基于特征波段的高光谱技术检测水体中毒死蜱浓度的实验研究

为了探究反射光谱检测水体中毒死蜱农药的可行性,使用由ASD公司的FieldSpecPro地物波谱仪构成的高光谱采集系统在室内、室外环境获取两种不同浓度区间的毒死蜱样品的光谱数据。基于偏最小二乘(PLS)和主成分分析(PCA)算法分别对毒死蜱样品光谱数据建立全波段定量模型,结果两种模型的预测能力均较高。通过相关性分析(CA)计算相关系数来选择毒死蜱样品光谱的特征波长,其中浓度区间为5~75 mg·L-1的室内、室外实验光谱的特征波长为388,1 080,1 276 nm和356,1 322,1 693 nm,浓度区间为0.1~100 mg·L-1的室内外实验样品光谱的特征波长为367,1 070,1 276,1 708 nm和383,1 081,1 250,1 663 nm。结合PLS算法建立样品特征波长光谱数据的定量模型,结果与全波段模型相比,浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波长模型的校正集决定系数R2_C分别提高至0.987 5和0.999 2,预测集决定系数R2_P分别提高至0.989 4和0.994 4,校正集均方根误差RMSEC分别降低为2.841和0.714,预测集均方根误差RMSEP分别降低为1.715和1.244;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波长PLS模型的校正集决定系数R2_C分别提高至0.998 3和0.998 8,预测集决定系数R2_P分别提高至0.998 4和0.999 0,校正集均方根误差RMSEC分别降低为1.383和1.186,预测集均方根误差RMSEP分别降低为1.510和1.229,验证集标准差与预测均方根误差的比值(RPD)有所增加,尤其是针对浓度区间为0.1~100 mg·L-1的实验,RPD值显著增加至21.7,说明基于特征波长建立的毒死蜱样品定量模型具有较高精度的预测能力,但是通过不同浓度区间范围的对比实验发现,ASD地物光谱仪对低浓度的毒死蜱溶液预测的相对误差偏大,存在客观上的检测下限。为了保证不同试验条件下的毒死蜱农药的特征波长都得到分析,增强模型使用的普适性与鲁棒性,根据特征波长选择出4个波段,即351~393,1 065~1 086,1 245~1 281和1 658~1 713 nm作为特征波段。特征波段模型的波长变量个数共38个,相比于全波段模型的432个波长变量,模型变量精简了91.2%,其中浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波段模型的R2_C分别为0.993 7和0.987 8,R2_P分别为0.979 8和0.998 2,RMSEC分别为1.690和2.516,RMSEP分别为1.987和0.659;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波段PLS模型的R2_C分别为0.9882和0.9807,R2_P分别为0.9391和0.9936,RMSEC分别为3.345和3.942,RMSEP分别为8.996和2.663,且四种实验情况下的模型RPD值均大于2.5,满足定量分析条件。因此采用高光谱采集系统对室内和室外环境中毒死蜱农药的快速检测具有一定的可行性,此研究结果对有机磷农药等面源污染物快速检测有实际的应用价值,可为农田水体有机磷农药快速检测仪器的开发提供理论基础。     

荧光光谱法检测水质COD时温度、浊度、pH的影响分析

以COD标准液为研究对象,基于特定激发波长下的荧光发射光谱数据,采用化学计量学算法对水质COD进行了检测,分析了水的温度、浊度和pH的变化对发射光谱的影响,并对相关参数的影响进行了补偿校正。在此基础上建立了多参量共同作用时对水质COD预测模型的补偿校正方法。首先采用荧光光谱法对浓度范围为1～55 mg·L-1水质化学需氧量(COD)标准溶液进行三维荧光光谱的采集,去除散射峰以后采用基于蚁群算法优化的偏最小二乘法(ACO-iPLS)对不同激发波长(Ex=255～285 nm,间隔为5 nm)下的荧光发射光谱(Em=275～450nm)数据进行特征提取并采用基于粒子群优化的最小二乘支持向量机算法(PSO-LSSVM)进行预测模型的建立。结果表明,不同激发波长下的荧光发射光谱数据模型的检验集决定系数R2_p在0.961 8～0.998 1范围内,当采用波长为Ex=270 nm的激发光作用时所激发出的荧光发射光谱数据所建模型的效果最优,其检验集决定系数R2_p=0.998 1,预测均方根误差RMSEP=0.348 3 mg·L-1。其次,对温度、浊度、pH对荧光光谱法检测水质COD的影响进行了分析,并给出了相应的补偿模型。结果表明,温度和浊度在检测水质COD时对荧光光谱的影响不可忽略,但通过建立补偿模型可以对其影响进行有效的补偿校正,温度补偿后荧光数据模型的整体平均偏差Bias=0.130 6 mg·L-1,经浊度补偿后可以很好的校正浊度变化对荧光光谱法检测水质COD的影响,而pH范围在4～12.3内变化时对荧光光谱的影响相对较小,因此可忽略。最后,结合单一影响因素的分析结果,对荧光光谱法检测水质COD时水体的多种环境因素(温度、浊度、pH)共同作用的影响进行了分析。实验结果表明,忽略pH影响后,可以采用对温度和浊度同时补偿的方法对二者的影响进行有效的校正。该结果可为水质参数光学传感器在调试过程中抑制环境因素的影响提供参考。     

多光谱数据融合和GANs算法的COD浓度预测

水体中过高浓度的有机污染物含量危害巨大,不仅会造成严重的环境污染,而且会危害人类身体健康。化学需氧量(COD)表征了水体中有机污染物的污染程度。提出了一种将紫外(UV)光谱和近红外(NIR)光谱进行多光谱数据级融合(LLDF)和特征级融合(MLDF),进而构建基于生成对抗式网络(GANs)算法的COD浓度定量预测模型。首先按照一定的浓度梯度配制COD标准液样本,分别采集标准液的UV光谱(190～310 nm)和NIR光谱(830～2 100 nm),对获取到的UV和NIR光谱数据进行一阶导数和Savitzky-Golay (S-G)平滑的预处理,消除基线漂移和干扰噪声;基于预处理过的光谱,直接进行数据级和特征级的数据融合,结合GANs算法搭建COD浓度预测模型。并使用评价参数相关系数的平方(R2)、预测值与真实浓度值的均方根误差(RMSEP)和预测偏差来对模型进行评价。结果表明,不论是特征级融合模型还是数据级融合模型都不够理想。分析原因可知,由于UV和NIR波段数据量不均衡,导致NIR波段掩盖掉了UV光谱的模型贡献度,让光谱融合失去意义。为了避免融合失败,拟采用归一化的方法处理多光谱数据,并讨论了标准归一化(SNV)、最大最小归一化(MMN)和矢量归一化(VN)对建模的影响。将经过归一化后的UV和NIR光谱数据再次进行融合,分别作为GANs模型的输入X,将真实测量COD值作为输出值Y,建立不同归一化方法处理后的COD浓度预测模型。建模结果显示,采用不同归一化方法对多光谱数据融合模型的影响较大,不论是数据级融合模型还是特征级融合模型的预测精度较未归一化之前有明显的提升,其中采用最大最小归一化的预测模型效果提升最为明显。与单一谱源的全波长UV波段的GANs预测模型、全波长NIR波段的GANs预测模型进行对比来验证多光谱数据融合GANs预测模型的精度,结果表明：基于UV和NIR光谱的特征级光谱融合模型的R2为0.994 7,RMSEP为0.976,比数据级融合的预测模型误差降低了52.9%,预测回收率为98.4%~103.1%,远好于其他几组,模型的泛化能力更强,预测精度也更高。与单一谱源的预测模型相比,多光谱数据融合能反应更多的水体样品的化学信息,更加全面揭示水体的污染物程度,从不同的层面上反应水体中污染物的差异,为在线监测水体中COD浓度提供一定的技术支持。     

基于同步荧光光谱的鸡肉中甲磺酸达氟沙星和氧氟沙星残留快速检测方法研究

采用同步荧光技术结合化学计量学方法实现了鸡肉中甲磺酸达氟沙星（DFM）和氧氟沙星（OFL）残留的快速检测。首先,分析了DFM标准溶液、OFL标准溶液、空白鸡肉提取液和含DFM和OFL的鸡肉提取液的同步荧光光谱,确定了鸡肉中DFM和OFL残留的检测波长差（Δλ）分别为130和200 nm,荧光激发峰分别为288和325 nm。其次,采用单因素试验考察了氢氧化钠溶液浓度和表面活性剂种类对荧光强度的影响,确定了鸡肉中DFM和OFL残留的最佳检测条件为：氢氧化钠溶液浓度0.1 mol·L-1和SDS溶液浓度0.1 mol·L-1。最后,利用线性回归和偏最小二乘回归（PLSR）及多元线性回归（MLR）算法分别建立了鸡肉中DFM和OFL残留的预测模型。试验结果表明,与基于线性回归和MLR的DFM残留预测模型相比,基于PLSR的DFM残留预测模型的综合评价更好,其预测集决定系数（R2_P）为0.978 3,预测集均方根误差（RMSEP）为1.934 2 mg·kg-1,相对预测误差（RPD）为5.876 5。与基于线性回归和PLSR的OFL残留预测模型相比,基于MLR的OFL残留预测模型的综合评价更好,其R2_P为0.895 0,RMSEP为3.859 8 mg·kg-1,RPD为2.509 1。该方法操作简单、耗时短,可用于鸡肉中DFM和OFL残留的快速检测。     

一种针对作物生育期光谱迁移的修正植被指数

针对基于固定特征波长的植被指数不能适用于多个生育期叶绿素含量的诊断这一问题,研究优化提出一种基于双波长计算光谱覆盖面积的叶绿素诊断植被指数,用于稳健地诊断多生育期的营养。以拔节期、孕穗期和扬花期的冬小麦为研究对象,采集其325～1 075 nm范围的冠层反射光谱,测定采样样本的叶绿素含量。采用小波去噪和多元散射校正算法对光谱数据进行预处理。通过相关性分析,确定生育期特征波长的迁移范围,进而提出了基于光谱覆盖面积的冬小麦叶绿素含量光谱诊断参数(modified normalized area over reflectance curve, MNAOC）。以信噪比（SNR）和平滑度指标（S）进行综合评价,小波去噪函数的最佳参数为(“sqtwolog”,“mln”,“3”,“db5”)。相关性分析结果表明,生育期特征波段的迁移范围为（700 nm,723 nm）。在分析MNAOC指数对叶绿素含量诊断分辨率的基础上,以0.5 mg·L-1的分辨率建立一元线性回归模型的结果为：拔节期R2_c=0.840 1,R2_v=0.823 7;孕穗期R2_c=0.865 5,R2_v=0.817 4;扬花期R2_c=0.833 8,R2_v=0.807 6。与ratio vegetation index（RVI）等5种双波长植被指数对比表明,由于700和723 nm计算的光谱面积包含了由于生育期导致的光谱动态迁移特征,使得MNAOC指数在模型精度上和多个生育期的普适性上,都优于其他双波长代数运算植被指数,为大田环境冬小麦生育期叶绿素含量诊断提供支持。     

基于SiPLS特征提取和信息融合的汽油中乙醇含量的多光谱检测

采用紫外可见(ultraviolet/visible, UV-Vis)光谱技术和近红外(near-infrared, NIR)光谱技术及信息融合技术对乙醇汽油中乙醇含量进行了检测。首先采用组合区间偏最小二乘(synergy interval PLS, SiPLS)算法作为特征提取方法,分别建立了基于UV-Vis和NIR光谱的偏最小二乘(PLS)回归模型;再根据油品的实际情况,运用信息融合理论将UV-Vis和NIR光谱信息进行融合,建立了数据级融合(low level data fusion, LLDF)和特征级融合(mid-level data fusion, MLDF)模型,并与单谱源模型效果进行了比较,确定了最优模型为数据级融合后再进行矢量归一化的模型(LLDF-VN1);最后分别用高乙醇含量样品和市售汽油样品的光谱数据对该最优模型进行了通用性检验。结果表明：UV-Vis和NIR光谱数据单独建模均能很好的检测并提供较好的预测结果;而UV-Vis和NIR光谱数据直接融合在基于校正集的回归模型中效果最好,其校正集相关系数r_c=0.999 9,校正集交叉验证均方差RMSECV=0.125 8,校正集整体评价偏差Bias_c=0.000 6;而采用数据级融合后再进行矢量归一化的模型(LLDF-VN1)的预测效果为最佳,其r_p=0.999 1, RMSEP=0.352 7, Bias_p=-0.073 8;自配溶液对最优模型(LLDF-VN1)的通用性验证中,r_p=0.999 7, RMSEP=0.329 1, Bias_p=0.102 2;市售汽油对最优模型(LLDF-VN1)的通用性验证中,r_p=0.990 1, RMSEP=0.892 7, Bias_p=0.675 1。实验结果说明通过将UV-Vis和NIR光谱信息进行数据级融合可以快速、准确的检测出乙醇汽油中乙醇的含量,并能实现乙醇浓度的宽范围检测,为进一步实现混合油品中物质的快速检测奠定了基础。     

基于分数阶微分算法的大豆冠层氮素含量估测研究

氮素与作物的生长发育、产量和品质密切相关。作物冠层氮素含量的快速、准确、无损检测对于作物营养诊断和长势评估具有重要意义。传统的氮素检测方法检测周期长、操作复杂,同时具有破坏性,无法实现作物氮素含量在时间和空间上的连续动态监测。基于光谱遥感技术快速、无损地获取作物氮素含量是近年来作物组分快速检测研究的热点。当前的研究大多基于原始光谱或整数阶微分(一阶、二阶)预处理后的光谱进行氮素含量预测,原始光谱或整数阶微分预处理后的光谱会忽略光谱曲线间的渐变信息,影响氮素含量的预测准确度。与原始光谱和整数阶微分方法相比,分数阶微分算法在背景噪声去除、有效信息提取等方面较有优势。为研究分数阶微分预处理算法在作物氮素检测中的应用,本文以不同施肥处理下的盆栽大豆作物为研究对象,获取大豆苗期、花期、结荚期和鼓粒期四个生育期共256组冠层高光谱及对应的大豆冠层氮素含量(CNC)数据,运用分数阶微分算法对光谱数据进行0～2阶微分预处理,微分间隔为0.1,分别采用归一化光谱植被指数NDSI、比值光谱指数RSI对预处理后的光谱数据和大豆冠层氮素含量数据进行相关性分析,得到各阶微分预处理下NDSIα(α代表分数阶微分阶数)与大豆CNC,RSIα与大豆CNC相关系数绝对值的最大值及其对应的波段组合--最优波段组合NDSIα(opt)和RSIα(opt),采用线性回归方法,建立各阶微分下NDSIα(opt)与CNC,RSIα(opt)与CNC的预测模型,并与常用植被指数(VOGII, MTCI, DCNI, NDRE)建立的氮素含量预测模型进行比较,研究分数阶微分算法对大豆作物冠层氮素含量预测模型的效果。结果表明：(1)在0～2阶微分范围内,最优波段组合NDSIα(opt),RSIα(opt)与大豆CNC的相关系数随阶数增加呈现先升高后下降趋势。其中,0.8阶微分下NDSI_0.8(R₇₂₅, R₇₆₉)与大豆CNC的相关系数最大,为0.875 9;0.7阶微分下RSI_0.7(R₅₄₈, R₇₆₇)与大豆CNC的相关系数最大,为0.865 1;(2)分数阶微分预处理能够细化光谱数据中的有效信息,增强光谱数据对冠层氮素含量的敏感性,尤其是增强红边平台波段与氮素含量的正相关性及绿波段与氮含量的负相关性;(3)与整数阶微分、常用植被指数相比,分数阶微分能够提高大豆CNC预测模型的准确性。其中,基于0.7阶微分RSI_0.7(R₅₄₈, R₇₆₇)建立的大豆CNC预测模型与0阶微分RSI₀(R₇₂₅, R₇₆₉)相比建模集决定系数(R2_C)和预测集决定系数(R2_P)分别提高了0.061 9和0.016 6,建模集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别降低了0.552 5和0.180 9,预测相对偏差(RPD)提高了0.110 4。基于0.7阶微分RSI_0.7(R₅₄₈, R₇₆₇)建立的大豆CNC预测模型与VOG II相比R2_C和R2_P分别提高了0.086 6和0.025 5,RMSEC和RMSEP分别降低了0.757 5和0.248 3,RPD提高了0.146 88;(4)基于0.7阶微分比值光谱指数RSI(R₅₄₈, R₇₆₇)建立的大豆LNC预测模型较优,其R2_C为0.748 4,R2_P为0.800 3,RMSEC为4.752 9,RMSEP为3.511 1,RPD为2.253 7,能够较好的估测大豆冠层氮素含量。研究表明分数阶微分算法在大豆冠层氮素含量的定量预测中具有一定的优势,为光谱遥感技术在作物氮营养检测中的应用开拓了新的思路。     

桂花酒中山梨酸钾拉曼表面增强预测模型在其他果酒中的传递

自行搭建的拉曼光谱点扫描系统,以柠檬酸钠还原法配制的SC银溶胶为表面增强剂,建立了桂花酒中山梨酸钾的定量预测模型,模型校正集决定系数(R2_C)和均方根误差(RMSEC)分别为0.978 9和0.070 3 g·kg-1,验证集决定系数(R2_P)和均方根误差(RMSEP)分别为0.934和0.165 7 g·kg-1。桂花酒中山梨酸钾的定量预测模型为主光谱模型,结合K/S算法,探讨了基于DS算法和PDS算法将桂花酒主光谱模型向杨梅酒的修正传递方法。结果显示,用K/S算法选取4个杨梅酒样品,基于DS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.906 1和0.215 0 g·kg-1。K/S算法选取3个杨梅酒样品(窗口宽度为5),基于PDS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.905 5和0.225 0 g·kg-1。DS算法和PDS算法均可以用少量样品将桂花酒中山梨酸钾的主光谱预测模型有效传递给杨梅酒,实现了一种被测物预测模型在同类物种间的传递,具有重要实用意义。     

基于选择性模型组合的三维荧光光谱水质分析方法

为提高三维荧光光谱水质分析的精度,提出一种选择性模型组合方法,采用相关系数法对三维荧光光谱激发波长进行选择,并将被选中的激发波长下的荧光发射光谱水质分析子模型采用岭回归法进行模型组合,得到对水质指标的组合模型。以一组总有机碳(TOC)范围在3.41～125.35 mg·L-1,化学需氧量(COD)范围在22.80～330.60 mg·L-1的32个地表水和城市生活污水水样做为研究对象,对其三维荧光光谱220～400 nm范围内的10个激发波长采用上述方法进行选择,分别针对TOC和COD指标筛选出260,280,400 nm和220,280,400 nm各3个激发波长。采用部分最小二乘方法建立上述激发波长下荧光发射光谱水质分析子模型,根据岭回归法计算各子模型的组合系数,分别得到对TOC和COD指标的组合模型。实验结果表明：采用该方法得到的组合模型对TOC和COD两种指标的预测误差均方根(RMSEP)相比精度最高的单一荧光发射光谱子模型分别减小了15.4%和17.5%,相比未经模型选择的组合模型分别减小了6.1%和10.9%。     

应用荧光相关光谱测定L-色氨酸的浓度

应用FLS920P型荧光光谱仪对L-色氨酸溶液进行三维荧光光谱检测,从中发现：L-色氨酸的特征荧光峰位于270/350 nm。设定发射波长为350 nm,测量激发谱。由测量结果发现在250~260 nm区间,谱线斜率较大、线性度好。因此选取250,255和260 nm三个激发波长,在每个激发波长下分别测量相应的荧光发射谱。基于三条不同的荧光发射谱,构建以激发波长为外扰变量的自相关光谱;而以浓度为外扰变量的自相关光谱,是以超纯水在不同激发波长的平均谱作为参考光谱,通过参考光谱与样本平均谱的相关计算得到。在此基础上,将相关光谱数据分别与偏最小二乘回归(PLSR)和径向基神经网络(RBFNN)相结合,建立溶液中L-色氨酸含量的预测模型,研究结果表明：采用浓度为外扰变量构造的荧光相关光谱信噪比较高,建模的预测效果要好;而在外扰变量相同时,基于径向基神经网络建立的预测模型比基于偏最小二乘回归建立的预测模型对溶液中L-色氨酸浓度的预测结果更为准确。其中,以浓度为外扰变量时的径向基神经网络预测模型准确度最高,该模型的预测相关系数为99.91%,预测均方根误差为0.033 μg·mL-1。研究结果表明,使用该方法能够对溶液中的物质含量进行准确测定,可为食品安全监管提供帮助。     

变量优选补正算法的鲜枣可溶性固形物检测模型传递方法研究

在水果的品质检测和分级分选中,存在不同仪器所建检测模型难以共享的难题。为此,以壶瓶枣为研究对象,利用可见/近红外光谱技术探讨仪器间可溶性固形物含量（SSC）检测模型的传递方法。首先,采用美国ASD（Analytical Spectral Device）公司生产的两台仪器采集样本的光谱信息,采用最小二乘支持向量机（LS-SVM）建立原始光谱、Savitzky-Golay一阶导数处理、标准正态变量变换后的SSC检测模型,预测不同仪器采集的光谱时3种方法的预测能力均较差。预测同一台仪器的光谱时,基于原始光谱的主仪器所建模型最优,预测集的决定系数（R2_p）和均方根误差（RMSEP）分别为0.73和1.36%。在此基础上,采用Kennard/Stone算法选取标样,利用专利算法（Shenk’s）、直接标准化（DS）、斜率/偏差算法（S/B）进行模型传递。然后,根据回归系数提取主仪器（24个）和从仪器（28个）的特征波长,优选出单一变量（SV）24个、共性变量（CV）23个、融合变量（FV）29个,均涵盖了SSC的主要吸收谱带。利用优选的变量分别建立主仪器的LS-SVM检测模型,采用主仪器的预测结果（R2_p=0.78~0.80,RMSEP=1.07%~1.13%）明显好于全波段所建模型,但预测从仪器时RMSEP为6.62%~7.88%,模型失效。最后,基于波长位置偏移和分子振动的吸收特性提出了共性变量优选结合差值补正（CV-MC）、单一变量优选结合差值补正、融合变量优选结合差值补正、共性变量优选结合波长补正算法（CV-WC）进行模型传递,并与SV-Shenk’s,CV-Shenk’s,FV-Shenk’s,SV-DS,CV-DS,FV-DS,SV-S/B,CV-S/B和FV-S/B进行对比分析。结果表明,基于全波段进行模型传递时,预测结果均较差（R2_p=0.03~0.34,RMSEP=2.44%~4.67%）;基于优选变量所建模型经SV-Shenk’s,CV-Shenk’s,FV-Shenk’s传递后的结果较差,经其他算法传递后的结果（R2_p=0.47~0.73,RMSEP=1.30%~1.90%）好于全波段;基于共性变量传递后的结果好于单一变量和融合变量,CV-MC结果最佳（R2_p=0.73,RMSEP=1.30%）,CV-WC传递后的预测结果（RMSEP=1.62%）与CV-DS和CV-S/B相近。研究表明,CV-MC和CV-WC均是一种有效模型传递算法,对建立不同仪器间通用的鲜枣品质检测模型具有重要意义。     

基于3D荧光光谱分析和多维偏最小二乘的PAHs浓度优化检测

多环芳烃(PAHs)具有强致癌性,威胁人类身体健康。在复杂水质检测环境中,利用荧光光谱检测PAHs浓度时,由于测量光谱中存在瑞利散射影响,使得PAHs光谱信号包含明显的非平稳噪声,常用的多次采样求均值法容易使PAHs光谱存在明显的测量误差,导致PAHs检测精度下降。为此,提出了一种基于3D荧光光谱分析和多维偏最小二乘(N-PLS)的PAHs浓度优化检测方法,首先分析了菲、芴、苊与荧蒽4种PAHs溶液的光谱特性,通过拟合散射带数据点值消除光谱中的瑞利散射噪声,同时尽可能地保留原光谱信息。提取4种PAHs光谱的均值、方差和一维边际分布等特征参数,利用聚类分析方法对其光谱数据做样本分类,将相似光谱数据样本进行合并;然后根据校正集的光谱信号与不同PAHs浓度之间的关系,建立N-PLS模型,对各类PAHs的浓度进行预测分析,并且验证PAHs浓度与光谱数据荧光强度的关系;最后利用双线性分解对浓度残差进行修正,对含有各类PAHs的水溶液与实际水样进行浓度残差验证,分析了不同参数下PAHs的预测误差。实验结果表明,溶剂菲有2个明显的荧光峰值,激发与发射波长分别为285/245和315/345 nm;芴与荧蒽均存在6个明显的荧光特征峰值,分别为265/255,325/345,335/325,365/355,385/395和405/415 nm,且与其他PAHs的荧光峰值相距较远; 溶液苊在发射波长300~485 nm的范围内存在连续波峰,且对应激发波长在255~360 nm范围内;N-PLS方法对不同水质环境下的PAHs预测误差较小,其中菲与芴均方根误差均小于0.4 μg·L-1,相对误差小于6%,苊与荧蒽均方根误差均小于1.0 μg·L-1,相对误差均小于9%。对4种不同的PAHs在河流中的扩散趋势进行了仿真分析,确定出了其扩散程度,其中芴与菲扩散速率约为51 mg·L-1,苊与荧蒽扩散速率为21 mg·L-1,且扩散速率在一定范围内呈线性增长趋势,PAHs与其浓度之间符合朗伯比尔定律的线性关系; 通过不同迭代次数下N-PLS方法的均方根误差分析,得到了均方根误差精度最高时的迭代次数;对比了不同主因子数时N-PLS方法对PAHs预测的适应度与相关系数,结果表明当主因子数为3时,适应度可达96.5%,此时N-PLS预测模型效果最佳。相比其他检测方法,本文方法检测精度较高,回收率较好,具有较强的鲁棒性。     

基于荧光光谱—模拟退火法年份白酒中乙酸浓度预测研究

近年来年份白酒市场中行业规范有所缺失,因此年份白酒的研究具有深远意义和市场价值。白酒中单体物质的浓度会随着白酒的年份改变,检测白酒中单体浓度可用来鉴定白酒质量及其年份。基于国内某品牌年份原桨白酒的三维荧光光谱,对其中乙酸浓度进行了建模研究。对原始光谱进行了小波分解和求导预处理。研究发现小波分解第一层和第二层呈噪声特征,浓度信息主要分布在第三层和第四层信号中。不同激发波长的荧光发射光谱强度分布不同,如何选择合适的激发波长目前还没有一个统一的方法。根据小波分解信号引入有效信号强度概念并获得了合适的建模激发波长（200 nm）;导数光谱的细节特征比原始光谱丰富,光谱求导可以提高光谱的分辨率。研究了乙酸浓度与荧光光谱的相关性,原始荧光光谱与乙酸浓度之间相关性较小,小波分解光谱和导数光谱与浓度的相关性达0.8以上,且呈现出更多离散化的相关性特征峰。因此,小波分解光谱和导数光谱中包含更多乙酸浓度信息且分布比原始光谱更广。基于荧光光谱和模拟退火法研究了乙酸浓度偏最小二乘法（PLS）多元回归模型。研究发现原始光谱的乙酸浓度预测集的均方根误差高达70.03 mg·L-1,模型效果较差;小波分解光谱和导数光谱由于光谱之间多重相关性降低且分辨率提高的特点,模型预测效果更好,其中二阶导数光谱的乙酸浓度预测集的均方根误差和相关系数分别为20.32 mg·L-1和0.999 8,建模效果最好。基于1 000次循环执行模拟退火算法建模得到的光谱信息密度曲线显示出二阶导数光谱比原始光谱包含更多的乙酸浓度信息。以乙酸为例,为年份白酒中物质浓度预测提供了一种简易的光学方法,研究方法对研究多组分渐变体系浓度预测具有一定的参考价值。     

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。     

改进SVR的内陆水体COD高光谱遥感反演

高光谱数据可以捕获内陆水体中不同浓度的化学需氧量（COD）引起的光谱变化,因此研究光谱反射率与COD浓度之间的关系对于COD的遥感估算至关重要。支持向量回归模型（SVR）具有适合小样本、泛化能力好的特点,基于SVR模型能够更加准确获得COD浓度和光谱数据之间的关系,但仍然存在参数选取困难和易陷入局部极值的问题。为了解决这个问题,将模拟退火-粒子群算法（SA-PSO）引入到支持向量回归机的参数优化过程中,提出了一种改进SVR（SA-PSO-SVR）的内陆水体COD高光谱遥感反演方法。以潍河流域为研究区域,通过野外测量获得了COD浓度和水表面光谱反射率。首先根据光谱反射率对COD的响应来确定敏感因子,把SA-PSO算法引入SVR的参数优化过程中建立了COD浓度与敏感因子之间的反演模型。最后利用珠海一号高光谱数据验证模型的准确性,进而获得了COD浓度的分布情况。通过光谱分析,可知该区域实测的水面光谱具有典型的二类水体特征,光谱曲线形状呈现明显的双峰特征,当浓度增加时,反射峰具有向短波长方向移动而反射谷向长波长方向移动的趋势。通过计算Pearson相关系数分析COD浓度和光谱之间的相关性,结果表明最佳的反演因子为518 nm/940.4 nm,623.6 nm/636.8 nm,729.2 nm/890.9 nm和752.3 nm/857.9 nm的四个波段比值组合;经过SA-PSO-SVR方法建立的COD估计模型的平均相对误差（MRE）和均方根误差（RMSE）分别为1.62％和2.99 mg·L-1（R2=0.86）,反演结果优于其他模型（SVR、BP神经网络和线性回归模型）。将实测水面光谱建立的最优模型应用于高光谱卫星影像上,RMSE和MRE分别为4.47 mg·L-1和11.87%。获得的潍河-峡山水库区域的COD反演结果显示：COD的整体浓度介于17~42 mg·L-1之间,韩信坝、峡山水库的东北部、渠河注入潍河的交汇处等区域的COD浓度高于其他水域。证实了SA-PSO-SVR是一种有效的COD高光谱反演方法,可供潍河流域水资源管理提供参考。