本发明涉及对测定气溶胶成分领域,尤其涉及一种基于机器学习的气溶胶成分检测方法。
背景技术:
1、在细颗粒污染物(pm2.5)中,碳质气溶胶为主要成分,其可能对空气质量、人类健康和全球气候变化产生重大影响。元素碳(ec)和有机碳(oc)是两大类大气碳质气溶胶,由于碳质气溶胶在整个波长区域的光吸收特性,ec和oc在大气中的含量是气候变化的核心驱动因素。因此准确测量碳质气溶胶(ec和oc)的含量对于评估健康影响和气候影响至关重要。
2、在现有技术中,一般在通过采样膜对大气成分进行采样后,使用热光学法或溶剂萃取法分析测定采样膜中ec和oc的含量,从而确定气溶胶成分。但这种方法会破坏采样膜样品,导致每次测试都需要更换采样膜,并在专门的实验室中进行检测,导致检测气溶胶成分的过程成本高、时间长,无法推广应用。
3、因此,现有技术仍需要改进和发展。
技术实现思路
1、鉴于上述现有技术的不足,本发明的目的在于提供一种基于机器学习的气溶胶成分检测方法,以解决现有技术中检测气溶胶成分时需要破坏采样膜样品,导致检测气溶胶成分的过程成本高、时间长,无法推广应用的问题。
2、本发明的技术方案如下:
3、一种基于机器学习的气溶胶成分检测方法,所述方法包括:
4、基于收集了气溶胶的采样膜,获取采样膜气溶胶数据;
5、根据所述采样膜气溶胶数据,获取所述气溶胶的吸收光谱斜率和训练成分数据;
6、基于所述吸收光谱斜率和所述训练成分数据建立训练数据集和测试数据集;
7、基于所述训练数据集对机器学习模型进行训练,并基于所述测试数据集对所述机器学习模型进行性能评估,得到气溶胶成分检测模型;
8、将所述采样膜气溶胶数据输入所述气溶胶成分检测模型,得到所述气溶胶的成分。
9、在一种实施方式中,基于收集了气溶胶的采样膜,获取采样膜气溶胶数据,包括:
10、选择若干采样膜对所述气溶胶进行采样;
11、基于表征实验要求,对所述采样膜分别进行表征,得到所述采样膜气溶胶数据,所述采样膜气溶胶数据包括预估气溶胶成分数据和气溶胶吸收光谱。
12、在一种实施方式中,根据所述采样膜气溶胶数据,获取所述气溶胶的吸收光谱斜率和训练成分数据,包括:
13、将所述预估气溶胶成分数据作为所述训练成分数据;
14、将所述气溶胶吸收光谱分割为若干片段;
15、计算各所述片段中连接起点和终点的线的斜率,得到所述气溶胶的所述吸收光谱斜率。
16、在一种实施方式中,计算各所述片段中连接起点和终点的线的斜率时,应用公式:
17、
18、其中,λ1为所述片段起点处的波长,λ2为所述片段终点处的波长,a为所述片段对应波长处的吸收系数。
19、在一种实施方式中,基于表征实验要求,对所述采样膜分别进行表征,得到所述采样膜气溶胶数据,包括:
20、在固定温度和湿度条件下,在采样前后对所述采样膜进行称重,获取所述气溶胶的质量成分;
21、通过热-光透射分析仪检测所述采样膜,获取所述气溶胶的浓度;
22、通过数字色度计检测所述采样膜,获取所述采样膜的颜色空间分量;
23、基于所述质量成分、所述浓度和所述颜色空间分量,拟合获得所述预估气溶胶成分数据;
24、通过固态紫外可见分光光度计检测所述采样膜,获取所述气溶胶的所述吸收光谱。
25、在一种实施方式中,基于所述吸收光谱斜率和所述训练成分数据建立训练数据集和测试数据集,包括:
26、将所述吸收光谱斜率与所述训练成分数据对应,得到训练数据库;
27、将所述训练数据库内的数据按照9:1的比例随机划分形成所述训练数据集和所述测试数据集。
28、在一种实施方式中,基于所述训练数据集对机器学习模型进行训练,并基于所述测试数据集对所述机器学习模型进行性能评估,得到气溶胶成分检测模型,包括:
29、基于所述训练数据集,对所述机器学习模型应用10次十倍交叉验证,得到训练后的机器学习模型;
30、基于所述测试数据集,评估所述训练后的机器学习模型的性能,当所述训练后的机器学习模型满足预设指标,得到所述气溶胶成分检测模型。
31、在一种实施方式中,所述气溶胶为碳质气溶胶,所述碳质气溶胶包括元素碳气溶胶和有机碳气溶胶。
32、本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任意一项所述的基于机器学习的气溶胶成分检测方法中的步骤。
33、本发明实施例还提供一种终端设备,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
34、所述通信总线实现处理器和存储器之间的连接通信;
35、所述处理器执行所述计算机可读程序时实现如上任意一项所述的基于机器学习的气溶胶成分检测方法中的步骤。
36、综上所述,本发明公开了一种基于机器学习的气溶胶成分检测方法,所述方法包括步骤:基于收集了气溶胶的采样膜,获取采样膜气溶胶数据;根据所述采样膜气溶胶数据,获取所述气溶胶的吸收光谱斜率和训练成分数据;基于所述吸收光谱斜率和所述训练成分数据建立训练数据集和测试数据集;基于所述训练数据集对机器学习模型进行训练,并基于所述测试数据集对所述机器学习模型进行性能评估,得到气溶胶成分检测模型;将所述采样膜气溶胶数据输入所述气溶胶成分检测模型,得到所述气溶胶的成分。通过将气溶胶的吸收光谱斜率与气溶胶成分线性拟合,可以在不损坏采样膜的情况下,快速且精准地测量气溶胶成分,效率高、成本低,有利于大规模推广。
1.一种基于机器学习的气溶胶成分检测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于机器学习的气溶胶成分检测方法,其特征在于,基于收集了气溶胶的采样膜,获取采样膜气溶胶数据,包括:
3.根据权利要求2所述的基于机器学习的气溶胶成分检测方法,其特征在于,根据所述采样膜气溶胶数据,获取所述气溶胶的吸收光谱斜率和训练成分数据,包括:
4.根据权利要求3所述的基于机器学习的气溶胶成分检测方法,其特征在于,计算各所述片段中连接起点和终点的线的斜率时,应用公式:
5.根据权利要求2所述的基于机器学习的气溶胶成分检测方法,其特征在于,基于表征实验要求,对所述采样膜分别进行表征,得到所述采样膜气溶胶数据,包括:
6.根据权利要求2所述的基于机器学习的气溶胶成分检测方法,其特征在于,基于所述吸收光谱斜率和所述训练成分数据建立训练数据集和测试数据集,包括:
7.根据权利要求6所述的基于机器学习的气溶胶成分检测方法,其特征在于,基于所述训练数据集对机器学习模型进行训练,并基于所述测试数据集对所述机器学习模型进行性能评估,得到气溶胶成分检测模型,包括:
8.根据权利要求1所述的基于机器学习的气溶胶成分检测方法,其特征在于,所述气溶胶为碳质气溶胶,所述碳质气溶胶包括元素碳气溶胶和有机碳气溶胶。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-8任意一项所述的基于机器学习的气溶胶成分检测方法中的步骤。
10.一种终端设备,其特征在于,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;