摘要应用紫外(Ultraviolet ,U V )光谱技术对水产养殖水质总氮含量进行快速检测.为了消除各种系统误差与偶然误差对模型预测性能造成的影响,将88个水样的总氮浓度实测值数据和光谱吸光度数据作为原始数据,将模型建立分为样本集划分、数据预处理、特征波段提取、模型选择与LV数量选择5个阶段,以求达到最优预测效果,其中前4个阶段分别使用多种方法进行比较.结果证明每个阶段都是必不可少的,只有通过对比其优劣才能找到最适合总氮含量测定的建模过程及方法.首先用浓度梯度(CG )法对原始数据进行相同的样本集划分处理,然后在此基础上分别建立主成分回归(PCR) 、逐步回归(SR)和偏最小二乘回归(PLSR)三种模型,选择预测效果最好的PLSR作为本文的预测模型. PLSR的建模效果会在很大程度上受到潜在变量(LVs)数量的影响,通常选取模型预测均方根误差RMSEP值最小时所对应的LV个数为最优LV个数.其次,选用CG法、随机抽样(RS)法、Kennard Stone(KS )法和SPXY法4种样本集划分算法对样本进行处理,并对所建立的PLSR模型预测效果进行比较,最终选择SPXY算法作为最优样本划分算法.然后在对样本集进行SPXY法划分的基础上,运用多种预处理算法对光谱吸光度数据进行预处理,包括小波变换(WT ) 、一阶导数法(Der1st)与二阶导数法(Der2nd)三种单一算法和小波变换与两种导数法的组合预处理算法WT‐Der1st和WT‐Der2nd .然后在预处理的基础上分别使用连续投影变换(SPA )和逐步回归(SR)两种特征波段提取方法,对比可知,SPA特征提取方法比SR的提取效率高且建模效果好.SPA算法既可以大大地简化模型,又可以在一定程度上提升模型的预测精度.基于 WT‐Der1st‐SPA 提取的特征波段为218 nm ,与总氮特征波段区间相一致,由此说明该方法比较科学.综合上述建立的10个PLSR模型,考虑到预测精度与模型复杂度2个因素,最终选择基于WT‐Der1st‐SPA建立的PLSR模型作为最优模型,该模型预测决定系数 r2 为0.996 ,预测均方根误差RMSEP为0.042 mg·L －1 .由此可见,所建立的模型预测效果非常好,可以快速准确地测定水体的总氮含量,为实现光谱技术在水产养殖其他水质监测指标的在线检测以及快速测定提供了经验.