获取的SPOT-5遥感数据在时空上能够满足本文要求。SPOT-5号卫星是法国SPOT系列第5颗卫星,SPOT-5号卫星获取的遥感影像具有更高的地面分辨率、可侧视观测以增强重复观测能力、增加沿轨道方向的立体成像功能等特点。SPOT-5遥感影像数据的波段及光谱分辨率数据如表1。

本文获取了2000~2006年间渭河陕西段部分监测点水质实地监测数据,数据分布在渭河陕西段9个监测断面,水质变量指标包括各监测点的水温、p H值、氯化物、硫酸盐、溶解氧、氨氮、总磷、总氮、高锰酸盐指数、化学需氧量、生化需氧量等水质变量。由于渭河陕西段的污染情况主要为有机物污染,因此在水质变量指标上首选耗氧有机物指标及氧平衡指标,再根据各类水质变量指标在时间、空间上的连续性和完整性,本文最终选择了高锰酸盐指数(CODmn)、化学需氧量(COD)、氨氮(NH3-N)和溶解氧(DO)四种水质变量进行数据分析和实验。

采取了5种方法对所使用的遥感影像进行大气辐射校正,其中使用辐射定标后各波段归零大气校正得到的遥感数据对同步实测水质数据进行反演操作。之后在ERDAS8.7运行环境下,以1:50 000的地形图为参考图,通过地形图和遥感影像上选取同名地物控制点来对遥感影像进行几何校正。校正过程选取16个GCP,坐标变换模式采用二次多项式模型,重采样采用最近邻插值法,最终校正后的平均误差控制在0.01个像元以内。

2 水质参数相关性分析

相关性分析在水质定量遥感监测中的意义主要体现在以下两个方面:1)由于相关性反映了两组或多组数据序列之间的关联程度,在本研究中可表现为遥感数据随着水质变量变化而变化的趋势。如果水质变量与遥感数据之间存在较强的相关性,则表明通过遥感数据进行水质变量的反演是可行的(具有指导作用);2)相关性分析同样可以在后续的反演精度验证中作为反演精度的检验标准(具有验证作用)。

目前已有的相关性分析有多种方法,如积差相关、等级相关等。本文所采用的相关性分析方法为积差相关,是英国统计学家皮尔逊于20世纪提出的一种计算两变量之间线性相关的方法,因而又称为皮尔逊相关,也是目前较为常用的一种相关性分析方法。对13个水质监测点的4种水质变量实测数据与10幅SPOT-5遥感影像上对应时间和地点的遥感数据进行相关性分析。

通过表2结果分析,可见光波段的Band2、Band3以及近红外波段Band1与水质参数间的相关性较好,短波红外波段Band4与整体水质参数的相关性较差。就水质参数而言,CODmn与COD与Band1、Band2、Band3的相关性比较好,具有明显的光学特征,而DO与Band4,NH3-N与Band1、Band2也存在一定的相关性。

图1(a)至图1(d)分别给出了以上几种相关性较强的数据组合中遥感数据随着水质变量变化而变化的趋势图(其中纵坐标表示水质参数的浓度,横坐标表示参考点)。

3 基于GA优选参数的SVR水质参数遥感反演

SVR是SVM在回归问题中的推广。SVR在理论上与基于统计学理论的传统统计多元回归相比具有适合于小样本分析、避免过学习、能够根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中,以期获得最好的推广能力等特点。该方法具有扎实的理论基础和完善的理论体系,且需要设定的参数相对较少。

SVR核函数的定义为:设x是Rn的一个子集,称定义在x×x上的函数K(x,x′)是核函数,如果存在着从x到某个Hilbert空间H的映射Φ,使K(x,x′)=Φ(x)Φ(x′),其中表示H中的内积。核函数的选择是SVR模型选择的重要内容。目前常用的核函数主要有3类:多项式核函数,径向基核函数,多层感知器核函数。在SVR回归过程中,选择径向基函数作为核函数,所以需要确定的参数除了惩罚系数C、核参数σ2之外,还有不敏感损失函数的宽度ε。

3.1 SVR的参数优选

对于SVR的参数优选可以把它看作两个步骤,第一是选择一种评价方法评价SVR的精度优劣,第二是选择一种参数选择方法并根据第一部的评价结果对参数进行优选。

第一步针对SVR的结果评价方法有很多,目前常采用的方法有计算预测结果的平均绝对偏差(MAD)和计算预测结果的均方误差(MSE),其计算公式为

考虑到误差结果的无偏性及SVR模型的推广性,在样本数目较少时,常采用CV方法来估算推广误差,以此判断SVR反演精度的优劣。

第二步需要调整(C,σ2,ε)三个参数。目前对于SVR参数的优选可以采用的有效方法很少,而且本文通过实验发现三个参数的不同选择对SVR结果也有着相互的影响。一些研究人员根据具体的试验数据,提出可以通过梯度下降法,牛顿法等方法对参数进行选择[10]。随着人工智能的发展,针对此类优选问题提出了新的方法,如GA和粒子群算法等,此类算法能够在复杂的搜索空间中快速寻求全局最优解,目前已在优化、机器学习和并行处理等领域得到越来越广泛的应用。因此,本文在SVR的参数优选上使用了GA进行优选。

3.2 遗传算法(GA)

GA利用生物遗传学的观点[11],结合了适者生存和随机信息交换的思想,通过自然选择、交换、变异等作用机制,实现种群的进化。在寻优过程中,GA在解空间随机产生多个起始点并同时开始搜索,由适应度函数来指导搜索方向,是一种能够在复杂搜索空间快速寻求全局优化解的搜索技术[12]。

1)编码方式

SVR参数选择的搜索过程是一个复杂的连续参数优化问题。本文算法采用浮点数编码方式,不仅可以避免二进制编码方式在遗传操作时进行反复译码、编码的操作,还可以克服二进制字符串有限长度的影响,从而提高算法的性能和求解精度。

2)各参数搜索区间

惩罚系数C用于控制模型复杂度和逼近精度的折中。C过大,对训练样本数据的拟合程度越高,但泛化能力将降低;C过小,模型达不到很好的逼近精度。因此采取如下方法确定C的搜索区间(0,C1),取C1=max(ai)。Keerthi[13]等的研究表明:对于某一确定的足够大的C,当σ2→0时会发生严重的“过学习”现象,此时径向基函数SVR能对训练样本较好的拟合,但对测试样本的泛化能力变得极差;当σ2→∞时会发生严重的“欠学习”现象。实验取σ2的搜索区间为[min(|xi-xj||2×10-2),max(|xi-xj||2×102)]。在不敏感损失函数ε中,ε的大小表示置信区间的宽度,它反映了函数拟合的精度,起到了调和模型复杂度和逼近精度的作用,由于ε一般为一个非常小的正值,因此本文将ε的搜索区间设定为[0.000 1,0.15]之间。

3)GA适应度函数

GA中以个体适应度的大小来评定个体的优劣程度,从而决定其遗传机会的大小。根据本文实验的具体情况,我们设计了适应度函数为

SVR回归模型在测试样本集上的MSE值越小,则对应该组参数的染色体适应度值越大。

3.3 k-折交叉验证与GA的结合使用优化SVR参数

k-折交叉验证与GA的结合使用:先对每一折划分的样本数据使用GA对SVR进行参数优化,将得到的预测结果精度(MAD或MSE)作为GA的适应度值,进而得到针对每一折的最优模型及模型误差,再将得到的k个模型的误差均值作为推广误差,来完成对SVR的参数优化选择。

对于k-折交叉验证,k=4,即将n个样本分为大致相等的四个子集(k1,k2,k3,k4),每次将其中一个子集作为测试样本,剩下的三个子集作为训练样本,进行4次训练和测试操作。先对每一折划分的样本数据使用GA对SVR进行参数优化,并将使用每一折训练样本构建的模型的反演误差Tj作为的GA适应度值。

通过GA不断优化选择进而得到针对这一折的最优模型及最小模型误差,再将得到的k个模型的测试样本误差均值作为推广误差,来完成对SVR的参数优化选择。这样针对每一折运算都可以得到一个最好的参数组合和最优的反演精度,通过比较每一折的最优反演精度,可以得到在样本的k折划分中使所构建的SVR模型精度最好的划分及针对此划分的最优参数组合。

4 实验与分析

本文采用的样本数据共有13组,按照k-折交叉验证的思想选择k=4,即将13组数据分成四组,考虑到数据的大小不一致性,为了使每一组测试样本和训练样本的数据分布较为均匀,在k-折交叉验证的4个分组上我们在保证样本独立性的基础上(即保证4个分组中的数据相互独立),尽量使每一组训练样本中的数据都能够包含较大,中等及较小的数据,而测试样本也符合这种分布。每次选择其中的一组作为测试样本,选择剩下的三组作为训练样本。

以水质实测数据和预处理后的遥感数据为样本数据,使用径向基函数为核函数的SVR进行本文四类水质变量的反演,并使用GA优选SVR模型参数,构建水质变量多元反演模型。构建的各水质变量多元反演模型精度结果如下表3。

由于对同一种水质变量来说,当选择的样本划分不同(即训练样本不同)时反演模型的精度是不同的,同时使用GA对回归模型优选得到的模型参数也是不同的;而针对不同的水质变量,回归模型优选得到的参数也不相同。表3采用MAD和可决相关系数R2来评价反演结果,给出了四种水质参数所对应的SVR的(C,σ2,ε)。从整体上来说在各水质变量预测结果的评价上均能达到较好的反演精度。

下表列出了使用4-折交叉验证和基于GA优选参数的SVR得到的模型推广误差与使用基于统计学理论的传统统计多元回归方法反演本文四种水质变量得到的预测误差结果比较。

结合表4中列出的各水质变量反演模型精度可以看出,SVR不仅在理论上相比较传统统计多元回归而言更适合于小样本回归,在本文的四种水质变量实际反演应用中其反演结果同样优于传统统计多元回归的反演结果,相比较传统统计多元回归,使用SVR反演使得水质变量的反演精度在一定程度上得到提高。

根据以上所介绍的方法和实验结果分析,将基于GA优选参数的SVR构建的各水质变量多元反演模型应用于渭河陕西段水域的河流水质监测。通过对渭河陕西段水域咸阳至耿镇段水域进行水质变量反演,得到该段水域的水质变量情况进而可以根据国标等级分析该流域水质等级情况等信息。图2将以CODmn为例使用GA优选参数后的SVR模型对咸阳至耿镇段水域进行整体反演,并将反演后的结果根据CODmn浓度情况进行不同颜色的划分。

从图2可以看出,耿镇区域的水域颜色主要为红色,表明该水域CODmn浓度在3.5~4 mg/L之间,浓度大小接近耿镇监测点实测数据;而咸阳区域颜色主要为绿色,表明该水域CODmn浓度在4~6 mg/L之间,浓度大小接近咸阳监测点实测数据。此外,从图2中还可以看出,在咸阳与耿镇之间,特别是渭河咸阳段存在部分水域颜色为蓝色,表明该水域的CODmn浓度在6~10 mg/L之间,这与该地区工业较多,工业废水排放较多有关。

5 结论

水质反演是一个不确定性问题,反演的结果在多大程度上是可靠的,一直是水质反演的研究难点。本文使用基于GA优选的SVR水质参数遥感反演模型方法能够在较高的精度上对渭河陕西段流域水质变量进行反演,较常用的统计回归方法具有明显的优势。该方法为渭河陕西段水环境监测提供了一种新方法,同时也为内陆河流水环境监测提供了借鉴。实验中的样本数量还偏少,为了使反演的推广性进一步提高,反演中应尽量增加采样点的个数,以区分不同的季节,做更多的时空分析及验证。同时,本文仅对4种水质参数进行反演研究,以后将进一步研究其它水质参数的反演。

摘要：为进一步提高多光谱图像水质反演的精度,提出了一种基于GA优选参数的SVR水质参数遥感反演模型。该模型利用高分辨率多光谱遥感SPOT-5数据和水质实地监测数据,采用CV估计模型推广误差并使用GA优选SVR模型参数,实现了模型参数的自动全局优选,在训练好的SVR模型基础之上对水质进行反演。以渭河陕西段为例进行实证研究,实验结果表明,本文提出的水质反演模型较常规的线性回归模有更高的反演精度,为内陆河流环境遥感监测提供了一种新方法。

水质参数检测篇2

摘要：利用具有大范围收敛的同伦参数反演方法对水质模型参数进行计算,并应用于北京密云水库总磷的参数反演计算中.通过同伦与遗传反演两种方法分别计算沉降率的.误差并进行对比表明,同伦参数反演方法具有良好的稳定性,计算速度快,且初值的选取即使远离目标函数,解仍具有很好的收敛性.作者：马瑞杰高彦伟王学双李欣 MA Rui-jie GAO Yan-wei WANG Xue-shuang LI Xin 作者单位：马瑞杰,高彦伟,MA Rui-jie,GAO Yan-wei(吉林大学,数学学院,长春,130026)

王学双,WANG Xue-shuang(吉林钻井工程服务公司,吉林,松原,138000)

李欣,LI Xin(吉林大学,建设工程学院,长春,130026)

浅析影响水质检测质量的因素篇3

关键词：水质检测；环境管理

一、水质检测

水质检测的检测对象为水体含有的各种不同物质，尤其是污染物，可以具体到这些物质的变化情况、在水体中的含量等等。水质检测的过程也是一个对水质进行详细的评估的过程。监测项目根据污染物种类的不同以及污染物的具体指标，可以被划分成两类：类别一为对水质的综合情况予以反映的指标；类别二为水质中含有的某些特别的有毒物，不过对水体进行质量评价的话，如果水体为江河湖海，还必须要监测的为水体的流量和速度。对于地下和地表水，一定要给予严格的高频率检测。对于人们的正常生活需求而言，这些水源发挥着非常重大的作用。水质和环境之间互相影响，水质的变化直接的影响和决定了未来生存环境的质量，所以检测水质，一方面要能够优化生活质量，另外一方面也要为环境管理做好信息和数据的准备。

二、影响水质检测质量的因素

1、水质样品的采集、运输、送检、保存。①样品的采集、运输、送检。样品的采集是实验室质量管理中重要的一环，在采集的同时还应根据所采集样品的类别和检测指标的不同，采用不同的方法以保证水质样品的代表性、客观性和均匀性。1.采样时不可搅动水底的沉淀物，2.采集有机物的水样时应注满容器，上部不留空间并应用水封，3.测定硫化物、微生物学、放射性等项目要单独采样，4.出厂水的采样点设在出厂进入输送管道以前处，5.末梢水的采集应注意采样时间，取样时应打开水龙头防水数分钟，采集用于微生物学指标检验的样品前应对水龙头进行消毒，6.二次供水的采集，应包括水箱（或蓄水池）进水以及出水，7.采集样品的体积、水样运输按GB/T5750.2-02006标准中8-11执行。从样品受理到实验室，首先应对样品进行唯一性编号和明确样品接收状态和检测状态（待检、检测、已检）标识，防止样品混淆，其次是避免送检周转时间过长使样品的性状发生改变而影响检验结果。②水质样品处理、保存。水质样品处理的目的是去除样品中的杂质，富集待测物质，从而有利于待测物质的测定，减少或消除样品机体对于测定的干扰，提高测定灵敏度、准确度和精密度。水样在贮存期间组分发生变化，将会影响到样品的代表性。影响水样变化的主要因素有：1.生物作用。2.化学作用。3.物理作用。

2、检测人员。根据实验室需要配置足够的管理、监督、检验人员，对各类人员的任职条件应有明确的规定。实验室的人员要满足实验的要求，检验人员应熟悉本专业业务，定期对检验人员进行培训，经考核合格并且持证上岗。

3、仪器设备与环境条件。仪器设备是卫生检验实验室重要组成部分，对其科学的管理可以从根本上保证检验质量的控制。对仪器设备的采购、验收、流转进行控制，每一台仪器设备应有明显的标识表明其状态；对水质样品检测准确性和有效性有影响的检验仪器设备，再投入使用前必须进行校准或检定，不使用未检定或以过检定周期的仪器，确保检测仪器在正常状态使用，以保证检测结果的质量。检测工作应根据被测样品的性质及被测组分的含量水平，从器皿材料的化学组成和表面吸附、渗透性等方面选用合适的器皿，以保证检测结果的可靠性；实验室的环境因素一般来讲指实验室内的温度、湿度、照明、采暖、通风、气压、空气中的悬浮微粒以及气体污染等。

4、检测方法的选用和确认。选用检验方法和检验方法的确认主要参考以下依据： ① 如果客户指定的检验方法适用有效，可采用客户指定的检验方法。②如果客户未指定检验方法或指定的方法不适用或失效，实验室应优先采用国家、国际、区域、行业发布的最新有效标准方法。在没有国家、国际、区域、行业发布的最新有效标准方法，可选用知名的技术组织、权威文献杂志公布的方法，但须经过方法确认。③方法的确认可采用以下方法：使用标准物质或与权威方法进行比对试验以确认其可靠性；采用精密度、准确度、线性范围、检测限、回收率指标等。同时实验室选用检测方法应是现行有效版本，要定期检索以确保检测依据的正确性。

5、标准物质及试剂。1.标准物质。对于标准物质的采购、验收、使用、贮存、量值溯源、期间核查等各个环节进行全面控制，使标准物质始终处于受控状态下并保持完好，以保证检测结果的准确有效。2.试剂。检测所用的试剂包括试剂的质量要求和试剂的配制要求两个部分。规范并有效的控制对检测质量有影响的试剂采购，认真验收做好记录，防止由于试剂不合格导致检测结果的产生较大差异以及有可能对实验仪器造成较大的损害。

6、实验室质量控制。实验室质量控制是控制误差的一种手段，其目的是把检测误差控制在容许限度内，使检测数据在给定的置信水平内，以保证检测结果的精密度和准确度；实验室内质量控制是检测人员对检测质量进行自我控制的过程，可以通过绘制质量控制图、加标回收率、平行双样、空白试验、测量质量控制样品、定期考核等方法；实验室间质量控制是在实验室内质量控制的基础上进行的，其目的是评价实验室是否存在明显的系统误差，以提高实验室间测定结果的可比性；在实际工作中有些样品不可能做多次重复测量，检测结果的不确定度客观存在但人们无法准确得到。而且往往是由许多原因引起，不确定度评估的引入使不能确切知道的误差转化为一个可以定量计算的指标附在测量结果中，从而使测量结果的质量有了一个统一的比较标准。

综上所述，在水质检验过程中，以上几个环节都是不可忽视的，因为无论其中哪一个环节即使有一点点微小的过失，都可能会对检测结果的准确性造成很大的影响，使实验数据出现偏差或错误，使实验的检测质量难以保证。只有不断提高实验室的质量管理水平和技术能力，减少可能出现的质量风险和责任，才能保证检测结果的准确性、可靠性、科学性和公正性。