基于工业分析/元素分析和可见-近红外光谱预测农作物秸秆高位热值（英文）

越来越多的农作物秸秆用于生产生物质成型燃料(生物质颗粒),作为民用和工业锅炉的生物质燃料。高位热值是衡量生物质燃料燃烧性能的主要参数之一,反映了生物质可用能含量,但利用传统的氧弹分析法测试高位热值费时费力,急需一种快速准确的方法评估农作物秸秆的高位热值,以制备高质量的生物质颗粒燃料。基于工业分析/元素分析和可见-近红外光谱分析,对比分析了五种农作物秸秆(稻秸、麦秸、棉秆、油菜秆和玉米秆)的高位热值预测模型。首先,利用多元线性回归(MLR)、逐步回归(SWR)和反向传播人工神经网络(BPNN)模型,在基于五种农作物秸秆工业分析和元素分析基础上,提出了高位热值预测模型并进行验证。MLR模型具有较好的相关系数(R2),预测均方根误差(RMSEP)和预测标准差与参比标准差比值(RPD),分别为0.921 1,0.135 1和3.49。此外,利用可见-近红外光谱分析了农作物秸秆,发现对光谱数据作最小二乘法回归(PLR),可建立高位热值预测模型,预测R2和RMSEP分别为0.881 2和0.412 9。研究结果表明MLR模型和PLR模型分别适用于基于工业分析/元素分析和可见-近红外光谱建模,对农作物秸秆的高位热值快速检测设备研发能提供基础模型支持。     

基于光谱技术的农林生物质原料组分和热值的快速测定

快速检测生物质原料特性对生产高品质压缩成型燃料具有重要意义。利用光谱技术建立松木、杉木和棉杆三类农林生物质组分(水分、灰分、挥发分和固定碳)和热值预测模型。相比原始光谱,基于一阶导数光谱的偏最小二乘回归(PLS)模型预测精度较高。灰分、挥发分和水分PLS模型交叉校验决定系数(R2)分别为0.97,0.94和0.90,预测偏差比率(RPD)分别为6.57,4.00和3.01。固定碳和热值PLS模型精度一般,R2分别为0.85和0.87,RPD分别为2.55和2.73。实验结果表明,利用可见-近红外光谱技术完全可以替代传统工业分析方法,从而实现农林生物质原料组分和热值的快速测定。     

基于近红外光谱技术的秸秆工业分析

工业分析是生物质热化学工程技术中的一项常规应用分析。文章探讨了近红外光谱技术(NIRS)在秸秆工业组成分析上的应用,并利用近红外光谱技术预测了秸秆中挥发分和固定碳含量。利用Foss 6500光栅型近红外光谱仪在1 108～2 492 nm光谱范围内分别对直接切短秸秆样品中水分、灰分、挥发分和固定碳以及干燥粉碎样品中灰分、挥发分和固定碳的近红外光谱建立了预测模型。对于直接切短秸秆样品,水分、灰分、挥发分和固定碳校正模型外部验证的R2_V(SEP)分别为0.92(0.76%),0.94(0.84%),0.88(0.82%)和0.75(0.65%)。干燥粉碎样品中灰分、挥发分和固定碳的近红外光谱模型外部验证的R2_V(SEP)分别为0.98(0.54%),0.95(0.57%)和0.78(0.61%)。实验结果表明,近红外光谱技术能实现秸秆的快速分析和多组分同时测定, 从而可降低秸秆工业分析的成本。     

秸秆热值近红外光谱模型的外部验证结果间的统计比较分析

从全国24个省(市)收集到222个秸秆样品,包括172个稻秸样品和50个麦秸样品。采用近红外光谱技术,结合主成分回归、偏最小二乘回归和改进的偏最小二乘回归建立了秸秆热值的定量分析校正模型。近红外光谱模型的建立与优化过程中使用了不同的散射校正方法和光谱导数处理来帮助改善模型精度。对得到的54个模型采用统计学的方法分析外部验证的结果,通过比较外部验证的系统偏差(Bias)和Bias校正的预测标准差(SEP(C)),考察了不同光谱预处理和回归方法对秸秆热值的近红外模型预测性能的影响。结果表明:近红外光谱技术能够快速、准确地分析秸秆的热值,模型的SEP(C)在134～178 J·g-1之间;对外部验证结果的统计分析,能够有效地选择较好的建模方法,确定较优模型。     

玉米秸秆组分近红外漫反射光谱(NIRS)测定方法的建立

玉米秸秆是我国产量最大的秸秆生物质资源,但目前还没有快速高效的组分分析方法,本研究利用傅里叶变换近红外漫反射光谱 (NIRS) 技术,采用偏最小二乘法(PLS),在国内首次建立了NIRS测定玉米秸秆中灰分、半纤维素、纤维素、Klason木质素、酸不溶灰分和水分含量的校正模型,该模型稳定,适合不同地区、不同品种的玉米秸秆及其不同部位。实验结果表明,采用一阶导数+Karl Norris滤波预处理,谱区在4 100～7 500 cm-1,能得到理想的预测模型。该模型对玉米秸秆各组分的交叉验证均方差(RMSECV)范围为0.090 3～1.45,预测误差(RMSEP)范围为0.256 9%～2.581 9%,预测相关系数≥0.871 1。该研究对加速我国秸秆生物质的工业转化具有重要意义。     

基于便携式近红外技术的生鲜乳品质现场评价

生鲜乳作为乳制品生产的基本原料,其质量是保证乳制品食用安全、维护人类健康的基础。可见/近红外光谱技术结合化学计量学方法,构建生鲜乳品质指标的数学模型,实现生鲜乳品质的现场评价。在不同年份,收集88份来自不同奶牛个体的生鲜乳样品。便携式光谱仪采集生鲜乳漫透射光谱(500~1 010 nm),二阶导数和卷积平滑进行光谱预处理,以消除脂肪球引起的光散射和高频噪声。变窗宽移动窗口偏最小二乘法(CSMWPLS)和遗传偏最小二乘法(GAPLS)用于筛选信息区间,并构建预测模型。CSMWPLS与GAPLS模型的预测性能相当,脂肪、蛋白质、干物质和乳糖的预测标准误差(RMSEP)分别为0.115 6/0.103 3,0.096 2/0.113 7,0.201 3/0.123 7和0.077 4/0.066 8,相对预测误差(RPD)分别为8.99/10.06,3.53/2.99,5.76/9.38和1.81/2.10。同时构建了生鲜乳品质指标的多元线性回归(MLR)方程,采用的最优变量数分别为8,10,9和7。采用外部数据集检验,MLR预测性能与PLS相近甚至更优,脂肪、蛋白质、干物质和乳糖模型的RMSEP分别为0.107 0,0.093 0,0.136 0和0.065 8;相对预测误差(RPD)分别为9.72,3.66,8.53和2.13,可用于现场准确测量。结果显示,便携式近红外光谱仪结合MLR模型可实现生鲜乳品质的现场快速评价,为生鲜乳按质论价收购提供了一种新方法,同时为便携式乳品近红外专用仪器设计提供技术参考。     

BiPLS结合GA优选可见/近红外光谱MLR变量

利用反向区间偏最小二乘法(BiPLS)定位光谱糖度若干信息区间,运用遗传算法(GA)从中选择波长点,建立了多元线性回归(MLR)模型。光谱进行卷积平滑和二阶导数处理后,将光谱(225个数据点)分割成25个子区间时,BiPLS优化结果最优。在所定位的信息区间进行GA二次选择特征变量,运行100次依次选择入选频率较高的12个波长点。为简化MLR模型,对于入选的相邻波长选择频率较高者,最后选择 638,734,752,868,910,916和938 nm作为回归变量,建立的MLR预测模型相关系数(R2)、校正均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为0.984,0.364和0.471,优于常用的逐步多元线性回归的建模结果。表明BiPLS结合GA可以有效地对李子糖度可见/近红外光谱MLR回归变量进行筛选,提高了模型的精度。     

可见/近红外光谱检测冷鲜猪肉中的脂肪、蛋白质和水分含量

采用可见/近红外光谱分析方法对冷鲜猪肉中的脂肪、蛋白质和水分含量进行了研究。光谱数据经多元散射校正(MSC)处理后,分别建立0～4 ℃和20 ℃下的原始光谱、一阶导数和二阶导数的偏最小二乘(PLS)定量分析模型,比较其相关系数(r)、校正标准差(RMSEC)和预测标准差(RMSEP),得到一阶导数处理后的模型最好,并且0～4 ℃下的模型优于20 ℃下的模型。0～4 ℃和20 ℃下脂肪的相关系数(r)分别为0.950和0.924,蛋白质为0.713和0.455,水分为0.944和0.914;脂肪的预测标准差(RMSEP)分别为2.41和2.95,蛋白质为5.44和4.25,水分为2.37和2.38。由此可见,可见/近红外光谱分析方法能够很好的检测冷鲜猪肉中的脂肪和水分,蛋白质的检测结果较差是由冷鲜肉加工工艺引起的。另外,两种温度下光谱曲线在770 nm附近产生了波长漂移,漂移量约10 nm。     

近红外光谱结合ELM快速检测固态发酵过程参数pH值

pH值是固态发酵过程关键参数之一,为此提出基于近红外光谱技术的秸秆蛋白饲料固态发酵过程参数pH值检测方法。利用近红外光谱系统获取140个固态发酵过程产物样本在10 000～4 000cm-1范围内的近红外光谱数据,通过酸度计测得近红外光谱预测模型的参考测量值;运用ELM算法建立pH值的预测模型,在模型建立过程中由交互验证法确定最佳主成分因子数和ELM网络隐含层节点数。试验结果显示:最佳ELM网络模型的拓扑结构为10-40-1,模型预测集相关系数(Rp)和预测均方根误差(RMSEP)分别为0.961 8和0.104 4。研究结果可为固态发酵过程参数的在线检测提供技术基础。     

毒死蜱乳油中敌敌畏违禁添加的红外快速测定

分别采用中红外衰减全反射技术和近红外光谱分析透射技术对毒死蜱乳油中违禁添加的敌敌畏乳油含量进行了快速定量测定。利用偏最小二乘法(partial least squares,PLS)建立敌敌畏的定量模型并进行优化,再分别用独立检验集和不同批次考核样本对模型适应性进行评价。结果表明,中红外和近红外光谱分析技术均可以准确测定毒死蜱乳油中敌敌畏的含量。中红外校正集标准差(RMSEC)为0.013,近红外为0.020,模型测定系数(R2)二者均为1.000。对于考核样品,近红外模型适用性更好,不需要进行模型修正,预测标准差(RMSEP)为0.09;中红外模型需要进行修正,修正后预测标准差(RMSEP)为0.03。红外光谱分析技术因前处理方法简单,测量迅速、方便,对于监督部门进行农药质量控制具有重要意义。     

近红外光谱技术结合RCA和SPA方法检测土壤总氮研究

基于近红外光谱技术结合连续投影算法和回归系数分析对检测土壤总氮含量进行研究。采集农田土壤样本近红外光谱数据,土壤样本数量共394个。由于原始光谱数据量大,在500～2 500 nm光谱波长范围基础上,为简化模型,在原始光谱基础上采用连续投影算法和回归系数分析提取特征变量,以两种变量选择方法提取的特征变量作为输入,分别采用偏最小二乘回归(PLS)、 多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)建模方法建立总氮预测模型,共建立了9个预测模型,最优预测集的决定系数为0.81,剩余预测偏差RPD为2.26。研究表明,基于连续投影算法和回归系数分析选择的特征波长可以应用于近红外光谱检测土壤总氮含量,同时可以大大简化模型,适合开发便携式土壤养分检测仪。     

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。     

典型作物残茬磷分子形态表征

作物残茬还田对农业绿色发展和地力提升意义重大。我国作物残茬产量大，种类多，研究典型作物残茬中磷的赋存形态是预测其还田后作物有效性的前提。目前，液相磷-31核磁共振（31P-NMR）是可在分子水平上表征磷素形态的主流分析技术。而利用该技术表征作物残茬磷素形态的已有研究有限，且主要采用不同磷化合物的化学位移进行图谱解析。由于某些有机磷的峰位置相邻，其化学位移受样品pH等化学条件影响较大，导致单纯依靠文献报道进行图谱解析存在较大不确定性，并且识别出的有机磷种类偏少。该研究进行加标实验，选取典型作物残茬（玉米、小麦、水稻、大豆、花生、棉花），利用液相31P-NMR技术表征了不同部位（茎叶、谷壳和种子）磷的分子形态及其含量。研究发现，所有供试作物残茬中总磷含量均为种子＞谷壳＞茎叶。NaOH-EDTA前处理对供试作物残茬总磷有较高的提取率（73%~139%），平均105%。根据加标试验的31P-NMR图谱，供试样品中检测出的无机磷形态包括正磷酸盐、焦磷酸盐、三聚磷酸盐，有机磷包括植酸、α/β-甘油磷酸盐、单核苷酸，首次在作物残茬的正磷酸二酯组分中检测到脱氧核糖核酸；供试茎叶和谷壳中磷均以正磷酸盐为主，大约占NaOH-EDTA可提取磷的49.3%~71.6%，种子以植酸为主，占比达48.5%~82.9%；将正磷酸单酯和正磷酸二酯含量针对正磷酸二酯的降解产物进行矫正，发现作物茎叶中正磷酸二酯（17.1%~33.5%）高于正磷酸单酯（9%~13.5%），谷壳中正磷酸单酯和正磷酸二酯的百分含量分别为8.8%~23.2%及8.8%~24.6%，种子中则以正磷酸单酯为主（57.6%~82.9%）。研究结果表明，供试作物残茬尤其茎叶秸秆还田后可能释放正磷酸盐和正磷酸二酯，作为有效磷源供给后茬作物吸收。该研究为作物残茬还田及农田磷肥管理提供重要科学依据。     

激光诱导击穿光谱精确测定燃煤工业分析指标的研究

燃煤工业指标的在线精确分析对于指导燃煤工业优化生产、降低燃煤煤耗至关重要。利用激光诱导击穿光谱(LIBS)分析燃煤煤质时,因受我国复杂多样煤种所导致的“基体效应”,测量精度有待提高。实验中对激光诱导燃煤等离子体光谱至燃煤工业分析指标转化过程中的光谱预处理和定标建模方法进行了优化选择。实验结果表明,利用单/多峰Lorentzian光谱拟合计算谱线强度相比于传统计算方法,谱线强度RSD均值可由12.1%降至9.7%;对于核函数参数寻优,相比于网格参数(Grid)和遗传算法(GA),粒子群算法(PSO)的平均绝对误差(MAE)最小;采用PSO参数寻优式支持向量机(SVM)回归建模的预测均方根误差(RMSEP)小于偏最小二乘回归分析法(PLS);采用单/多峰Lorentzian光谱拟合方法和PSO参数寻优式SVM回归建模,对燃煤工业分析指标预测的平均绝对误差(AAE)为：灰分为16%～30%时AAE为1.37%,灰分大于30%时AAE为1.77%,发热量为9～24 MJ·kg-1时AAE为0.65 MJ·kg-1,挥发分低于20%时AAE为1.09%,挥发分大于20%时AAE为1.02%。     

光谱技术结合BiPLS-GA-SPA和ELM算法的生菜冠层氮素含量检测研究

氮素是影响生菜产量和品质的重要因素,光谱技术是检测作物氮素含量最有效的手段之一。通过获取不同氮素水平下生菜冠层的反射光谱,对其进行FDSGF（first-order derivative based savitzky-golay filt）滤波后,利用后向区间偏最小二乘算法（BiPLS）、遗传算法（GA）及连续投影算法（SPA）对特征波长进行梯度提取,最终从2 151个波长点中提取了8个与生菜氮素最为相关的特征波长。分别利用多元线性回归（MLR）、径向基函数神经网络（RBFNN）及极限学习机（ELM）三种算法建立了基于特征波段或特征波长的8个生菜冠层氮素含量检测模型。结果表明： BiPLS-GA-SPA-ELM模型（RMSEC=0.241 6%,R_c=0.934 6,RMSEP=0.284 2%,R_p=0.921 8）的预测结果优于其他模型,为指导合理施肥和开发便携式仪器提供了理论基础。     

亚胺硫磷表面增强拉曼光谱定量解析模型研究

拉曼光谱分析方法结合表面增强技术用于亚胺硫磷农药的检测。连续小波变换(continuous wavelet transforms, CWT)和连续投影算法(successive projections algorithm, SPA)分别用于拉曼光谱的预处理和特征拉曼位移的选择,多元线性回归(multi-linear regression, MLR)用于特征拉曼吸收的回归分析。结果表明,芯片增强可以实现低浓度农药溶液拉曼响应的增强;CWT可以提高拉曼光谱的分辨率和平滑度,消除光谱的平移误差;基于SPA方法的特征位移选择方法,既可以提高模型的分析精度,又可以简化MLR模型的回归变量;与特征增强波段的MLR模型比较,CWT-SPA-MLR模型可将验证集的预测相关系数(correlation coefficient,r)和预测均方根误差(root mean square error of prediction,RMSEP)由0.823和1.640改善为0.903和1.122。CWT-SPA-MLR可用于拉曼光谱定量解析模型的建立,该方法简单易用具有良好的重复性。     

Research on Quantitative Analytical Model for Determination of Phosmet by Using Surface Enhanced Raman SpectroscopySCIEI北大核心CSCD

Raman spectroscopy combined with surface enhanced technology was adopted for analysis of phosmet pesticide. Continuous wavelet transforms (CWT) and successive projections algorithm (SPA) were used for Raman spectral preprocess and characteristic Raman shifts selection, respectively. Multi-linear regression (MLR) was used for spectral modeling. It is shown that enhanced chips can achieve enhanced Raman spectral signal for low concentration of pesticides. CWT can improve spectral resolution and smoothness, and remove translation error. Characteristic Raman shifts selection method of SPA can improve analytical precision, and simplify modeling variables of MLR CWT-SPA-MLR model can improve correlation coefficient (r) of prediction from 0. 823 to 0. 903, and reduce root mean square error of prediction (RMSEP) from 1. 640 to 1. 122. CWT-SPA-MLR method can be used for constructing analytical models for Raman spectra and has good interpretability and repeatability.