一种基于DOAS的光谱数据处理方法与流程

本发明涉及气体分析领域，具体涉及一种基于DOAS的光谱数据处理方法。

背景技术：

在基于紫外差分算法（DOAS，Differential Optical Absorption Spectroscopy）的气体分析仪中，光源是其重要的组成部分。当前主要使用的紫外光源有氘灯光源和脉冲式氙灯光源。氘灯光源是连续式光源，其发出的紫外光比较稳定。脉冲式氙灯光源，是闪烁式光源，其每次闪烁发光强度不同，光源重复性较差，不如氘灯光源稳定。无论是氘灯光源还是氙灯光源，其光源重复性都不是很好，由于光源每次发出的光强度不同，光源稳定性和线性较差，光谱数据跳动大，对测量结果的跳动影响较大，使得气体浓度的计算结果跳动增大，为了减小计算结果的跳动，迫切的希望能解决光源稳定性和线性差的问题。

在基于紫外差分算法的气体分析仪中，主要用于测量SO2和氮氧化物的气体浓度。在DOAS算法中，计算气体浓度时，需要使用到光源的光谱强度（没有吸收气体时的浓度）和吸收光谱强度（有吸收气体时的光谱强度）做相关运算。在当前的DOAS算法中，对于光源强度的要求希望它是稳定的、平滑的、线性的。但是在实际的应用过程中，由于光源自身的特性，光谱仪采集到的光源光谱强度每次是不一致的、非线性的，这种不一致、非线性不仅表现在整条光谱曲线的强度上，还表现在每条曲线中某些波长点上，从而导致采集到的光谱数据中，某些光谱强度很高，某些光谱强度很低，并且在这些光谱曲线上伴随着很多的杂波。

在实际的DOAS算法使用过程中，由于光谱数据的不稳定，（如图2所示，图2为未经过任何处理的20组原始光谱数据，数据重复性差，单个波长点数据跳动大）都是由若干组光谱数据的平均值反演一组计算结果，但是只对光谱数据做平均处理，反演浓度值的波动仍然较大。为了消除光源对测量结果的影响，需要在计算前对光谱数据进行预处理，将处理后的数据再进行算法运算，减小测量结果的跳动。

技术实现要素：

本发明的目的在于针对现有技术的不足，提供一种基于DOAS的光谱数据处理方法，其对减小光谱数据的波段有较好的效果，使光源的光谱数据尽量保持稳定和线性。

本发明的目的是这样实现的：一种基于DOAS的光谱数据处理方法，包括如下步骤：一种基于DOAS的光谱数据处理方法，包括如下步骤：

1）存储n组原始的光谱数据。一般从光谱仪采集到的光谱数据都是2048个波长点，此处的原始光谱数据是指从光谱仪读取到的数据，对这些光谱数据没做任何的算法处理。

2）分别对各组原始光谱进行平滑滤波，存储平滑滤波后的光谱数据；

3）剔除掉n组光谱数据中光强最强和光强最弱的两组数据；该步骤是去掉整体光强中最强和最弱的一组数据。

4）去掉每个波长点中最强和最弱的光谱数据；该步骤是为了去掉每个波长点中最强和最弱的光谱数据，减小每个波长点的数据跳动。

5）对每个波长点的光强数据求平均值，该平均值作为此波长点的最终光强值，得到一条滤波后的光谱数据。

步骤2）分别对各组原始光谱进行2个窗口的平滑滤波。

步骤3）中剔除掉n组光谱数据中光强最强和光强最弱的两组数据的具体方法如下：在每组光谱数据中选取位于非气体吸收段的一段波段，对每组光谱数据中选取的该段波段内的波长点的光强数据求和，然后剔除掉n组光谱数据中光强数据和值最大的一组数据以及光强数据和值最小的一组数据。所述的位于非气体吸收段的波长段由250nm作为中心点，取250nm左右各n个波长点组成，n为10～20。因为在某些波长点存在气体的吸收，将所有的波长点求和不能判断出光强的强弱，会影响光强强度的判断，要选取在非气体吸收段判断光强的强弱。250nm一个点也不能说明光强的强弱，所以选取250nm左右各n个点，就是一小段波长，在此波段内没有气体的吸收或者吸收度非常小，不影响光强强弱的判断，n一般选择10到20之间，点数太少不能说明整体光强的强度，会有误判，点数太多会有某些点存在气体吸收，同样产生误判。

步骤4）中去掉每个波长点中最强和最弱的光谱数据的具体方法为：对各个波长点剩余的n-2组数据进行排序，去掉各个波长点的光强数据最大值和光强数据最小值。

将步骤5）滤波后的光谱数据进行DOAS运算，求得气体浓度值。

本发明的有益效果为：本发明采用软件算法解决光源的稳定性、线性不好的问题，减小测量结果的波动。本发明中的数据处理方法比直接对数据做平均算法效果要好很多。

下面结合附图和具体实施方式对本发明作进一步说明。

附图说明

图1为本发明的基于DOAS的光谱数据处理方法的方法流程图；

图2为未经过任何处理的20组原始光谱数据

图3为传统平均值算法结果图；

图4为发明算法结果图；

图5为传统与本发明两种算法方差值对比图；

图5-1为图5中波长段200nm-250 nm部分的放大图；

图5-2为图5中波长段250nm-300 nm部分的放大图；

图5-3为图5中波长段300nm-350 nm部分的放大图；

图5-4为图5中波长段350nm-400 nm部分的放大图。

具体实施方式

参见图1，一种基于DOAS的光谱数据处理方法，包括如下步骤：

1）存储n组原始的光谱数据；一般从光谱仪采集到的光谱数据都是2048个波长点，此处的原始光谱数据是指从光谱仪读取到的数据，对这些光谱数据没做任何的算法处理。

2）分别对各组原始光谱进行平滑滤波，存储平滑滤波后的光谱数据；

步骤2）分别对各组原始光谱进行2个窗口的平滑滤波。

3）剔除掉n组光谱数据中光强最强和光强最弱的两组数据；该步骤是去掉整体光强中最强和最弱的一组数据。步骤3）中剔除掉n组光谱数据中光强最强和光强最弱的两组数据的具体方法如下：在每组光谱数据中选取位于非气体吸收段的一段波段，对每组光谱数据中选取的该段波段内的波长点的光强数据求和，然后剔除掉n组光谱数据中光强数据和值最大的一组数据以及光强数据和值最小的一组数据。所述的位于非气体吸收段的波长段由250nm作为中心点，取250nm左右各n个波长点组成，n为10～20。因为在某些波长点存在气体的吸收，将所有的波长点求和不能判断出光强的强弱，会影响光强强度的判断，要选取在非气体吸收段判断光强的强弱。250nm一个点也不能说明光强的强弱，所以选取250nm左右各n个点，就是一小段波长，在此波段内没有气体的吸收或者吸收度非常小，不影响光强强弱的判断，n一般选择10到20之间，点数太少不能说明整体光强的强度，会有误判，点数太多会有某些点存在气体吸收，同样产生误判。

4）去掉每个波长点中最强和最弱的光谱数据；该步骤是为了去掉每个波长点中最强和最弱的光谱数据，减小每个波长点的数据跳动。步骤4）中去掉每个波长点中最强和最弱的光谱数据的具体方法为：对各个波长点剩余的n-2组数据进行排序，去掉各个波长点的光强数据最大值和光强数据最小值。

5）对每个波长点的光强数据求平均值，该平均值作为此波长点的最终光强值，得到一条滤波后的光谱数据。将步骤5）滤波后的光谱数据进行DOAS运算，求得气体浓度值。

本实施例采用10组光谱数据反演一组气体浓度。其具体算法如下步骤所示：

1）存储10组原始的光谱数据；

2）分别对各组原始光谱进行2个窗口的平滑滤波，存储滤波后的光谱数据；

3）剔除掉10组光谱中光强最强和光强最弱的两组数据。方法如下：（31）在每组光谱数据中的250nm波段，左右各选取10个波长点，对这21个点的光强数据求和。在此波段内没有气体的吸收或者吸收度非常小，不影响光谱数据强度的判定。（32）剔除掉这10组数据中和值最大的一组数据以及和值最小的一组数据。

4）在剩余的8组数据中，在每个波长点处，对这8组数据进行排序，得到若干波长点序列，去掉每个波长点序列的最大值和最小值，对每个波长点序列中剩余的数据求平均值，该平均值作为此波长点的最终光强值，得到一条滤波后的光谱数据。

5）将滤波后的光谱数据进行DOAS运算，求得气体浓度值。

图3为用每10组原始数据取平均，一共是20组平均值之后的光谱波形图。图4为用每10组原始数据，按照本发明中的算法处理的光谱波形图，一共是20算法处理之后的光谱波形图。由于图3和图4中的数据较多，从图形中不能明显的看出这两种方法处理后的差异，分别对这两种方法处理后的数据，对其每个波长点的20组数据求方差值，根据方差的定义，方差越大，样本数据的波动越大；方差越小，样本数据的波动就越小。图5中虚线为传统平均值方法的方差值，实线是本发明中算法的方差值。图5中可以看出，本发明中算法的方差值明显比平均值算法的方差值小，使用本发明中的算法可以减小数据的波段，提高光谱强度的稳定性。

本发明不仅仅局限于上述实施例，在不背离本发明技术方案原则精神的情况下进行些许改动的技术方案，应落入本发明的保护范围。