峨山褐煤的分子结构和分子模拟

作为重要的化石能源，褐煤资源潜力巨大、分布广泛但综合利用率低。研究褐煤的分子结构模型，有助于预测褐煤在热解、液化和气化过程中的化学反应机理及反应路径，进而提高褐煤的综合应用水平。以云南峨山褐煤为研究对象，利用傅里叶变换红外光谱、13C核磁共振波谱及X射线光电子能谱等分析测试方法，获取了峨山褐煤的含碳、含氧及含氮结构参数。在此基础上，借助Gaussian 09计算平台，采用量子化学建模的方法构建并优化了峨山褐煤的分子结构模型。研究结果表明：峨山褐煤的芳碳率为39.20%，芳香碳结构主要为苯和萘，且芳香桥头碳与周边碳的比值χ_b为0.07；脂碳率为49.51%，脂肪碳结构主要为亚甲基，季碳和氧接脂碳；氧原子主要存在于羟基、醚氧、羰基和羧基结构中；含氮结构则以吡啶为主。基于元素分析、13C 核磁共振波谱分析，又经过热重实验消除褐煤中残余水分的影响后，计算出峨山褐煤的分子式为C₁₅₃H₁₃₇O₃₅N₂。依据分子式及分析结果计算出峨山褐煤的结构单元含量并构建出其初始结构模型，采用半经验法PM 3基组及密度泛函理论M06-2X/3-21G基组对初始分子构型进行优化。优化后的分子模型具有明显的三维立体特征，芳香环之间较为分散且在空间中排列不规则，芳香簇主要通过亚甲基、醚氧基、羰基、酯基和脂肪环连接，含氧官能团主要分布在分子边缘，脂肪族侧链较多。对优化后的分子模型进行振动频率计算进而获得了分子模型的模拟红外光谱，其与实验红外谱图吻合度良好，证明了峨山褐煤分子结构模型的准确性、合理性。分子结构模型的构建有利于直观地了解峨山褐煤的分子结构特征，从而有助于从微观分子角度研究峨山褐煤的宏观性质。同时，峨山褐煤分子结构模型可为其在热解、液化和气化等领域研究中提供理论指导。     

可见/近红外光谱图像在作物病害检测中的应用

农作物病害严重影响了我国正常的农业生产，现代农业迫切需要快速、准确、高效的作物病害诊断方法。首先简单介绍了常用病害检测技术，如：聚合酶链式反应技术、人工感官判定技术、统计学方法等，这些方法或是比较费时、或是只能用于产生明显病斑后的病害诊断，而光谱技术在植物病害的快速检测方面有一定的潜力，目前已有大量的研究成果。主要围绕可见/近红外光谱图像在病害检测的应用展开分析和讨论，讨论了该技术所涉及的仪器，并从细胞、植物组织、冠层及更大尺度层面分析了该技术在病害检测中的现况。目前大部分与植物病害有关的可见/近红外光谱研究都以植物叶片为对象，而在更小尺度（细胞至显微尺度）和更大尺度（冠层至航空/航天遥感方面）上的研究较少，特别是单细胞级别的病害研究，只在动物细胞领域展开，而且以荧光、拉曼、红外光谱为主。可见/近红外在以植物叶片为主要研究对象的器官尺度上有大量的成功应用，目前的研究已涉及了大部分的常见作物及其主要病害，包括真菌性、细菌性等各种病原引起的病害的检测。植物叶片尺度的研究主要从以下三个方面展开：(1）基于计算机图像处理和模式识别的病害信息自动快速判断；(2）基于化学计量学方法的高光谱或高光谱图像病害程度模型；(3）建立与作物病害有关的叶片某些理化参数的光谱模型，从而量化病害的程度。在植物叶片这一尺度相关研究的主要问题是：研究过于碎片化，往往只研究了某一种或少数几种病害，所建的模型只能用于特定实验条件，无法直接自动判断任意田间样本的染病种类与程度。在近地冠层尺度，植株的三维形态对光谱模型有较大的干扰，有文献表明以植株近地冠层2D图像作为病害检测数据，偏差较大，所建模型不稳定，基于卫星影像的病害模型较少。还讨论了常用光谱及光谱图像建模与分类方法。目前可见/近红外光谱在农作物病害方面有一定的应用潜力，但存在研究内容的不平衡、研究系统性不够、各学科合作研究不够深入等几大问题。最后提出可见/近红外光谱在病害检测领域中应更注重多学科的深入合作，并急需相关的仪器设备、方法模型方面的突破。     

Solvability of a nonlinear fifth‐order difference equation

Some formulas for well‐defined solutions to four very special cases of a nonlinear fifth‐order difference equation have been presented recently in this journal, where some of them were proved by the method of induction, some are only quoted, and no any theory behind the formulas was given. Here, we show in an elegant constructive way how the general solution to the difference equation can be obtained, from which the special cases very easily follow, which is also demonstrated here. We also give some comments on the local stability results on the special cases of the nonlinear fifth‐order difference equation previously publish in this journal.     

New classes of second order difference equations solvable by factorization method

Under some assumptions we find a general solution of the factorization problem for a family of second order difference equations.     

基于相关子空间的双峰发射线光谱特征提取与分析

低分辨率天体光谱中呈现的双峰发射线轮廓可能反映着比较珍稀的物理现象，如双活动星系核（AGNs）、双超大质量黑洞（SMBH）、喷流云与窄线区的相互作用，也可能是光谱处理过程产生的低质量特征线。双峰发射线轮廓一般由2个或2个以上的波峰构成，对该特征进行提取并分析，可作为双AGN、星系对、双黑洞等稀有天体更有效的搜寻依据，从而有助于更深入地研究星系乃至宇宙的形成与演化。提出一种新的基于相关子空间的双峰发射线特征提取与分析方法，主要工作分为以下三部分：首先利用稀疏差异因子δ度量双峰发射线光谱中属性差异程度，利用KNN方法约束参与稀疏差异因子计算的光谱范围，在此基础上，针对LAMOST低分辨率光谱给出基于相关子空间的特征提取方法；其次，为了验证稀疏差异因子σ以及KNN的输入参数k对双峰发射线光谱的适应性，选择LAMOST双峰发射线光谱样本及普通星系光谱数据，红移范围z<0.3（确保Hα，Hβ，[OⅢ]λλ4 959, 5 007，[NⅡ]λλ6 548, 6 584，[SⅡ]λλ6 717, 6 731等发射线落在LAMOST波长覆盖范围），获得训练集光谱总数332+332（正负样本）条，并借助人眼检查分析该方法中的两个参数：k和δ阈值α对结果的影响，实验表明，当k=18，α=0.6时，相关属性分布较密集且稀疏点较少，结果比较理想；最后，对332条双峰发射线光谱特征子空间所在的波长区间、双峰红/蓝移间隔、双峰线强比等进行了理论分析、测量及人眼认证的基础上，给出了基于相关子空间的双峰发射线特征表述。此外，从双峰特征子空间上不同的发射线激发机制（[OⅢ]/[NⅡ]/[SⅡ]等禁线、Hα、Hβ等氢线）及相关特征子空间上线强关系等角度，对样本中双峰轮廓进行了分析。     

基于XGBOOST的恒星光谱分类特征数值化

恒星光谱分类是研究恒星的基础性工作之一，常用的光谱分类是基于20世纪70年代Morgan和Keenan建立起来的并逐步完善的MK分类系统。然而基于MK规则的交互式决策分类系统对处理海量天文光谱数据存在着一定的困难。目前光谱巡天一般采用的自动化分类则是模版匹配方法而忽略对谱线特征的测量。怎样自动、客观地提取海量光谱中的分类特征并应用这些特征进行分类可以对天体的物理化学性质的统计分析至关重要。针对此问题，通过机器学习和计算光谱的谱线指数结合的方法，提取光谱特征，并通过大数据分析定量地确定对光谱特征谱线的分类判据（数值化），确定每一类光谱具有物理意义的特征谱线的强度分布。首先对LAMOST DR4恒星光谱测量其谱线指数作为输入，光谱的分类标记采用官方发布的分类结果。使用XGBoost算法进行自动分类及特征排序，从而获得已知或未知的对于分类决策最为敏感的谱线。首先，选取高信噪比（S/N>30）、被LAMOST标记为B，A，F和M的恒星光谱数据，总计约414万个。然后，对光谱数据计算谱线指数从而使其得到降维处理，过滤冗余信息。其次，将处理后的恒星光谱数据随机划分为训练集和测试集，通过适当调整算法参数，用训练集得到所需要的分类决策树模型，用测试集测试其稳定性和可用性，以防止出现过拟合，同时使用算法自带函数进行提取分类特征。最后，输出并整理实验中算法所得的决策树模型，并挑选其概率比较大的分支作为最终的决策树模型。通过实验，可以发现在固定参数下，XGBoost所得的模型有一定的自适应性，较少受数据集影响，总体准确率可达88.5%；同时其所输出的分类决策树与已知的特征较为吻合，而且可以获得基于大数据的、数值化的特征谱线对应分类的范围，为完善基于特征的分类提供定量的规则。