近红外光谱的头孢类药品成分分析与模型传递方法

药品安全与质量监管迫切需要在线、快速、低成本的成分检测技术。近红外光谱技术在检测成本及速度方面具有显著优势,基于近红外光谱的药品成分检测方法,对于提高药品质量监管水平有着十分重要的研究意义和应用价值。在实际应用中,不同光谱仪器由于性能参数不同,测量光谱存在一定差异,很难实现定量校正模型共享。因此,研究不同光谱仪器之间模型传递对于提高分析效率十分重要。针对头孢类药品成分检测的需要,研究了头孢类药品中三种组分定量校正模型,提出了一种基于马尔可夫链(MC)的转换集选择的不同仪器间定量校正模型传递方法。采用两台不同厂家光谱仪器分别测量56份不同批次的头孢拉定颗粒样品,针对样品的三种组分:头孢拉定、头孢氨苄和水分,使用偏最小二乘法(PLS)建立定量校正模型。通过构建概率矩阵,选择合适的转换集,提高模型转换效率及不同仪器得到光谱数据的建模预测精度。实验结果表明,利用该模型转移算法,可利用少量转换集样本实现不同光谱仪器间定量校正模型转移,模型转移前后,定量校正模型对于三种主成分预测相对误差从9.67%, 52.14%和19.25%,分别下降到到4.37%, 31.12%和11.67%。利用该模型传递方法可以有效修正主从仪器光谱差异,实现了不同仪器测量光谱及定量分析模型传递共享。该研究的建模分析与模型传递方法也为药品成分与质量检测提供了技术支撑。     

基于参数校正的近红外光谱模型转移新方法

模型转移是解决近红外光谱仪器间存在差异导致校正模型难以在多台仪器间通用问题的重要方法。利用主成分-马氏距离方法判断样品在不同仪器间的光谱差异性,然后通过吉洪诺夫正则化约束和校正模型参数,提出新的模型转移算法,实现模型在不同近红外光谱仪器上的共享和使用。首先使用一组标准样品光谱,建立主机和子机近红外光谱模型预测误差最小化函数。通过约束主机和子机的模型参数的差异,求出子机的模型参数,从而达到模型转移的目的。该方法应用于药物活性成分和烟叶中总植物碱与总糖的含量分析,结果表明使用15个标准样品时,子机光谱样本的预测均方根误差(RMSEP)分别从8.3 mg、 0.49%和1.91%降到3.9 mg、 0.09%和0.83%。转移后模型预测相对分析误差(RPD)均大于3.0,子机光谱样本的预测效果得到明显提高。该方法理论明确、直观,在实际应用中样品预测准确性较好,为具有标准样品的模型转移方法提供一种新思路。     

基于DS算法的玉米近红外定性分析光谱校正方法研究

从校正的角度出发,研究了近红外定性分析中模型稳定性问题。以13个玉米品种为研究对象,针对数据采集时间不同带来的模型失效问题,借鉴近红外光谱定量分析中两台仪器间模型传递的思想,将直接模型传递(Direct Standardization)算法用于校正同一仪器不同时间采集的光谱, 使得一次建立的品种鉴别模型,能用于其余时间测试数据的鉴别。首先采用Kennard/Stone算法在主光谱集中选取校正样品集,按照对应的编号从从光谱集中取出对应的数据,然后对校正样品集采用DS算法求取两组数据间的变换关系,再对剩余的从光谱集进行相应的变换得到适用于模型的光谱。实验中对比了校正样本数和模型校正位置对校正结果的影响,分别从品种定性鉴别准确性和校正前后主光谱数据和从光谱数据分布距离两方面分析了实验结果。结果表明,该方法能有效地解决同一仪器随着采样时间推移产生的光谱偏移现象,对采样时间不同的测试集均得到较高的识别率,提高了模型的鲁棒性和适用范围,由实验结果可见,校正位置处于特征提取之后时,校正效果最佳。     

DS算法在近红外光谱多元校正模型传递中的应用

模型传递问题是近红外光谱分析技术中一个关键的共性基础技术问题。模型传递通过在同一型号的两台仪器之间寻求一种变换关系,使得在一台仪器上建立起的模型能够应用于另外一台仪器样品光谱响应的预测。文章将直接校正(direct standardization,DS)算法应用于化学计量学多元校正中的模型传递,并研究了模型转换集样品的选择方法。在两台AOTF近红外光谱仪上进行了模型传递实验,首先采用Kennard/Stone算法选择转换集样品,然后采用DS方法进行模型传递。实验结果表明采用DS算法取得了较好的模型传递效果。DS算法不仅可以应用于不同仪器之间的光谱分析模型传递,而且该方法对于同一仪器的长时间漂移或者由于部件的更换、测量环境的改变等引入的光谱差异校正也是适用的。     

蛋白饲料原料粗蛋白含量近红外光谱模型转移研究

建立良好的蛋白饲料近红外光谱定量分析模型及实现在不同仪器间的模型共享,能极大提高模型的利用效率,满足饲料行业快速发展的需要。针对蛋白饲料原料粗蛋白含量近红外分析模型适用性问题,首次采用光谱差值转移、直接校正和分段直接校正法进行了三台不同类型的近红外光谱仪之间的模型转移研究。实验样品为四种蛋白饲料原料：玉米蛋白粉、菜粕、酒糟和鱼粉。实验仪器包括MATRIX-Ⅰ傅里叶变换型近红外光谱仪(主仪器),Spectrum 400傅里叶变换型近红外光谱仪(从仪器1)和SupNIR-2750光栅扫描型近红外光谱仪(从仪器2)。研究表明,同一样品体系在主仪器和从仪器2上所得光谱数据的差异性相对较小,且均与从仪器1所得光谱数据的差异性相对较大。除分段直接校正法对玉米蛋白粉从仪器2的预测结果无促进作用之外,其他模型的预测均方根误差和系统偏差均明显低于转移前。玉米蛋白粉、菜粕和酒糟样品采用三种方法转移后的模型预测相对分析误差(RPD)均大于3.0,预测效果良好。鱼粉样品模型转移后的预测RPD均大于2.5,预测效果较好。三种方法对于蛋白饲料原料不同仪器间的光谱差异进行了有效校正。该研究结果对于蛋白饲料品质近红外快速分析模型的广泛应用具有重要意义。     

遥感图像土地利用/覆盖多光谱特征分布空间距离分析方法

研究遥感图像多光谱特征分布是设计分类算法的关键。针对土地利用/覆盖类别由多种地物组成,难以求取多元分布模型分析类别多光谱特征的问题,提出了一种遥感图像土地利用/覆盖多光谱特征分布空间距离分析方法,以样品均值矢量作为类别中心,用最大最小法聚类形成类别多聚类中心,计算各聚类中心与类别中心的空间距离,以距离为横坐标、聚类中心含有的像元数占样品总数的百分比为纵坐标作图,形成内类、类间空间距离分布曲线分析遥感图像土地利用/覆盖类别多光谱特征。分类实验结果与空间距离分析结论吻合,说明空间距离分析方法可行。该方法利用空间距离把多维光谱分布转化为一维距离分布,计算简单,聚类门限值易于确定,多光谱分布特征清晰,较好地解决了多光谱特征的多元分布问题。     

不同土壤间的全氮光谱模型传递研究

在基于可见-近红外反射光谱的土壤养分速测技术中,不同类型土壤间的模型转移是目前亟需解决的关键问题和难点。以土壤全氮为研究对象,探讨了两种不同土壤间的模型传递方法及其效果。以青岛李村河畔土壤为主样品,通过分段直接矫正结合斜率/截距修正(PDS-S/B)、分段直接矫正结合线性插值(PDS-LI)、典型相关性分析结合斜率/截距修正(CCA-S/B)、典型相关性分析结合线性插值(CCA-LI)、直接矫正结合斜率/截距修正(DS-S/B)、直接矫正结合线性插值(DS-LI)等算法,进行模型转移,实现对青岛浮山山麓土壤全氮含量不同程度的预测。其中,PDS-S/B的模型转移效果最好,均方根误差、平均相对误差、最大相对误差均最小,分别为0.04,6.6%,19.0%。主、从样品经遗传算法提取特征变量后再进行模型转移,相比无任何前处理的模型转移,均有不同程度的提高,其中LI相关的模型转移方法比S/B相关的方法提高的程度更大。研究了不同样品在同一仪器、相同测试环境下的土壤养分的模型传递问题,初步探讨了同一仪器共享一个土壤养分光谱模型的可能性,这将从根本上提高速测效率,有利于光谱技术在土壤养分速测中的推广应用。     

傅里叶变换近红外光谱结合RVM与新聚类算法鉴别灵芝孢子油多样掺假类别

食品掺假种类众多,手段隐蔽,成为食品安全检测一个重要难题。为摆脱传统模型识别食品中是否存在新掺假类别的局限性,实验以纯净的灵芝孢子油和掺杂不同比例花生油、玉米油、薏仁油、地沟油的五种类别为研究对象,采用傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy, FT-NIR)收集12 400～4 000 cm-1范围内的近红外光谱。假设掺杂地沟油为新掺假类别,利用前四种类别的校正集样本构建相关向量机(RVM)多分类器,分别对建模的预测集样本和掺杂地沟油样本进行判别,并借助新聚类算法对判别为纯净的灵芝孢子油的样本做进一步分析验证。研究表明,RVM分类器对于建模的预测集样本判别准确率高达93.75%,说明模型有较强的判别能力,但由于模型局限性,掺杂地沟油样品被误判为纯净的灵芝孢子油;在新聚类算法的决策图上,纯净灵芝孢子油校正集和预测集混合样本的聚类中心数为1,而纯净灵芝孢子油校正集和掺杂了地沟油混合样本聚类中心数为2,直观验证判别结果的准确性。结果表明利用FT-NIR技术结合RVM分类器与新聚类算法对于灵芝孢子油掺假能够有效识别,并且能够定性识别新型掺假类型,为解决食品掺假多样化问题提供一种新思路。     

向后迭代区间选择算法及其在近红外光谱模型转移中的应用

近红外光谱（NIR）具有快速、无损、操作方便的特点,故广泛用于食品分析。作为一种间接的分析技术,NIR需要建立光谱与待测浓度之间的统计模型来实现检测。故模型的维护有助于保证NIR的预测准确性。在外界条件发生变化的情况下,诸如样品性状的改变、仪器对理化指标函数关系的变化、湿度和温度等环境因素的改变,会导致相同样品的光谱信号发生偏移,进而使得原有模型的预测精度下降。此时,如果重新建模,虽然可以解决光谱偏移对建模的影响,但是重新建模将耗费大量的人力物力。对此,模型转移可以在避免重新建模的情况下,校正光谱的偏移,进而提高模型预测精度。通常模型转移算法多用全光谱进行模型转移,这种方法计算量较大,且不能找到合适的有化学意义的波段。故提出一种基于模型转移中的变量选择方法：向后迭代区间选择法（IIBS）,通过计算主光谱（用于建模的那组光谱）和从光谱（发生偏移,需要通过模型转移算法将其校正的光谱）中,变量区间的重要性信息（回归系数（β）、残差向量（Res）以及变量重要性投影（VIP））。进而通过计算该区间变量重要性信息的几何平均数,并以此作为该区间的区间重要性指标。接着根据区间的重要性,删除重要性信息较小的变量区间。然后对主光谱和从光谱重复迭代上述过程：计算变量的重要性信息,计算区间的重要性信息,删除重要性信息较小的区间。最后,比较不同的主光谱和从光谱区间组合的验证均方根误差（RMSEV）,选择RMSEV最小的主光谱和从光谱区间作为最优区间。玉米、小麦两套NIR数据测试了该算法。结果显示,与全波段相比,β,Res以及VIP均可以从主光谱和从光谱中选择较少的,有化学意义的区间,提高模型转移的精度。在比较不同变量重要性向量方面,基于β的变量选择算法,模型转移的计算误差较小。     

聚谷氨酸发酵过程中ATR-FTIR光谱信号的分数阶基线校正

采用衰减全反射傅里叶变换红外光谱法（ATR-FTIR）,结合多元校正模型对γ-聚谷氨酸（γ-PGA）发酵过程中两种主要底物葡萄糖和谷氨酸钠的浓度进行间接测量,为优化发酵系统控制提供重要的反馈信息。光谱测量中经常出现的基线漂移会严重影响后续多元校正模型的性能,需要采用基线校正算法对光谱进行预处理。现有流行的基线校正算法多数是基于Whittaker Smoother（WS）平滑算法,这些算法均采用整数阶微分对拟合基线进行约束,表达能力有限。针对现有基线校正算法中的整数阶微分自适应性差的问题,利用更加灵活的分数阶微分对基线进行约束,提出了一种基于分数阶的基线校正算法,实现对整数阶基线校正的扩展。总共进行了5个批次的γ-PGA发酵实验,并对不同批次和全部批次的ATR-FTIR光谱数据分别进行了分数阶基线校正,模型的预测精度均得到不同程度的提升。实验结果表明,只有在批次2时,基于整数阶的基线校正效果最好;其他批次的基线校正效果最好时的阶次均为分数阶。这也表明了分数阶微分（包含整数阶微分）对基线的约束更加合理。同时发现全部批次的整体基线校正效果远远差于单一批次的效果,原因可能是各批次发酵光谱的基线是不同的,对不同的批次需要选用不同的阶次以获得最佳的基线校正。此外,γ-PGA发酵样品的ATR-FTIR光谱测量是以蒸馏水为背景,会在3 100~3 600 cm-1波数范围内出现负水峰,形成有害的干扰信号;分数阶基线校正后的光谱表明,分数阶基线校正算法将负的水峰当作基线,在一定程度上进行了消除。综上分析,分数阶基线校正算法不仅扩展了传统整数阶基线校正算法的应用范围,也为消除ATR光谱中负的水峰提供了新的解决思路。     

近红外光谱分析杨木-桉木混合纸浆原料

近年来,随着林纸一体化战略的推进,多使用混合原料制浆。而混合原料比例及成分含量的快速分析难以实现已成为制约制浆工业发展的瓶颈。为解决此问题,以广泛使用的杨木-桉木混合原料为研究对象,用傅里叶近红外光谱仪采集了131个不同比例的杨木-桉木混合样品和30个单一杨木、桉木样品的近红外光谱;用化学法测定其综纤维素、聚戊糖及Klason木素含量。因主要化学成分含量的近红外光谱信息集中于7 600～4 000 cm-1区间,对该区间的光谱数据进行平滑、标准正态变换和一阶导数的预处理,运用LASSO算法建立了杨木含量与聚戊糖含量模型;对该区间数据进行平滑、标准正态变换和二阶导数预处理后结合LASSO算法建立了综纤维素含量模型;对该区间数据进行平滑、多元信号校正和二阶导数预处理后结合LASSO算法建立了Klason木素含量模型。杨木含量、综纤维素、聚戊糖、Klason 木素含量模型的预测均方根误差分别为1.82%,0.52%,0.67%和0.59%;绝对偏差范围分别为-3.01%～2.94%,-0.91%～0.83%,-0.91%～1.07%,-0.79%～0.92%。4种模型的性能总体上略优于传统偏最小二乘法所建的模型且满足实际需求,可以用于工业生产。     

不同品种冷鲜猪肉pH值高光谱检测模型的传递方法研究

针对目前模型传递方法研究大多在不同仪器之间且均采用近红外光谱建立模型,采用高光谱技术建立猪肉pH值定量检测模型,并针对不同品种间的模型传递提出了一种光谱和预测值同步校正(sync correction of spectrum and prediction value, CSPV)的传递算法,并与模型更新方法进行比较。当模型满足预测相关系数(correlation coefficient of prediction, r_p)r_p≥0.837,且剩余预测偏差(residual prediction deviation, RPD)RPD≥1.9时,表明预测结果可靠。以杜长大、茂佳山黑猪和零号土猪3个品种猪肉样品为研究对象,以杜长大作为主品种,茂佳山黑猪和零号土猪作为从品种,采用偏最小二乘(partial least squares regression, PLS)法建立主品种猪肉pH值定量检测模型,模型校正相关系数(correlation coefficient of cross-validation r_c)和预测相关系数r_p分别达到0.922和0.904,交互验证均方根误差(root mean squared error of cross validation, RMSECV) 和预测均方根误差(root mean squared error of prediction, RMSEP)分别为0.045和0.046,RPD为2.380。用主模型分别对茂佳山黑猪和零号土猪pH值进行预测,r_p仅达到0.770和0.731,RMSEP分别为0.111和0.209,RPD分别为1.533和1.234,预测精度较差。分别采用CSPV传递算法和模型更新方法对主模型进行传递和修正,比较并验证了两种方法的模型传递和修正结果。采用CSPV算法对模型传递后,当标样个数分别为9个和10个时,r_p可提高到0.889和0.900,RPD提高到2.071和2.213,均满足r_p≥0.837,且RPD≥1.9;而采用模型更新方法对模型修正后,当添加的代表性样品分别为11个和9个时,r_p分别达到0.869和0.845,但RPD仅达到1.934和1.804,不满足RPD≥1.9的条件。结果表明,CSPV传递算法能实现主模型对茂佳山黑猪和零号土猪样品的预测,而模型更新方法只能实现对茂佳山黑猪品种的预测,不能实现对零号土猪样品的预测,且CSPV传递算法预测结果优于模型更新方法。     

基于正交信号回归法对中试在线近红外定量模型的模型传递研究

模型传递使在特定条件下建立的模型能够应用于新的样品状态、环境条件或仪器状态。本研究在中药金银花中试在线水提过程中,以水提液中的绿原酸含量为研究对象,建立绿原酸含量的近红外定量模型。针对由金银花来源不同带来的模型失效问题,从光谱背景校正的角度出发,提出以KS算法挑选待传递样本中的代表性样本,结合正交信号回归(OSR)光谱背景校正方法,对不同来源样本的近红外光谱进行光谱背景校正,并深入探讨OSR方法实现近红外定量模型在不同来源中试样本间传递的应用原理。经模型传递后,模型对新批次样本预测的RSEP由14.91%下降到7.11%,RPD由2.95上升到5.36,预测准确度明显提高。实验证明,选择代表性样本的KS算法结合OSR光谱背景校正的模型传递方法不仅能减小不同来源原料药之间的偶然误差,同时消除了中试制剂过程和算法本身的系统误差,因此能够有效地改善因样本来源差异而造成的模型失效现象。该研究充分阐释了OSR模型传递方法的应用原理,以光谱背景校正与挑选代表性样本回归的方法实现了近红外定量模型在不同来源原料药中试样本之间的模型传递,增强了模型应对原料药批次间变动的能力,提高了模型的稳健性,为多来源原料药中试在线制剂过程中有效成分含量的快速实时监测提供了有效方法。     

不同傅里叶近红外仪器间(积分球漫反射测量)的模型传递及误差分析

模型传递是近红外光谱分析技术中一个关键的共性基础技术问题,通过在同一工作原理的两台仪器之间寻求可行的数学方法, 使得在一台仪器上建立的模型能够应用于另外一台仪器样品光谱响应的预测,对近红外技术的实际应用具有重要意义。以150份烤烟作为试验样品,以两台布鲁克公司MPA近红外光谱仪,一台热电公司Antaris近红外光谱仪作为研究对象,通过积分球漫反射检测技术获得光谱数据。采用一阶导数(first-order derivative,1st Der)和标准正态变量变换(standard normal variate, SNV)对光谱数据进行处理分析,计算不同仪器间光谱的残差值、残差一阶矩、残差信号概率密度和最大信噪比等参数,并采用偏最小二乘法(partial least squares, PLS)建立烤烟总糖含量数学模型,检验模型传递效果。结果表明,一阶导数具有降低残差一阶矩,将仪器偏差信号转换为标准高斯分布的优点,但同时会降低信噪比。标准正态变量变换同样可以降低一阶矩,同时可大幅度提高信噪比,但无法将仪器偏差信号转换为标准高斯分布,需要进一步的信号处理。一阶导数与SNV相结合可保留两种方法的优点,同时在一定程度上弥补每种方法单独处理的缺点,是一种可以消除以积分球漫反射作为光谱测量方式的因仪器厂家或型号不同、使用年限不同等原因所产生的噪声的处理方法,可实现傅里叶型近红外光谱仪之间的模型传递效果的明显改善。     

超光谱大气CO_2监测仪光谱定标误差修正

超光谱大气CO_2探测需对遥感器进行精确表征及定标,其中光谱定标工作最为基础。针对传统实验室定标方法获取的波长定标系数不确定度高等特点,开展基于气体吸收法原理的光谱定标误差修正研究,该方法与仪器使用状态一致,提高了定标系数实用性。首先利用辐射传输进行了理论光谱及误差因素模拟计算,并基于大气环境模拟定标仓开展了大气XO_2吸收光谱测量实验,最后采用LM算法进行光谱误差修正迭代优化。光谱定标误差修正结果表明:光谱偏差均值由修正前的0.03 cm~(-1)下降到修正后0.008 cm~(-1),且系统性与突变性误差得以剔除,大大提高了地面光谱定标精度,为后续温室气体反演奠定了基础。     

基于多特征的双模板自适应更新跟踪算法

针对均值漂移算法中采用单一颜色特征以及缺乏必要模板更新方法的缺陷,提出一种基于多特征的双模板自适应更新目标跟踪算法。引入像素点邻域灰度均值差和分层空间信息加强目标特征的鉴别性,再通过对目标与背景区域双模板相似度系数的综合分析,准确地判断跟踪干扰因素的来源,并以当前帧目标区域的相似度系数为权值对目标模板进行加权更新,使得模板更新速度与其目标特征变化相适应的同时抑制模板过更新,较好地解决了模板更新时机和更新速度等问题。仿真结果表明,所提算法在不同跟踪场景下均具有较强的鲁棒性。     

一种简便的近红外光谱标准化方法

针对目前近红外光谱分析中模型传递现有方法的局限性,文章介绍了一种简便的近红外光谱标准化方法,并构造了一种新的光谱标准化误差指标(spectra standard error,SSE)作为评价传递结果的指标。SSE为J₂和J₁的比值,这里,J₂表示同一样本在不同仪器上测得的谱线的距离,J₁表示目标机的不同样本相对中心谱线的平均距离。文章首先对不同光谱仪所测得的吸光度谱图进行多项式卷积平滑处理以去除基线,接着采用标准归一法以实现谱图的标准化,并采用多项式卷积滤波以去除噪声。为使SSE达到最小,在处理过程中可进行波长范围和卷积窗口宽度的优化。经过上述处理后的标准化谱图可用于光谱建模分析。该方法不需要预先获得大量样本,也不需要将同一样本在不同光谱仪上测得的谱图进行比较。针对一批汽油样本的试验结果表明,借助于此方法可使SSE从1.418下降至0.167,谱图标准化效果令人满意。     

基于水样类型识别的光谱COD测量方法

基于紫外吸收光谱的COD测量方法,尽管具有快速、实时、免试剂、无污染等优势。但该方法对于组分多变的水样适应性不强,构建的单一计算模型不能适用于所有待测水样类型,导致其在复杂环境下测量准确度较低,从而限制了其应用领域。本研究提出一种基于水样类型识别的测量方法。其过程包括:动态识别水样类型→自动选择相应的"吸光度(Auv)-COD"算法模型→计算COD。该方法有效提高了紫外光谱法COD测量的准确度和适用性。该研究在传统的光谱识别技术的基础上,针对COD实际测量的特点加以改进。选取水样吸光度曲线的形貌特征作为水样类型的表征参数,利用LM-BP神经网络作为识别算法。并引入了"历史数据队列"、"历史识别因子"的概念,在此基础上形成了级联的神经网络结构。该算法实现了COD测量应用中的高准确度的光谱识别,进而提高了复杂环境下COD测量的精度。大量实验测试和结果表明,与传统的光谱识别技术相比,该方法在COD测量应用中具有更好的鲁棒性和准确性。水样类型识别准确率达98%以上。同时算法结构简单,计算量小,适用于资源受限的小型化COD测量仪。当仪器在复杂多变的水环境中进行测量时,采用该算法测量得到的COD精度有显著的提高。该方法的提出为光谱COD测量法在水体组分多变场合的应用及提高其测量精度提供了技术保证,可望解决传统紫外光谱COD测量法难以适应变化和复杂水环境应用的问题。     

可迁移的土壤重金属污染高光谱定性分类方法研究

现有基于高光谱遥感的土壤重金属污染定性分类模型,大多采用同一地区室内光谱测定训练样本数据进行模型构建与测试。但室内光谱测定需要复杂的处理过程,成本高,效率低,且无法快速获得目标区域空间上连续的光谱信息。考虑到实际应用需求,模型在相同实验区和不同试验区野外光谱数据是否具有较好的迁移推广能力是目前迫切需要回答的问题。为回答这一问题,选取湖南省郴州市和衡阳市两铅锌矿区作为实验研究区,选用支持向量机（SVM）作为分类器,将郴州实验区室内采样的83个样本数据和衡阳实验区室内采样的46个样本数据分别用于分类器训练,将衡阳地区野外采样的46个样本数据用于分类测试。并首先通过基于联合分布适配（JDA）的迁移学习方法进行光谱变换以缩小两地室内外测定光谱分布差异,然后进行不同区域室内外土壤重金属污染定性分类模型迁移。实验结果表明：（1）由于野外测得的光谱数据会受到太阳辐射、提取的土壤成分差异等因素的干扰导致室内外光谱数据存在显著的分布差异,难以直接将基于室内采样数据训练得到的土壤重金属污染定性分类模型迁移到同一地区测定的野外高光谱数据上。但通过JDA变换缩小室内外分布差异后,模型迁移能力得到显著提升,砷（As）、铅（Pb）和锌（Zn）三种重金属含量是否超标的分类精度都达到了84%以上,Zn元素含量是否超标的分类精度甚至达到了89%以上。（2）由于季节性影响、地区成分的干扰和光谱噪声的增加,不同地区光谱数据存在着更为显著的分布差异,加大了不同地区土壤重金属污染监测的难度,难以将基于室内采样光谱数据所建立的土壤重金属定性分类模型直接迁移到其他地区野外采样数据上（平均分类精度仅在50%左右）。经过JDA迁移学习方法进行室内外光谱变换处理后,模型迁移能力得到保证,因此,室外光谱采样可直接用于研究不同试验区域重金属（As,Pb和Zn）的污染情况。