基于高光谱图像的玉米种子特征提取与识别

玉米种子的形态特征是玉米品种识别的重要因素之一.采用高光谱成像系统获取9个品种共432粒玉米种子的高光谱反射图像,对图像进行校正和预处理,提取每个样本在563.6~911.4 nm共55个波段范围内的形状特征.分别利用单波段、多波段和全波段下的玉米种子形状特征结合偏最小二乘判别法进行模型分类.结果显示,全波段范围内训练集和测试集的平均正确识别率达到98.31%和93.98%,均优于多波段和单波段的正确识别率.研究表明,该方法能充分利用高光谱图像中可见光和近红外区域的有效特征信息,较准确地鉴别玉米品种,为玉米品种的自动识别领域提供了一种新方法.     

基于高光谱图像的玉米种子特征提取与识别

玉米种子的形态特征是玉米品种识别的重要因素之一.采用高光谱成像系统获取9个品种共432粒玉米种子的高光谱反射图像,对图像进行校正和预处理,提取每个样本在563.6～911.4nm共55个波段范围内的形状特征.分别利用单波段、多波段和全波段下的玉米种子形状特征结合偏最小二乘判别法进行模型分类.结果显示,全波段范围内训练集和测试集的平均正确识别率达到98.31%和93.98%,均优于多波段和单波段的正确识别率.研究表明,该方法能充分利用高光谱图像中可见光和近红外区域的有效特征信息,较准确地鉴别玉米品种,为玉米品种的自动识别领域提供了一种新方法.     

高光谱成像技术检测玉米种子成熟度

成熟度是影响种子活力的重要因素之一,是种子质量的重要指标。种子分级时将成熟种子和未成熟种子区分开来可提高种子批活力,使种子批活力具有一致性。采用400~1 000 nm波段范围的高光谱成像技术研究成熟和未成熟玉米种子,找出二者区分度最高的特征波段图像,通过图像处理方法进行种子分类。选用主成分分析(PCA)法分析高光谱图像,分析差异最明显的PC2主成分图像的各波段权重系数并提取出特征波段(501 nm)。从70粒成熟度较低玉米种子样本高光谱图像上选取成熟和未成熟两类感兴趣区域,采用偏最小二乘回归(PLSR)法分析两类感兴趣区域的平均光谱,选取与成熟度相关的敏感波段(518 nm)。采用波段比运算并结合KW检验,分析两类感兴趣区域的平均光谱,找出差异最大的最优波段比(640 nm/525 nm)。以864粒玉米种子为研究对象,提取特征波段对应的单波段图像和最优波段比对应的波段比图像,采用图像处理技术分析图像并判别。结果表明：采用单波段灰度图像分割容易将玉米种子冠部的浅色部分误识别为种子成熟度较低的区域,识别准确率低;而采用640 nm/525 nm的波段比图像可以减轻这种不利影响,平均正确识别率为93.9%。该方法可以有效识别未成熟的玉米种子,为进一步开发在线分级装备提供了依据。     

基于高光谱成像和判别分析的黄瓜病害识别

利用光谱成像技术(400～720 nm)识别黄瓜白粉病、角斑病、霜霉病、褐斑病和无病区域。构建高光谱图像采集系统进行样本图像的采集,预处理和光谱信息的提取。由于获得的原始光谱数据量很大,为了减少后续运算量,提高准确率,采用逐步判别分析和典型判别分析两种方法进行降维。逐步判别从55个波段中选择12个波段,典型判别从55个波段中提取2个典型变量。利用选择的光谱特征参数建立病害识别模型。逐步判别构建的模型对训练样本和测试样本的判别准确率分别为100%和94%,典型判别构建的模型对训练样本和测试样本的判别准确率均为100%。说明利用高光谱成像技术可以进行黄瓜病害的快速、准确识别,并为实现可见光谱范围内黄瓜病害的田间实时在线检测提供了可能。     

基于高光谱成像技术的鲜枣裂纹的识别研究

裂纹是衡量鲜枣品质的重要指标之一,果皮裂纹加速鲜枣的腐烂,导致鲜枣货架期的缩短,严重降低鲜枣的经济价值。采用高光谱成像技术在380～1 030 nm波段范围内对鲜枣裂纹的位置及大小信息特征进行快速识别。选用偏最小二乘回归(PLSR)、连续投影法(SPA)和全波段图像主成分分析(PCA),得到鲜枣裂纹相关的敏感波段。然后利用选取的鲜枣裂纹的敏感波段对建模集的132个样本建立最小二乘支持向量机(LS-SVM)判别模型,并对预测集的44个样本进行判别。对PLSR-LS-SVM,SPA-LS-SVM和PCA-LS-SVM判别模型采用ROC曲线进行评判,得出PLSR-LS-SVM模型对鲜枣裂纹定性判别的结果(area=1,std=0)最佳。选取PLSR回归系数挑选出的5条鲜枣裂纹敏感波段(467,544,639,673和682 nm)对应的单波段图像进行主成分分析,其中将主成分PC4的图像结合图像处理技术,最终识别出鲜枣裂纹的位置、大小信息。结果表明,采用高光谱成像技术结合光谱图像处理可以实现鲜枣裂纹定性判别和定量识别的研究,为进一步开发相关仪器的研究提供理论方法和依据。     

基于高光谱成像技术的山楂损伤和虫害缺陷识别研究

采用高光谱成像技术（420～1 000 nm）对山楂的缺陷（表面的损伤以及虫害区域）进行识别研究。共采摘了134个样品,包含损伤果46个、虫害果30个、损伤及虫害果10个和完好果48个。考虑到山楂的花萼、果梗与损伤、虫害的RGB图像有相似的外观特征,容易造成误判,利用高光谱成像系统采集了损伤、虫害、完好、花萼和果梗五个区域一共230个山楂样本的高光谱图像,并提取相应的感兴趣区域（region of interest, ROI）,得到了样本的光谱数据。使用标准归一化（standard normalized variate, SNV）,卷积平滑（savitzky golay, SG）,中值滤波（median filter, MF）,多元散射校正（multiplicative scatter correction, MSC）方法进行光谱预处理,建立偏最小二乘（partial least squares method, PLS）判别分析模型,结果表明经过SNV预处理后的预测结果较好。最后选取SNV作为预处理方法。应用回归系数法（regression coefficients, RCs）从全波段中提取10条特征波段（483,563,645,671,686,722,777,819,837和942 nm）,利用Kennard-Stone算法将各类样本按照3:1的比例随机分成训练集（173个）和测试集（57个）,并对其建立最小二乘支持向量机（least squares-support vector machine, LS-SVM）判别模型,山楂缺陷的正确识别率为91.23%。然后,运用主成分分析（principal componentanalysis, PCA）进行10条敏感波段下单波段图像的数据压缩,分别采用“sobel”算子和区域生长算法“Regiongrow”识别出86个缺陷山楂样本的边缘与缺陷特征区域,得出单损伤、单虫害和损伤及虫害样本的识别率分别为95.65%,86.67%和100%。研究结果表明：采用高光谱成像技术可以对山楂的损伤、虫害、花萼和果梗进行定性分析和特征识别,该研究为山楂的缺陷无损检测提供了理论参考。     

油菜光谱的多重分形分析及叶绿素诊断建模

作物信息科学的重要内容是如何利用作物的信息对其进行无损营养诊断,光谱分析是一种有效可行的途径。对于油菜而言,冠层光谱的特征是描述其营养状况的重要指标。但由于原始光谱总是受到一些如环境、气候等外在因素的影响,其巨大的波动导致难以直接用于油菜生物量的诊断。然而,光谱的多重分形特征将保持相对稳定。为研究油菜冠层光谱与叶绿素含量的关系,基于多重分形理论,提出了基于油菜冠层光谱特征的叶绿素定量预测模型和定性识别模型。以24个移栽种植小区和24个直播种植小区的高油酸油菜苗期样本为试验对象。首先,利用流行的多重分形去趋势波动分析提取了6个不同波段范围内光谱的广义Hurst指数和质量指数及其他相关的特征参数,发现它们都呈现典型的多重分形特性。但两种不同种植方式下的光谱特征也存在差异。接着,通过多重分形特征参数与SPAD值的相关分析发现不同波段的光谱所含的有效信息不同。以多重分形特征参数建立单变量油菜叶片SPAD值预测模型,移栽方式、直播方式及混合样本的预测模型相对均方根误差均小于5%。最后,以多重分形特征组合建立识别模型,以Fisher线性判别法识别移栽和直播两种种植方式的最大约登指数为0.902 5,对应最敏感波段为350~1 350 nm。这项有意义的工作为预测油菜叶绿素提供了理论基础和实践方法,也为寻找敏感波段进行识别诊断提供了有效的途径。     

基于高光谱技术融合图像信息的脱绒棉种品种分类检测研究

开展种子品种的识别研究是保证种子质量的重要手段。利用高光谱图像技术融合图像特征信息对脱绒棉种的品种进行判别分析。采集4个品种共240粒脱绒棉种样本的高光谱图像数据(400～1 000 nm),提取样本的光谱信息及长、宽、面积、圆形度、等12个形态特征。采用连续投影算法(SPA)选出11个特征波段作为输入结合偏最小二乘判别分析法(PLS-DA)、软独立模式识别法(SIMCA)、最邻近节点算法(KNN)、主成分分析结合线性判别(PCA-LDA)及二次判别(PCA-QDA)进行建模分析,得出PLS-DA建模集和预测集的总体识别率分别为93%和90%。利用图像信息进行建模分析,模型整体的识别率均不高,说明单独使用高光谱图像的形态特征进行分类效果不佳。将特征波段的光谱和形态特征信息进行融合作为输入,建立基于PLS-DA,SIMCA,KNN,PCA-LDA及PCA-QDA的信息融合模型,其精度均比基于光谱或形态信息模型高,其中PLS-DA模型识别效果最好,建模集和预测集总体识别率分别为98%和97%。表明融合高光谱图像的光谱与图像信息可以在少量波段情况下有效的提高脱绒棉种品种的分类检测精度。     

基于高光谱图像和判别分析的草地早熟禾品种识别研究

利用高光谱成像技术(550～1 000nm),采集了6个草地早熟禾品种新鲜叶片的高光谱图像,提取了叶片的光谱信息,运用Wilks’Lambda逐步判别分析法,从94个波段中选择了9个特征波段,根据特征波段的光谱信息,采用Fisher线性判别法,构建草地早熟禾品种的判别分析模型。结果表明,选择3个、6个和9个波段组合,对120个训练样本的识别正确率分别为98.3%,100%和100%,对60个测试样本的识别正确率分别为83.3%,96.7%和100%,说明以9个特征波段的光谱信息构建的草地早熟禾品种判别模型是合适的,利用高光谱成像技术结合判别分析法,为快速识别草地早熟禾品种提供了一种新的方法。     

基于成像光谱技术的作物杂草识别研究

杂草识别是变量喷雾和物理方法精确除草的前提。利用自主设计的地面成像光谱系统在自然环境下获取了胡萝卜幼苗以及马齿苋、牛筋草和地锦等杂草在380～760 nm波长区间的高光谱数据,通过对数据归一化消除光照条件的影响之后,运用逐步法进行波段选择,采用Fisher线性判别方法对杂草与胡萝卜幼苗进行了识别。结果表明,当把每种杂草都作为一类加以精细区分时,运用选择的8个波段建立模型对杂草和胡萝卜幼苗的识别率达85%左右;当把杂草整体作为一类与胡萝卜幼苗进行区分时,运用选择的7个波段识别率高于91%。同时为了设计低成本的杂草识别系统,通过穷举法选择最优的2和3波段组合,其中最优3波段组合对杂草胡萝卜幼苗的识别能力与逐步法选择的5个波段相当,整体识别率达89%。此外发现,红边波段对杂草有着显著的识别能力。     

不同微肥处理下油菜产量与高光谱反射率关系分析

油菜是我国第一大国产植物油来源,大田生产中需要施加适量的微肥以提高产量和品质。筛选出一种可提高油菜产量的微肥配方需要经过复杂的大田统计和产量测定,因此构建出能快速筛选微肥的模型十分重要。以高油酸油菜“帆鸣1号”为试验材料,使用地物波谱仪测定了不同微肥条件下全生育期的光谱反射率,并用乙醇提取法准确测定叶绿素含量。将光谱反射率、叶绿素含量和最终产量性状两两间进行相关性分析。产量测定表明,施加微肥可以提高油菜产量和蕾薹期时叶绿素的含量,使单株产量最高提高2%。光谱参数与叶绿素相关性分析表明,蕾薹期时叶绿素含量与光谱参数550和720 nm相关性较高,表明蕾薹期光谱参数可用于预测产量进而筛选出能提高油菜产量的微肥。叶绿素含量和产量相关性分析表明,蕾薹期时,叶绿素含量与产量相关性较高。光谱参数与产量相关分析表明,550和720 nm的光谱反射率与产量之间均呈显著负相关性。光谱参数与产量相关分析表明,550和720 nm的反射率与产量之间均呈显著负相关性。综合分析施肥量、光谱参数、产量和叶绿素变化可知,蕾薹时光谱参数550和720 nm与产量相关系数模拟的线性方程可用于微肥的筛选,线性方程分别为y=-32.362x+33.097,y=4.069 5x+35.386,y=28.849x+23.735,y=-19.023x+31.005,y=12.447x+24.586,R2均大于0.6。综合分析施肥量、光谱参数、产量和叶绿素变化,油菜生长至蕾薹期时光谱参数550和720 nm与产量相关系数模拟的线性方程R2≥0.6时的微肥配比可以使产量提升。本研究结果表明,蕾薹期光谱参数可用于预测产量进而筛选出能提高油菜产量的微肥,可增加样本量进一步检测相关性并开展后续验证。鉴于地物波谱检测技术具有过程高效,不使用化学试剂,无需对样本进行破坏性取样,成本低,该模型的建立对开展大规模高油酸油菜微肥配方的快速筛选具有重要意义,为筛选油菜微肥和促进油菜产量研究提供了理论基础。     

基于比值导数法的棉花蚜害无人机成像光谱监测模型研究

蚜虫是棉花的主要害虫之一,我国棉花产量每年因蚜虫危害造成的损失高达5%～10%。田块尺度的棉花蚜害空间分布监测可以辅助精准定量施药,减少环境污染。利用无人机搭载成像光谱仪获取的“图谱合一”的遥感数据因其具有分辨率高、时效性高、成本低等优势,可为作物病虫害监测提供了重要数据源。比值导数法模型简洁,运行效率高,结果精确,可以有效的应用于遥感反射率光谱解混处理,提取对目标信息较为敏感的波段,为构建虫害监测模型提供了有效的手段。因此本研究选择棉花典型生产区新疆库尔勒地区为实验区,开展以下工作: （1）以低空无人机搭载成像光谱仪获取棉花蕾期冠层成像光谱影像,结合地面调查数据,获取76个样点光谱数据及蚜害严重度(包含健康植株16个,蚜害严重度1～4级每级选取15个);(2)分析不同蚜害严重度棉花冠层光谱的特征,并利用比值导数法筛选出对蚜害胁迫敏感的光谱波段,分别为514,566和698 nm波段; (3)构建基于三个敏感波段的光谱反射率、比值导数光谱值的一元线性回归和偏最小二乘法的蚜害严重度估测模型。结果表明：(1)蚜害对棉花冠层的光谱反射率有显著影响。棉株受蚜害胁迫越严重,其在可见光区域的反射率越高,近红外波段反射率越低,发生红边区域“蓝移”;（2）比值导数法可有效提取蚜害棉花冠层光谱敏感波段,所筛选的514,566和698 nm三个波段与相关系数法所筛选的敏感波段一致;(3)利用敏感波段比值导数光谱值所构建的蚜害严重度估测模型精度优于敏感波段光谱反射率所构建的模型, 其中698 nm波段构建的模型精度最佳（R2=0.597, RMSE=0.91）; (4)三个敏感波段的比值导数光谱值所构建的偏最小二乘多元回归模型精度优于单个波段比值导数光谱值所构建的模型（R2=0.612, RMSE=0.89）;(5)基于比值导数法的棉花蚜害无人机成像光谱监测模型可以获取田块尺度的不同严重度蚜害空间分布图,对于精准定量施药有重要的指示意义。     

红色荧光粉Na_zCa_(1-x-2y-z)Bi_yMoO_4∶Eu_(x+y)~(3+)发光研究

采用高温固相法制备系列红色荧光粉NazCa1-x-2y-zBiyMoO4∶Eux3++y(y,z=0,x=0.24,0.26,0.30,0.34,0.38;x=0.30,y=0.01,0.02,0.03,0.04,0.05,0.06,0.07,z=0;x=0.30,y=0.04,z=0.38)。用X射线粉末衍射(XRD)法测试了所制样品晶相结构。采用荧光光谱仪对样品的发光性能进行了表征,结果表明:当Eu3+单掺杂量浓度x=0.30时,荧光粉(Ca0.70MoO4∶Eu03.+30)的发光强度最强;当Eu3+-Bi3+共掺杂量浓度y=0.03时,电荷迁移带(CTB)强度达到最强,而对于Eu3+特征发射峰,当共掺杂浓度y<0.03时,位于393 nm处的激发峰强度比464 nm强,共掺浓度y>0.03时,464 nm峰比393 nm峰强,共掺浓度为y=0.04时,393和464 nm处两峰位置强度都达到最强。作为电荷补尝剂的Na2CO3掺入上述荧光粉中后,荧光粉激发和发射强度明显地增强。结果表明,通过调节Bi3+/Eu3+掺杂比例可以改变位于近紫外光393 nm和蓝光区464 nm处激发光相对强度。     

小麦叶片胁迫状态下的高光谱图像特征分析研究

作物在遭受各种胁迫下的长势及健康诊断是精细农业操作的重要环节.高光谱成像技术具有图谱合一的优势,已成为近年来国内外研究的热点.本文以叶片尺度的小麦为研究对象,利用自主研发的成像光谱仪,采集遭受养分、病虫害胁迫的小麦叶片高光谱图像,利用逐像素平均法增强光谱特征,根据反射率差异进行分析研究.结果表明,提取的高光谱能够反映不...     

在滞尘影响下的植被叶片光谱变化特征研究

为建立以高光谱数据为基础的叶片滞尘质量反演模型,沿北京市区采集了30个大叶黄杨叶片样本。利用电子分析天平和光谱仪(analytical spectral devices ASD FieldSpec Pro)测定“除尘前”与“除尘后”叶片质量及光谱反射率曲线,以获取叶片尘埃量、光谱信息等数据。随后以传统意义和偏最小二乘(PLS)回归模型为基础,以探究空气尘埃量与光谱曲线之间可能存在的关系,阐述了叶片尺度上尘埃量对植物光谱特征的影响。结果为：除尘前后叶片光谱曲线在350～700, 780～1 300, 1 900～2 500 nm波段区间内有较大差异,同时尘埃量与叶片单波段光谱反射率比值呈负相关,相关度最大值点为737波段,属于近红外波段,相关系数可达-0.8左右。在尘埃量与叶片光谱多波段组合关系研究中得到,948和945波段构成的NDVI指数与尘埃量的相关度最大,相关系数可达0.76。在叶片滞尘量反演研究中,对比传统意义滞尘量回归模型,引进的偏最小二乘算法(PLS)可使叶片滞尘量反演精度略有提高,最后由回归模型精度评定可得偏最小二乘法反演效果较传统回归好。     

高光谱成像的水稻稻瘟病早期分级检测

稻瘟病是世界公认的水稻重大病害之一。实现稻瘟病害的早期分级检测,对水稻病害早期防治及精准用药具有重要意义。以大田自然发病水稻为研究对象,采集稻瘟病发病早期染病叶片和健康叶片,获取所有叶片样本在400~1 000 nm波段内的高光谱图像并提取光谱数据。水稻在染病之初不会立刻出现病斑,无法识别采集到的无斑叶片是否染病。为实现对自然染病叶片早期无病斑状态的识别,提出取染病叶片贴近病斑的非病斑区域高光谱数据作为染病等级中的1级样本进行检测分析。按照病斑面积将样本划分为4个等级：健康叶片为0级（109片）、染病无病斑为1级（116片）、病斑面积小于10%为2级（107片）、病斑面积小于25%为3级（101片）。运用主成分分析（PCA）和竞争性自适应重加权（CARS）算法进行特征变量选取,CARS提取的特征波段较多,利用PCA算法对其进一步降维。分别以全谱数据、PCA提取的4个、8个、CARS选择的21个、CARS-PCA提取的6个特征变量为输入,建立水稻稻瘟病早期高光谱支持向量机（SVM）、PCA4-SVM、PCA8-SVM、CARS-SVM和CARS-PCA-SVM检测模型。结果显示,所有模型对各级样本的检测准确率均较高,其中,对1级样本的检测准确率与其他级别相当,识别效果较好;所有模型的样本总体准确率均大于94.6%,CARS-SVM模型的总体准确率最高为97.29%,CARS-PCA-SVM模型为96.61%略低于CARS-SVM模型,但其输入变量仅为6个,较CARS-SVM的21个减少71.43%,模型更为简洁、更利于提高检测速度。因此,综合评价CARS-PCA-SVM模型最优,各级准确率分别为97.30%,94.87%,94.29%和100.00%。结果表明,所建模型检测准确度较高,可以实现对大田自然发病的稻瘟病早期分级检测,为稻瘟病染病之初无病斑叶片的检测提供新思路,为水稻稻瘟病早期防治、精准施药及检测仪器开发提供理论依据。     

近红外光谱的玉米种子穗腐病特征提取与判别模型研究

玉米种子穗腐病是危害玉米产量的主要病害之一。利用近红外光谱开展了玉米种子穗腐病判别模型研究。246粒玉米种子由吉林省农业科学院海南育种基地提供,其中96粒玉米种子为穗腐病染病样本,其他150粒玉米种子为同种玉米正常样本。利用MATRIX-Ⅰ型傅里叶近红外光谱仪采集了样本800～2 500 nm范围的近红外光谱信息,并对样本近红外光谱数据利用多元散射校正（MSC）进行预处理。结合玉米内部有机物质的近红外光谱的敏感波段和样本近红外光谱吸收峰挑选了4个优选区间,并采用相关系数法(CA)、连续投影算法（SPA）和竞争性自适应重加权算法（CARS）三种不同原理的特征波长提取算法分别提取了4（1 362,1 760,2 143和2 311 nm）、5（1 227,1 310,1 382,1 450和1 728 nm）和10（1 232,1 233,1 257,1 279,1 313,1 688,1 703,1 705,2 302和2 323 nm）个特征波长。以提取得到的特征波长作为玉米种子穗腐病判别模型输入变量,用0-1（染病-正常）表示样本染病状况作为输出真实值建立支持向量机（SVM）模型,使用网格搜索法结合十折交叉验证法对模型参数进行优化。结果表明,CA-SVM,SPA-SVM和CARS-SVM三种判别模型中训练集和测试集建模准确率均在90%以上。该研究成果为玉米种子病害诊断装置提供了模型基础,且针对优选区间进行特征波长选择的方式也可以为建立其他种子病害判别模型提供参考。     

基于拉曼光谱技术鉴别新陈大米的方法研究

基于拉曼光谱检测技术结合化学判别方法,建立新陈大米拉曼光谱判别模型;建立适当的样品预处理方法,确保样品制备的均一性,使用拉曼光谱仪对新陈大米共计60组样品进行检测,在785 nm波长激光激发下,获取样品200～2 400 cm-1的拉曼光谱信息;对原始拉曼光谱进行基线校正、平滑、滤波等处理。利用主成分分析法（PCA）对拉曼光谱进行降维处理及粗分类鉴别;基于偏最小二乘分析法（PLS）,建立新陈大米快速鉴别模型,该模型对建模训练集鉴别正确率为100%,模型验证集鉴别正确率为95%。结果表明：该模型判断新陈大米是可行的,为大米新陈度的快速判别提供了一种新的方法。     

Humidity-induced spectral shift in a cross-dispersion echelle spectrometer and its theoretical investigation

The relationship between ambient relative humidity H and the position shift of a spectral line was in-vestigated both experimentally and theoretically. An echelle-based ICP emission spectrometer equipped with a CID detector was used for experimental verification of the derived model. The shift of a spectral line is quanti-tatively described by two defined spectral shift functions. △λx (x,λ, H) (in the x direction of the CID detec-tor) and △λy(y, λ, H) (in the y direction of the CID detector). Experimental results indicate that △λx(x, λ, H) does not change with a variation in ambient relative humidity, but △λy(y, λ, H) does. A spectral shift e-quation, i.e. an empirical second-order polynomial equation, can be used to describe the relationship between △λy(y, λ, H) and H. Based on the classical dipole model, classical mechanics and electrodynamics the empiri-cal spectral-shift equation involving △λx(y, λ, H) and H was theoretically deduced. The theoretical result is in good agreement with the experimental findings. The theoretical results indicate that the coefficients of the em-pirical spectral-shift equation are related to the basic physical parameters of materials and the geometric config-uration of the echelle CID ICP-AES, and also provide physical meaning to the coefficients of the empirical shift equation obtained experimentally.     

油菜秸秆对水溶液中Pb(Ⅱ)吸附条件优化与机理的研究

探究油菜秸秆髓芯、外壳、籽荚对水溶液中Pb(Ⅱ)的吸附能力及其吸附机理。以水溶液中Pb(Ⅱ)最大去除率为评价指标,采用响应面法Box-Behnken Design实验来分析溶液pH、Pb(Ⅱ)初始浓度、粒径大小、油菜秸秆各部位投加量和时间因素对油菜秸秆吸附Pb(Ⅱ)的影响程度并建立多元回归模型,优化出最佳吸附条件参数组合;应用吸附动力学、等温吸附线模型来拟合油菜秸秆各部位对Pb(Ⅱ)吸附过程,评价其吸附行为;用红外光谱对吸附水溶液中Pb(Ⅱ)前后的油菜秸秆髓芯、外壳、籽荚进行表征,探讨其基团变化情况。结果表明： 水溶液pH与油菜秸秆髓芯、外壳、籽荚的投加量两个因素是影响油菜秸秆对水溶液中Pb(Ⅱ)去除的关键因素。模型回归决定系数分别是R2_髓芯=0.9664,R2_外壳=0.970 1,R2_籽荚=0.964 9,方程拟合较好,模型可用。油菜秸秆髓芯、外壳、籽荚对Pb(Ⅱ)的吸附行为符合二阶动力学方程与Langmuir等温线模型,对水溶液中Pb(Ⅱ)最大吸附量分别为135.14,78.74和90.09 mg·g-1。通过比较油菜秸秆髓芯、外壳、籽荚吸附水溶液中Pb(Ⅱ)前后红外光谱图发现,油菜秸秆各部位基团(羟基、羧基、酰胺等基团)发生了峰波数位移、强度降低的变化,提示这些基团在吸附水溶液Pb(Ⅱ)过程中发挥重要作用。