基于XGBoost算法的鱼粉中微塑料的红外光谱识别研究

作     者：许晓栋 张慧敏 刘佳乐 韩鲁佳 杨增玲 刘贤 XU Xiao-dong;ZHANG Hui-min;LIU Jia-le;HAN Lu-jia;YANG Zeng-ling;LIU Xian

作者机构：中国农业大学工学院农业工程系北京100083 

出 版 物：《光谱学与光谱分析》 (Spectroscopy and Spectral Analysis)

年 卷 期：2024年第44卷第7期

页      面：1835-1842页

核心收录：

学科分类：07[理学] 070302[理学-分析化学] 0703[理学-化学] 

基　　金：国家重点研发计划项目(2019YFE0103800)资助 

主　　题：微塑料 红外光谱 XGBoost PLS-DA 

摘      要：作为四大新兴污染物之一的“微塑料带来的危害日益凸显,微塑料的检测识别是其污染评估和风险管理防控的关键。以鱼粉饲料中的微塑料(包括PA、PE、PET、PP、PS、PVC)作为研究对象,运用XGBoost算法分别研究构建了近红外光谱和红外光谱定性识别模型。采用GridSearchCV工具包研究优化XGBoost模型的主要超参数,近红外光谱模型的超参数优化结果为n_estimators:300,learning_rate:0.08,gamma:0,max_depth:4,min_child_weight:1;红外光谱的超参数优化结果为n_estimators:100,learning_rate:0.02,gamma:0.20,max_depth:4,min_child_weight:1。基于优化后的超参数构建的近红外定性识别模型平均精确率(Precision)为0.985,平均召回率(Recall)为0.977,平均F1值(F1 score)为0.978,相比于优化前模型效果分别提升了40.17%,51.00%,50.00%;红外定性识别模型平均精确率(Precision)、平均召回率(Recall)和平均F1值(F1 score)均为1.000,优化后的模型效果分别提升了20.67%,27.50%,26.33%。进一步与PLS-DA模型对比分析发现,红外光谱的XGBoost模型与PLS-DA模型效果基本一致,近红外光谱的XGBoost模型各参数(Accuracy,Precision,Recall,F1 score)效果均不同程度地优于PLS-DA模型。综上所述,运用XGBoost算法可以有效识别鱼粉中不同种类的微塑料,该研究为鱼粉饲料中微塑料的快速检测识别方法提供理论支持和技术支撑。