Diese Studie verwendet die Nahinfrarot-(NIR)-Technologie in Kombination mit leichtgewichtiger Gradientenerhöhung (LightGBM), um den Gehalt an Phenanthren (Phe) und Fluoranthen (Flt) in ölhaltigem Schlamm vorherzusagen. Zunächst wurden die Modellparameter optimiert, dann wurden die Nahinfrarot-Spektraldaten der Proben vorverarbeitet und spektrale Merkmalsvariablen durch den konkurrierenden adaptiven Neugewichtungsalgorithmus (CARS), gegenseitige Information (MI) und den Wal-Optimierungsalgorithmus (WOA) ausgewählt. Mit den optimalen Eingangsvariablen wurde ein Modell aufgebaut, und schließlich wurde LightGBM mit partiellen kleinsten Quadraten (PLS), Random Forest (RF) und Support Vector Machine (SVM) verglichen. Die Ergebnisse zeigen, dass für Phenanthren das auf Nor-SG-WOA-LightGBM basierende Modell am besten ist, mit Bestimmtheitsmaß der Vorhersage (R²_p) und Wurzel des mittleren quadratischen Vorhersagefehlers (RMSE_p) von 0,9952 bzw. 0,2426 mg/g; für Fluoranthen ist das auf SNV-SG-CARS-LightGBM basierende Modell am besten, mit R²_p und RMSE_p von 0,9951 bzw. 0,2452 mg/g. Diese Methode bietet eine technische Referenz für die Analyse von polyzyklischen aromatischen Kohlenwasserstoffen (PAHs) in ölhaltigem Schlamm.

Nahinfrarotspektroskopie;leichtgewichtiger Gradient Boosting;ölhaltiger Schlamm;polyzyklische aromatische Kohlenwasserstoffe