1.基于透射光谱和PLS‑Elman神经网络的水体亚硝酸盐含量估算方法，其特征在于，包括以下步骤：

1)采集亚硝酸盐标液200‑1030nm范围内的高光谱透射率数据，对数据进行白板校正；

2)对每一组数据进行平滑处理以及预处理；

3)采用偏最小二乘回归系数法(PLS：Partial least squares regression)提取不同预处理结果数据的特征波段，建立PLS‑Elman神经网络组合模型；

4)进行PLS‑Elman神经网络特征模型的训练；

6)对训练好的PLS‑Elman神经网络，通过调试参数进行优化；

7)对优化好的PLS‑Elman神经网络模型，选用测试数据对各模型进行精度检验和对比，最终，利用优化后的模型预测水体亚硝酸盐含量。

2.根据权利要求1所述的基于透射光谱和PLS‑Elman神经网络的水体亚硝酸盐含量估算方法，其特征在于，步骤1)中采用微型光纤光谱仪相同时间间隔重复采集水体的透射光谱数据。

3.根据权利要求1所述的基于透射光谱和PLS‑Elman神经网络的水体亚硝酸盐含量估算方法，其特征在于，步骤2)中选用的是局部回归lowess平滑滤波方法进行平滑处理；可选用双向二阶导数预处理、多元散射校正预处理或标准正态变量变换预处理方法进行对透射光谱数据进行预处理。

4.根据权利要求1所述的基于透射光谱和PLS‑Elman神经网络的水体亚硝酸盐含量估算方法，其特征在于，步骤4)使用训练集数据作为Elman神经网络的输入，完成一次训练；在训练过程中采用信号前向传播、误差反向传播方式，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。

5.根据权利要求1所述的基于透射光谱和PLS‑Elman神经网络的水体亚硝酸盐含量估算方法，其特征在于，步骤4)中建立Elman神经网络模型；构建Elman神经网络模型包括输入层、隐含层、承接层、输出层；Elman神经网络算法是采用BP算法进行权值修正，学习指标函数采用误差平方和公式：

式中 为目标输出向量。

6.根据权利要求5所述的基于透射光谱和PLS‑Elman神经网络的水体亚硝酸盐含量估算方法，其特征在于，步骤4)中，针对Elman输出层，计算决定系数以及均方根误差用来判定结果。

7.根据权利要求1所述的基于透射光谱和PLS‑Elman神经网络的水体亚硝酸盐含量估算方法，其特征在于，步骤5)中，关键参数设置如下：隐含层节点数为8，最大迭代参数为

10000，迭代目标误差值为0.001，学习率为0.01，动量因子为0.8。

8.根据权利要求1所述的基于透射光谱和PLS‑Elman神经网络的水体亚硝酸盐含量估算方法，其特征在于，步骤6)中，采用预处理后的特征波段进行PLS‑Elman神经网络模型的构建。

9.根据权利要求1所述的基于透射光谱和PLS‑Elman神经网络的水体亚硝酸盐含量估算方法，其特征在于，步骤6)中，针对训练好的Elman神经网络模型，采用均方最小误差评估方法，以测试集数据为标准，通过固定一种参数改变另外一个参数来进行优化，精度越大，预测效果越好。