基于二维相关荧光谱土壤中PAHs检测方法研究

传统荧光光谱技术已被用于土壤中多环芳烃(PAHs)的检测,但由于土壤体系的复杂性、PAHs污染物的多样化和微量化,传统的荧光光谱技术无法有效提取土壤中PAHs的特征信息。为了解决上述问题,提出并建立一种基于二维相关荧光谱土壤中多环芳烃的检测方法。以土壤中典型的多环芳烃蒽和菲为研究对象,配置38个蒽菲混合标准土壤样品(蒽和菲的浓度范围均为0.000 5～0.01 g·g-1),在激发波长265～340 nm,发射波长350～500 nm范围内采集了所有样品的三维荧光谱。以激发波长为外扰,对外扰变化的动态一维荧光谱进行相关计算,得到每一样品的同步二维相关荧光谱。研究了浓度均为0.005 g·g-1蒽菲混合土壤样品的三维荧光谱和同步二维相关荧光谱特性,在同步谱主对角线398,419,444和484 nm处存在自相关峰,其中,398和484 nm荧光峰来自土壤中的菲,419和444 nm荧光峰来自土壤中的蒽;在主对角线外侧,蒽和菲两组荧光峰之间存在负的交叉峰,进一步验证了其来源不同;同时,在(408,434) nm和(434,467) nm处出现交叉峰,其中408和434 nm荧光峰来自土壤中的菲,467 nm荧光峰来自土壤中的蒽。指出与三维荧光谱表征的信息相比,二维相关荧光谱不仅能提取更多的特征信息(408和467 nm的特征峰在三维荧光谱中未被表征),而且还能提供荧光峰之间的相互关系,对其来源进行有效解析。在上述研究二维相关荧光谱特性的基础上,基于同步相关谱矩阵(38×151×151)建立了定量分析土壤中蒽和菲污染物浓度的多维偏最小二乘(N-PLS)模型,对蒽的校正和预测相关系数分别为0.986和0.985,校正均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为4.33×10-4和5.55×10-4 g·g-1;对菲的校正和预测相关系数分别为0.981和0.984,RMSEC和RMSEP分别为5.20×10-4和4.80×10-4 g·g-1。为了比较,基于三维荧光光谱矩阵(38×16×151)建立了定量了分析土壤中蒽和菲的N-PLS模型,对蒽的校正和预测相关系数分别为0.981和0.972,RMSEC和RMSEP分别为5.09×10-4和6.74×10-4 g·g-1;对菲的校正和预测相关系数分别为0.957和0.956,RMSEC和RMSEP分别为7.36×10-4和7.77×10-4 g·g-1。指出,对于土壤中的蒽和菲检测,基于二维相关荧光谱的N-PLS模型的相关系数r,RMSEC和RMSEP都要优于基于三维荧光谱的N-PLS模型。研究结果表明：所提出和建立的方法-二维相关荧光谱直接检测土壤中PAHs污染物不仅可行,而且能提供更好的分析结果。该研究为激光诱导荧光结合相关谱技术现场直接检测土壤中多环芳烃污染物提供了理论和实验基础,具有较好的应用前景。     

基于二维相关荧光谱定量分析水中的PAHs

针对水环境中多环芳烃(PAHs)污染现状,提出并建立一种基于二维相关荧光谱水体中PAHs的检测方法。以菲和荧蒽为研究对象,配置36个蒽荧蒽混合水溶液样品(蒽和荧蒽的浓度范围均为1×10-4~1×10~(-6) g·L~(-1)),采集了所有样品的三维荧光光谱。以激发波长为外扰,构建同步二维相关荧光谱。在此基础上建立了定量分析水溶液中蒽和荧蒽浓度的多维偏最小二乘(N-PLS)模型,对蒽和荧蒽的预测均方根误差(RMSEP)分别为5.48×10~(-6) g·L~(-1)和6.25×10~(-6) g·L~(-1)。为了比较,基于常用的三维荧光谱建立了NPLS模型,对蒽和荧蒽的RMSEP分别为5.92×10~(-6) g·L~(-1)和7.33×10~(-6) g·L~(-1)。研究结果表明:基于二维相关荧光谱检测环境中PAHs污染物是可行。     

三维荧光光谱结合小波压缩与交替惩罚四线性分解算法测定多环芳烃

基于三维荧光光谱结合交替惩罚四线性分解(APQLD)对痕量多环芳烃(PAHs)进行检测,实验以苊(ANA)和萘(NAP)为研究对象。首先利用小波变换对得到的三维荧光光谱数据进行压缩,以消除数据的冗余信息。分别在乙醇溶剂、甲醇溶剂以及超纯水条件下测定不同浓度的PAHs的激发-发射荧光光谱,并将其组合构建四维数据,利用APQLD对构建的四维光谱数据进行分析,并对比了PAHs在三种溶剂条件下各自的回收率。实验结果表明,用不同溶剂构建的四维数据能更准确地测定PAHs的浓度,其回收率更高;对比二阶校正以及其他四维校正算法,APQLD更能体现四维算法所具有的优越性;当因子数N=3时,ANA的回收率为96.5%~103.3%,预测均方根误差为0.04 μg·L-1;NAP的回收率为93.3%~110.0%,预测均方根误差为0.08 μg·L-1。     

标准芳烃及其混合溶液的同步荧光光谱分析

为了提供区分标准芳烃的实验依据,并为环境中芳烃污染检测提供参考.对10个标准芳烃样品(萘、芴、蒽、菲、荧蒽、苊、芘、1,2-苯并[A]蒽、苯并[k]荧蒽、苯并菲)及其混合溶液(蒽、萘、芴混合溶液,苊、荧蒽、菲混合溶液和芘、1,2-苯并[A]蒽、苯并[k]荧蒽、苯并菲混合溶液)的同步荧光特性进行了分析,获得10种标准芳烃标志峰最好时对应的Δλ值及其标志峰位.在此基础上,通过同步荧光光谱分析区分了三种标准芳烃混合溶液的组分,实验发现对蒽、萘、芴混合溶液,Δλ=3nm时最易区分三种组分;对苊、荧蒽、菲混合溶液,Δλ=3nm或Δλ=10nm均可区分三种组分,相对而言,Δλ=10nm更简便些;对芘、1,2-苯并[A]蒽、苯并[k]荧蒽、苯并菲混合溶液,Δλ=5nm时是最好的,但也仅能区分芘、1,2-苯并[A]蒽、苯并[k]荧蒽三种组分,苯并菲不确定.     

标准芳烃及其混合溶液的同步荧光光谱分析

为了提供区分标准芳烃的实验依据,并为环境中芳烃污染检测提供参考.对10个标准芳烃样品(萘、芴、蒽、菲、荧蒽、苊、芘、1,2-苯并[A]蒽、苯并[k]荧蒽、苯并菲)及其混合溶液(蒽、萘、芴混合溶液,苊、荧蒽、菲混合溶液和芘、1,2-苯并[A]蒽、苯并[k]荧蒽、苯并菲混合溶液)的同步荧光特性进行了分析,获得10种标准芳烃标志峰最好时对应的Δλ值及其标志峰位.在此基础上,通过同步荧光光谱分析区分了三种标准芳烃混合溶液的组分,实验发现对蒽、萘、芴混合溶液,Δλ=3 nm时最易区分三种组分|对苊、荧蒽、菲混合溶液,Δλ=3 nm或Δλ=10 nm均可区分三种组分,相对而言,Δλ=10 nm更简便些|对芘、1,2-苯并[A]蒽、苯并[k]荧蒽、苯并菲混合溶液,Δλ=5 nm时是最好的,但也仅能区分芘、1,2-苯并[A]蒽、苯并[k]荧蒽三种组分,苯并菲不确定.     

基于三维荧光光谱结合小波压缩与APTLD对水中多环芳烃测定

基于三维荧光光谱结合小波压缩与交替惩罚三线性分解(APTLD)对水中多环芳烃(PAHs)进行定性和定量分析,实验以萘(NAP)、芴(FLU)、苊(ANA)为测量样品。首先用FS920荧光光谱仪测量获得样品的三维荧光光谱数据,对数据进行激发和发射校正且去散射,得到真实光谱。为了解决三维荧光光谱数据的冗余信息,通过小波变换对实验光谱数据进行压缩,其压缩分数和数据恢复分数分别大于92%和95%。用APTLD对压缩后的光谱数据进行分析,体现了二阶优势,实验结果表明,在PAHs的荧光光谱严重重叠和有干扰物共存下,该方法仍能准确地测定,其回收率为94%~98%、预测均方根误差小于0.29 μg·L-1。     

静水压力对蒽和多环芳烃二元混合物三维荧光光谱的影响

利用荧光分光光度计对处于常温、压力范围为0.1~60 MPa、浓度为10~(-6)mol·L~(-1)的蒽的三维荧光光谱及浓度比为1∶1的蒽-芴、蒽-萘、蒽-菲、蒽-苊、蒽-荧蒽的三维荧光光谱进行了测定,并通过分析不同压力下蒽的荧光峰位置和峰强度的变化来探讨压力对荧光光谱的影响。结果显示,随着压力升高,蒽的荧光峰并未发生漂移,但是荧光强度发生了显著变化。峰位置为250/382 nm的荧光峰在60 MPa时荧光强度达到最大值,相较于常压下,荧光强度增加了13.6%。其他多环芳烃的加入会改变蒽的高压荧光特性,当蒽中加入了萘,峰位置为250/382 nm的荧光峰强度在10 MPa时达到最大值,相较于常压下,荧光强度增加了9.35%。     

多环芳烃时间分辨荧光光谱特性研究

利用时间分辨荧光光谱技术,研究了菲、荧蒽、芴、蒽、芘等五种多环芳烃的荧光时间分辨发射光谱特性。以289 nm受激拉曼光作为激发光源,研究了289 nm激发光作用下五种多环芳烃的延时特性和门宽特性。并以多环芳烃随延时时间的荧光峰强度衰减关系曲线,得到菲、荧蒽、芴、芘的荧光寿命分别为37.0, 32.7, 10.9, 147.0 ns。不同荧光物质具有特定的荧光光谱特性,多环芳烃时间分辨荧光光谱特性的研究可以为复杂水体中不同种类多环芳烃的诊断提供依据。     

BP神经网络结合ATLD与三维荧光光谱法测量水中多环芳烃

多环芳烃(PAHs)是煤,石油,木材,烟草等燃料和有机高分子化合物等有机物不完全燃烧时产生的一种持久性有机污染物。迄今已发现有200多种PAHs,其中有多种PAHs具有致癌性。PAHs广泛分布于我们生活的环境中,水中的PAHs主要来源于生活污水,工业排水和大气沉降。使用三维荧光光谱法,结合BP神经网络与交替三线性分解(ATLD)算法对水中的PAHs进行定性和定量分析。以苊（ANA）和芴（FLU）2种PAHs为目标分析物,用甲醇（光谱级）制备样本。使用FS920稳态荧光光谱仪对样本进行检测,设置激发波长为200～370 nm,间隔10 nm记录一个数据;发射波长为240～390 nm,间隔2 nm记录一个数据。设置初始发射波长总是滞后激发波长40 nm,以消除一级瑞利散射的干扰。随后使用BP神经网络法对待测样本数据进行预处理。利用BP神经网络基于误差反向传播算法(error back propagation training,BP)原理,对测得的三维荧光数据进行数据压缩处理,该方法具有柔性的网络结构与很强的非线性映射能力,网络的输入层、隐含层和输出层的神经元个数可根据实际情况设定,并且网络的结构不同时,性能也有所差异。随后,用ATLD算法分解预处理后的三维荧光光谱数据。采用核一致诊断法确定待测样本的组分数为2。结果表明,ATLD算法分解得到两种PAHs(ANA和FLU)的激发、发射光谱图与目标光谱非常相似,能实现光谱重叠严重的PAHs(ANA和FLU)的快速定性和定量分析,实现了以“数学分离”代替“化学分离”。将预测样本导入训练好的BP神经网络中,得到处理后待测样本数据的网络均方差（MSE）均小于0.003,网络的峰值信噪比（PSNR）均大于120dB（数据压缩中典型的峰值信噪比值在30～40 dB之间,越高越好）,可见BP神经网络对样本数据的压缩效果较好。BP神经网络训练后,得到输出值与目标值之间的拟合度高,拟合系数达0.998,具有较好的数据压缩效果。使用ATLD算法对待测样本进行分解后得到平均回收率为97.1％和98.9％,预测均方根误差为0.081 8和0.098 5 μg·L-1。三维荧光光谱结合BP神经网络和ATLD能够实现痕量PAHs的快速检测。     

基于三维荧光光谱法和PARAFAC对多环芳烃定性定量分析

三维荧光光谱法在研究多环芳烃(PAHs)类物质的荧光信息时起到了重要作用。多环芳烃类物质具有致癌性,难降解性,多由尾气排放,垃圾焚烧产生,危害着人类健康及环境,因此人们不断探索对多环芳烃检测的方法。实验选取多环芳烃中的苊和萘作为检测物质,利用FLS920荧光光谱仪,为避免荧光光谱仪本身产生的瑞利散射影响,设置起始的发射波长滞后激发波长40 nm,设置扫描的激发波长(λex)范围为:200~370 nm,发射波长(λem)范围为:240~390 nm,对多环芳烃进行荧光扫描获取荧光数据,采用三维荧光光谱技术结合平行因子算法对混合溶液中的苊和萘进行定性定量分析。实验选用的苊和萘均购于阿拉丁试剂官网,配制浓度为10 mg·L-1的一级储备液,再将一级储备液稀释,得到苊和萘浓度为0.5,1,1.5,2,2.5,3,3.5,4和4.5 mg·L-1的二级储备液,并将苊和萘进行混合。在进行光谱分析前需要对苊和萘的光谱进行预处理,采用空白扣除法扣除拉曼散射的影响,并采用集合经验模态分解(EEMD)消除干扰噪声。实验测得苊存在两个波峰,位于λex=298 nm,λem=324/338 nm处,萘存在一个波峰,位于λex=280 nm,λem=322 nm处。选用的PARAFAC算法对组分数的的选择很敏感,因此采用核一致诊断法预估组分数,估计值2和3的核一致值都在60%以上,分别对混合样品进行了2因子和3因子的PARAFAC分解,将分解后得到的激发发射光谱数据和各组分浓度数据进行归一化处理,并绘制光谱图,与归一化处理后的真实的激发发射光谱图和各组分浓度图进行对比。同时将PARAFAC得到的混合样本的预测浓度,通过计算回收率(R)和均方根误差(RMSEP)来判定定量分析的准确度。选择2因子时,各混合样品中苊和萘拟合度为95.7%和96.7%,平均回收率分别为101.8%和98.9%,均方根误差分别为0.0187和0.0316;选择3因子时,各混合样品中苊和萘拟合度为95.3%和95.8%,平均回收率分别为97%和102.5%,均方根误差分别为0.033和0.116,由三项指标可得选用2因子进行定性定量分析的效果明显好于选用3因子。分析实验结果表明,基于三维荧光光谱法和PARAFAC算法对混合样品进行定性定量分析,能够有效的判定混合样品的类别,同时能够成功的预测出混合样品的浓度。     

三种多环芳烃混合溶液二维荧光相关谱解析

多环芳烃为优先控制污染物,但是由于其含量很低,多组分多环芳烃荧光峰相互重叠,所以常规荧光光谱法无法对其荧光峰进行有效解析。采用二维荧光相关分析方法对三种多环芳烃,蒽、菲和芘的混合溶液进行荧光峰解析。根据研究目标,按照三种多环芳烃浓度比的不同配制了三种混合物体系,共27个样本,每种体系的三种溶液浓度彼此间按规律递增和递减。在此基础上,以浓度为外扰,构建了各体系的同步和异步二维荧光相关谱。同步谱中,在425,402,381,373,365,393及347 nm处产生自相关峰。以未被覆盖的菲在347 nm处荧光峰为线索,通过其与各波长处荧光交叉峰的正负,判断出了402,381,425和452 nm处荧光峰源于混合溶液中的蒽; 373与393 nm处荧光峰源于混合溶液中的芘; 365,356及347 nm处荧光峰源于混合溶液中的菲。通过异步谱解析出菲的385 nm处荧光峰,证明了异步谱比同步谱具有更好的光谱分辨率。研究结果表明,采用二维荧光相关方法对光谱严重重叠的多组分多环芳烃的解析是可行的,并具有一定的优势,可推广到对环境中其他污染物质的检测。     

Selective determination of acenaphthene in mixtures of three-ring polycyclic aromatic hydrocarbons by fluorescence quenching in micellar medium of cetylpyridinium bromide

The interaction of acenaphthene, anthracene, and phenanthrene with cetylpyridinium bromide (CPB) was studied. The CPB acts as a quencher provoking inhibition of fluorescence intensity emitted by these hydrocarbons. The existing differences in the fluorescence inhibition for these PAHs allow us to develop a selective synchronous spectrofluorimetric method for the determination of acenaphthene in a CPB micellar medium, with a detection limit of 9.2 and 10.4 ng ml^-1 for Δλ = 10 and 40 nm, respectively. The method was applied to the selective determination of acenaphthene in mixtures of typical three-ring hydrocarbons, including anthracene, phenanthrene, and fluorene.     

基于三维荧光光谱的Krawtchouk图像矩算法在多环芳烃定量分析中的应用

以多环芳烃中的芴和苊为研究对象,提出一种将三维荧光光谱技术与Krawtchouk图像矩、广义回归神经网络相结合的定量分析的方法。利用FS920荧光光谱仪获取样品的三维荧光光谱数据,得到对应的三维光谱灰度图。直接计算三维光谱灰度图的Krawtchouk矩,将得到的Krawtchouk矩经平均影响值筛选后作为广义回归神经网络的输入,建立多环芳烃(PAHs)的定量模型。预测8组混合溶液的测试样本,芴和苊的平均相对误差分别为0.98%和2.15%。研究结果表明,Krawtchouk矩经过筛选后预测结果更为准确,该方法能够有效提取光谱的特征信息,简单、准确的预测PAHs的浓度。     

阿维菌素原药及制剂溶液的荧光光谱特征研究

针对农业生产中阿维菌素过度使用造成的农作物农药残留超标问题，利用JASCO FP8300荧光分光光度计对阿维菌素农药溶液进行荧光光谱检测，分析阿维菌素原药溶液及制剂溶液的荧光光谱特征，为实现阿维菌素的快速检测提供数据参考。实验首先通过分析原药溶液和两种来自不同生产厂家的制剂溶液的三维荧光光谱，对比荧光特征峰的位置异同，判断阿维菌素荧光特征峰的区域为Ex=250~290 nm，Em=280~320 nm，最佳激发波长为270 nm。接着，选定Ex=270 nm作为最佳激发波长对原药溶液及制剂溶液进行二维荧光光谱检测，得到相应的二维荧光光谱数据。根据光谱数据，分析阿维菌素荧光特征峰处荧光强度值随着溶液浓度变化的规律，将相关数据拟合，得出关于阿维菌素荧光特征峰值与对应溶液浓度值的预测模型。由数据分析结果得知，阿维菌素原药溶液在10～35 mg·L-1浓度范围内预测模型的R2为0.999，预测结果的均方根误差RMSE为0.359 mg·L-1；两种不同厂家生产的阿维菌素制剂溶液在10～35 mg·L-1浓度范围内预测模型的R2分别为0.935，0.985，预测结果的均方根误差RMSE分别为1.945和0.858 mg·L-1。实验表明，制剂中其他填充剂及助剂等成分不会造成制剂中阿维菌素有效成分的荧光效应失效，并且能够通过荧光强度值来反映阿维菌素的浓度，进一步验证了利用荧光光谱对阿维菌素含量进行检测的可行性。