邮票上的科学家

 邮票世界,犹如浩瀚宇宙,群星璀灿,气象万千.这里介绍的是几位在科学上有所建树的物理学家,尽管他们远离了我们,但他们的精神与事业是永存的.让我们沿着他们的足迹,去回顾他们的辛勤劳动与光辉业绩吧！苹果落地的启示一六八七年七月,英国伟大的物理学家、数学家、天文学家伊萨克、牛顿(Isaac Newton.1642-1727)的科学巨著《自然哲学的数学原理》问世了.这部长达三卷五百多页的不朽名著,是牛顿日以继夜、历时三年写成的.它总结了牛顿前半生在力学和天文学方面的研究成果,阐述了牛顿运动三定律和自然界的普遍规律之一的万有引力定律,奠定了经典物理学的基础.     

固体酸AlCl3/D001催化合成苹果酯的研究

以AlCl3/D001催化乙酰乙酸乙酯和乙二醇反应合成苹果酯，反应条件：乙酰乙酸乙酯1．0mol，乙二醇1．6mol,苯150mL,AlCl3.D001 7g，反应时间3h，苹果脂收率82．3％。     

超高效合相色谱-四极杆飞行时间质谱法测定水果和茶叶中手性农药顺式-氟环唑对映体残留

利用超高效合相色谱-四极杆飞行时间质谱( UPC2-QTOF/MS),建立了顺式-氟环唑在苹果、葡萄和茶叶中的手性对映体拆分与残留分析方法。对合相色谱条件(流动相改性剂及比例、色谱柱温度、背压、辅助溶剂等)进行了优化。样品采用乙腈提取, Cleanert TPT或Pesti-Carb柱净化, Chromega Chrial CCA柱进行分离,以CO2/异丙醇(95：5, V/V)为流动相,流速2.0 mL/min,动态背压13.79 MPa,柱温30℃,离子化辅助溶剂为2 mmol/L甲酸铵的甲醇-水(1：1, V/V),采用超高效合相色谱-四极杆飞行时间质谱分析测定,基质外标法定量。结果表明,本方法的线性范围为0.01 mg/L ~1.00 mg/L,相关系数大于0.99;在0.005,0.025和0.25 mg/kg添加浓度水平下,苹果和葡萄中顺式-氟环唑手性对映体平均回收率(n=6)为67.9%~92.8%,相对标准偏差小于10%,方法定量限为0.005 mg/kg;在0.01,0.05和0.5 mg/kg添加浓度水平下,茶叶中顺式-氟环唑手性对映体平均回收率( n=6)为74.1%~84.0%,相对标准偏差小于8%,方法定量限为0.01 mg/kg。本方法准确、简便、可靠,可以满足残留分析的要求。     

QuEChERS-UPLC-MS/MS法检测苹果中5种农药残留

建立了QuEChERS-超高效液相色谱-串联质谱(QuEChERS-UPLC-MS/MS)检测苹果中5种农药残留的分析方法。样品采用QuEChERS进行前处理,乙腈提取,经PSA、纳米氧化锆(Nano-ZrO₂)和多壁碳纳米管(MWCNTs)组合净化,结合UPLC-MS/MS检测,外标法定量。结果表明,在0.005~0.5 mg/L的浓度范围内5种农药在苹果基质中的线性关系良好,R²≥0.9950;在0.05,0.5和5 mg/kg的添加水平下5种农药的平均回收率在78.1%~117.5%之间,相对标准偏差(RSDs)在1.8%~9.1%之间;定量限(LOQ)为0.1~2μg/kg。该方法适用于苹果中5种农药残留检测。     

气相色谱法测定甜瓜和苹果中嘧菌酯残留

建立了甜瓜和苹果中嘧菌酯残留量的两种气相色谱快速分析方法。实验样品用乙酸乙酯-环己烷(50：50,V/V)超声波萃取,气相色谱-氮磷检测(NPD)或气相色谱-微池电子捕获检测(μ-ECD)法测定。因不存在干扰峰,样品不需净化。这两种检测方法互相确证了定性和定量结果,方法回收率均在85．7％～110．5％之间;最低检出浓度：苹果在NPD上为0．001mg／kg,在μ-ECD上和甜瓜在两种检测器上均为0．002mg／kg,标准曲线的线性回归系数分别为0．9991(μ-ECD)和0．9998(NPD)。经配对t检验统计分析,两种检测方法定量结果无显著性差异。     

LSSVM模型下的近红外光谱联合区间波长筛选方法

针对传统近红外光谱波长选择方法忽略模型中非线性因素的缺陷,采用具有非线性处理能力的最小二乘支持向量机,结合间隔策略的波长选择方法和联合区间的思想,提出了一种非线性模型下的波长筛选算法—联合区间最小二乘支持向量机(synergy interval least squares support vector machines, siLSSVM)。以苹果糖度近红外光谱数据为例,与传统siPLS波长筛选方法相比,新算法的预测集均方根误差(RMSEP)在PLS模型和LSSVM模型预测时分别提高了37.43%和47.88%,预测集相关系数(RP)在PLS模型和LSSVM模型预测时分别增加了6.04%和7.31%。实例表明,对于存在非线性因素较强的光谱数据,siLSSVM算法能够有效的挑选最优波长区间与提高模型的预测精度和鲁棒性,为近红外光谱在非线性因素下筛选波长提供了新前景。     

基于高光谱成像技术和MNF检测苹果的轻微损伤

苹果损伤是一种发生在水果采摘和产后处理阶段的不可避免的主要缺陷。为了快速有效地识别苹果的轻微损伤,以具有代表性的双色红富士苹果为研究对象,提出了一种以高光谱成像和最低噪声分离(MNF)变换的苹果轻微损伤识别检测方法。首先,使用高光谱成像系统获取苹果的可见-近红外波段(400~1 000 nm)的图像,对比发现全波段的最低噪声分离变换比主成分分析(PCA)变换可获得更好的识别效果;其次,利用I-RELIEF算法对正常表皮和损伤区域的光谱进行分析得出权值系数图,依据该系数曲线挑选出了5个特征波段(560,660,720,820和960 nm);最后,特征波段和最低噪声分离变换开发了损伤苹果的识别检测算法。利用该算法对80个正常苹果和含有不同时间阶段轻微损伤的苹果进行试验,损伤识别总体正确率为97.1%,试验结果表明,利用该方法和选取的特征波段可以快速有效地识别苹果的早期轻微损伤,为利用多光谱成像技术和最低噪声分离变换在线检测苹果轻微损伤奠定了基础。     

基于模糊识别的苹果花期冠层钾素含量高光谱估测

依据2008年和2009年2年在栖霞试验区利用地物光谱仪ASD FieldSpec3测定的苹果花期冠层高光谱和实验室内测定的钾素含量数据,以冠层高光谱反射率及其11变换形式与钾素含量分别进行相关分析,以相关系数最大者为自变量,采用模糊识别算法,建立钾素含量估测模型;以2008年的检验样本对模型进行检验,并利用2009的独立试验数据对模型进行验证。结果表明,原始光谱反射率(R)及其倒数(1/R)、对数(lgR)、平方根(R1/2)与钾素含量的相关性较差,但它们的一阶微分和二阶微分与钾素含量之间的相关性明显增强;建立的钾素含量估测模型=11.344 5h+1.309 7的相关系数r为0.985 1,总均方根差RMSE为0.355 7,F统计量为3 085.6;24个检验样本实测值与估测值的平均相对误差为9.8%,估测精度为90.2%;2009年试验验证精度达到了83.3%。表明模型用于苹果花期冠层钾素含量的估测具有较高的稳定性,模型精度能满足生产上对苹果钾素含量估测的要求。     

随机森林算法的水果糖分近红外光谱测量

近年来,有关水果糖分等内部品质的近红外光谱测量方法研究很多,并有部分商业化仪器问世。但由于近红外光谱复杂多变,模型的传递性较差,往往所建模型只能针对特定品种甚至特定产地的水果。随机森林(RF)是一种基于决策树的集成算法,通过对分类回归树(CART)模型的集成来提高预测精度。相对于偏最小二乘法(PLS),多元线型回归法(MLR)等方法,随机森林回归方法对非线性数据的解析能力较强。考虑到RF模型的随机性, 通过调试决策树数量(ntree)和分裂变量数目(mtry)等变量来进行模型优选。尝试使用随机森林对不同种类的水果(苹果、梨)糖分进行预测。实验表明,对于同一种类的水果,随机森林和PLS的建模和预测结果均较好。但对于不同种类的水果,随机森林明显增加了模型的预测能力,将建模R2由PLS的0.878提高到了0.999,将建模的RMSEC由0.453降低到了0.015。经过独立的预测集样品对最优RF模型进行检验,预测R2由PLS的0.731提高到为0.888,预测RMSEP由1.148降低到0.334。随机森林在对多种水果糖分预测时,具有明显的优势。这一研究证明了随机森林有望应用于多种水果糖分的近红外光谱测定,进而解决模型的普适性和传递性问题。     

高光谱影像的苹果花叶病叶片花青素定量反演

花叶病是苹果叶片常见的病毒性病害,患病叶片的花青素含量出现异常。以叶片花青素含量作为病害严重程度的定量化指标,使用高光谱成像技术获取感染花叶病的苹果叶片的高光谱图像,分析叶片的光谱特征,通过任意两个波段的反射率的不同数学组合,构建并筛选对染病叶片花青素含量高度敏感的最优光谱指数,进而建立苹果叶片花青素含量的高光谱估算模型,最终实现苹果叶片花青素含量分布状况的可视化表达。结果表明,随着病害严重程度的增大,苹果叶片的花青素含量升高;叶片染病区域的光谱反射率在整个可见光区域明显增加,而且出现了红边蓝移现象。通过两两波段组合构建的三种光谱指数(NDSI_(770,722),RSI_(717,770),DSI_(581,520))与苹果叶片花青素含量的相关系数绝对值均达到0.8以上。在构建的四种苹果叶片花青素含量估算模型中,选用三个光谱指数为参数、并使用偏最小二乘回归方法建立的Anth-PLSR模型精度最高(R2=0.823, RMSE=0.056)。采用Anth-PLSR模型对患病叶片的高光谱图像进行逐像元解算,得到苹果花青素含量分布图。进一步通过叶片花青素含量分布图计算苹果叶片整叶的花青素含量平均值,作为苹果叶片健康程度的定量化指标。此外,通过提取整叶光谱均值、使用同样模型可简洁有效地估算苹果整叶花青素含量平均值。为苹果叶片花叶病病害监测提供了一种直观、快速的技术手段。