土壤质地对多环芳烃荧光工作曲线影响的研究

土壤质地对多环芳烃(PAHs)的荧光检测造成不可忽视的干扰,论文在探究不同二氧化硅含量,相同菲浓度土壤样品荧光强度与漫反射率变化关系的基础上,建立了一种基于近红外漫反射光谱减小土壤质地对PAHs荧光强度影响的校正方法。校正前后荧光强度与PAHs浓度之间线性拟合的复相关系数R²分别为5.42×10^-6和0.94。研究结果表明：所建立的校正方法可有效减小土壤中二氧化硅对荧光定量分析PAHs工作曲线的影响。     

多环芳烃时间分辨荧光光谱特性研究

利用时间分辨荧光光谱技术,研究了菲、荧蒽、芴、蒽、芘等五种多环芳烃的荧光时间分辨发射光谱特性。以289 nm受激拉曼光作为激发光源,研究了289 nm激发光作用下五种多环芳烃的延时特性和门宽特性。并以多环芳烃随延时时间的荧光峰强度衰减关系曲线,得到菲、荧蒽、芴、芘的荧光寿命分别为37.0, 32.7, 10.9, 147.0 ns。不同荧光物质具有特定的荧光光谱特性,多环芳烃时间分辨荧光光谱特性的研究可以为复杂水体中不同种类多环芳烃的诊断提供依据。     

不同土壤物理性质下石油类污染物LIF发射特征研究

利用激光诱导荧光技术可对土壤中石油类污染物快速检测,不同土壤物理性质下,污染物荧光发射特征具有一定差异。为实现外场检测时快速制备合适的土壤样品,实验研究了土壤疏松度、颗粒度、湿度与土壤中石油类污染物荧光强度及光谱稳定性之间的关系。压片机压强大于2 MPa时土壤样品荧光光谱的稳定性较好,九种不同疏松度的土壤样品荧光强度的相对标准偏差为3.51%。不同粒径的机油土壤样品荧光强度差异较小,其中100目土壤样品的荧光光谱RSD值为2.25%。结果表明,土壤样品表面呈平整洁净时,所得样品荧光光谱的稳定性较好,土壤疏松度和颗粒度对荧光光谱的影响较小。湿度对土壤样品荧光发射的影响较大,当土壤湿度低于10%,荧光强度变化较小;湿度范围大于10%时,荧光强度变化较大。为利用LIF技术对外场土壤中石油类污染物检测时,快速有效制备土壤样品及准确测量提供参考。     

菲的三维荧光光谱特性研究

多环芳烃(简称PAHs)具有高荧光量子产率,利用三维荧光光谱研究了PAHs中菲的荧光光谱特性.菲具有两个荧光峰.通过对菲的三维荧光光谱的分析,选择在激发波长255 nm、发射波长370 nm对菲进行定量分析.菲溶液在5.0～250.0 ng·mL-1的范围内工作曲线呈线性关系,检出限为3.88 ng·mL-1,相对标准偏差为4.23%(n=5),实验还尝试了对自来水样品的测定,测试效果良好,回收率为90.0%～105.4%.该研究为快速检测水源水中痕量PAHs提供了方法基础.     

紫外脉冲激光作用下土壤中多环芳烃的分解与荧光发射特性（英文）

多环芳烃是具有致突变、致癌和致畸作用的一类持久性有机污染物,广泛分布在大气、水、土壤等不同环境介质中。多环芳烃一旦进入土壤便会长期存留于其中,土壤成为环境中多环芳烃的重要储藏库和最终归宿。土壤中的多环芳烃可以通过多种途径进入人体,对人类健康造成威胁。因此,对土壤中多环芳烃的监测十分必要。当前,传统的土壤多环芳烃检测方法过程繁琐、费时,不利于污染场地多环芳烃的大范围快速检测,而基于激光诱导荧光光谱技术的土壤多环芳烃检测法能够快速识别、检测土壤中的有机污染物。多环芳烃类物质具有易挥发,可被紫外光降解等特性,实验中紫外激光能量的选择至关重要,本文利用实验室搭建的266 nm激光诱导荧光系统,以蒽、芘、菲为研究对象,探究不同激光能量下多环芳烃分解和荧光光谱的变化特性。结果表明,当激光的能量密度变化时,荧光中心峰位置未发生偏移,但蒽、芘、菲三种多环芳烃荧光峰处最大强度的相对标准偏差随激光能量密度的下降呈现出先下降后上升的趋势:当能量密度为8.54 mJ·cm~(-2)时,三种物质在10次光谱测量结果的相对标准偏差均为最大,蒽、芘、菲三种物质的荧光峰强度相对标准偏差分别在1.72, 1.00和1.47 mJ·cm~(-2)的能量密度下达到最小值;蒽、芘、菲在100 s时,分解率分别达到59.3%, 69.8%和63.6%,在较高的能量下,蒽、芘、菲三种物质发生了较快的分解,芘相比于其他两种多环芳烃类物质更易发生光降解和热分解等作用,荧光峰强度相对标准偏差也高于蒽与菲;蒽在激光能量密度为1.72 mJ·cm~(-2)时, 10 s时的分解率已经接近于0, 100 s时分解率仅为12.8%,荧光峰强度相对标准偏差达到最低,当激光能量密度降至0.88 mJ·cm~(-2)时,蒽在100 s内的分解几乎可以忽略不计;对于芘而言,当激光能量密度降至1.00 mJ·cm~(-2)以下时,分解作用基本趋于一致, 100 s时分解率在47.3%～47.4%;而对于菲而言,当激光的能量密度低于1.47 mJ·cm~(-2)后,分解率不再随激光能量密度的降低而明显下降,在100 s时的分解率在36.8%～38.6%;在低能量密度土壤中芘与菲下仍发生分解作用。     

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。     

菲及腐殖酸混合液荧光法定量分析研究

多环芳烃作为普遍关注的优先监测污染物,在水环境中其含量很低,易受共存物腐殖酸的干扰。由于多环芳烃与腐殖酸的光谱重叠严重,很难用常规方法快速的定量检测。菲(PHE)作为多环芳烃中的模式化合物,对菲和腐殖酸(HA)的荧光光谱特性进行了研究,分析了腐殖酸共存下对菲定量检测的影响。采用平行因子算法分析混合液的三维荧光光谱,在激发波长为240～360 nm(5 nm为间隔)、发射波长为 260～575 nm(5 nm为间隔)下对该体系进行了分辨研究,并对菲和腐殖酸进行荧光光谱测量。实验结果表明,此方法可用于有干扰共存下多环芳烃化合物的直接快速定量检测。     

三种多环芳烃混合溶液二维荧光相关谱解析

多环芳烃为优先控制污染物,但是由于其含量很低,多组分多环芳烃荧光峰相互重叠,所以常规荧光光谱法无法对其荧光峰进行有效解析。采用二维荧光相关分析方法对三种多环芳烃,蒽、菲和芘的混合溶液进行荧光峰解析。根据研究目标,按照三种多环芳烃浓度比的不同配制了三种混合物体系,共27个样本,每种体系的三种溶液浓度彼此间按规律递增和递减。在此基础上,以浓度为外扰,构建了各体系的同步和异步二维荧光相关谱。同步谱中,在425,402,381,373,365,393及347 nm处产生自相关峰。以未被覆盖的菲在347 nm处荧光峰为线索,通过其与各波长处荧光交叉峰的正负,判断出了402,381,425和452 nm处荧光峰源于混合溶液中的蒽; 373与393 nm处荧光峰源于混合溶液中的芘; 365,356及347 nm处荧光峰源于混合溶液中的菲。通过异步谱解析出菲的385 nm处荧光峰,证明了异步谱比同步谱具有更好的光谱分辨率。研究结果表明,采用二维荧光相关方法对光谱严重重叠的多组分多环芳烃的解析是可行的,并具有一定的优势,可推广到对环境中其他污染物质的检测。     

基于三维荧光光谱法和PARAFAC对多环芳烃定性定量分析

三维荧光光谱法在研究多环芳烃(PAHs)类物质的荧光信息时起到了重要作用。多环芳烃类物质具有致癌性,难降解性,多由尾气排放,垃圾焚烧产生,危害着人类健康及环境,因此人们不断探索对多环芳烃检测的方法。实验选取多环芳烃中的苊和萘作为检测物质,利用FLS920荧光光谱仪,为避免荧光光谱仪本身产生的瑞利散射影响,设置起始的发射波长滞后激发波长40 nm,设置扫描的激发波长(λex)范围为:200~370 nm,发射波长(λem)范围为:240~390 nm,对多环芳烃进行荧光扫描获取荧光数据,采用三维荧光光谱技术结合平行因子算法对混合溶液中的苊和萘进行定性定量分析。实验选用的苊和萘均购于阿拉丁试剂官网,配制浓度为10 mg·L-1的一级储备液,再将一级储备液稀释,得到苊和萘浓度为0.5,1,1.5,2,2.5,3,3.5,4和4.5 mg·L-1的二级储备液,并将苊和萘进行混合。在进行光谱分析前需要对苊和萘的光谱进行预处理,采用空白扣除法扣除拉曼散射的影响,并采用集合经验模态分解(EEMD)消除干扰噪声。实验测得苊存在两个波峰,位于λex=298 nm,λem=324/338 nm处,萘存在一个波峰,位于λex=280 nm,λem=322 nm处。选用的PARAFAC算法对组分数的的选择很敏感,因此采用核一致诊断法预估组分数,估计值2和3的核一致值都在60%以上,分别对混合样品进行了2因子和3因子的PARAFAC分解,将分解后得到的激发发射光谱数据和各组分浓度数据进行归一化处理,并绘制光谱图,与归一化处理后的真实的激发发射光谱图和各组分浓度图进行对比。同时将PARAFAC得到的混合样本的预测浓度,通过计算回收率(R)和均方根误差(RMSEP)来判定定量分析的准确度。选择2因子时,各混合样品中苊和萘拟合度为95.7%和96.7%,平均回收率分别为101.8%和98.9%,均方根误差分别为0.0187和0.0316;选择3因子时,各混合样品中苊和萘拟合度为95.3%和95.8%,平均回收率分别为97%和102.5%,均方根误差分别为0.033和0.116,由三项指标可得选用2因子进行定性定量分析的效果明显好于选用3因子。分析实验结果表明,基于三维荧光光谱法和PARAFAC算法对混合样品进行定性定量分析,能够有效的判定混合样品的类别,同时能够成功的预测出混合样品的浓度。     

低温恒能量同步荧光法同时快速检测食品中多种多环芳烃

恒能量同步荧光法应用于多环芳烃的检测可以提高选择性,低温可使谱带呈指纹特征,提供常温光谱无法获得的光谱细节信息,有助于实现对复杂基体中多环芳烃的检测。文章结合恒能量同步荧光扫描技术与斯波斯基低温技术,建立了食品中多种多环芳烃的低温恒能量同步荧光同时快速分析方法。对低油脂样品直接用正辛烷浸泡,高油脂样品也只需要增加皂化萃取,即可进行光谱扫描来检测食品样中的多种多环芳烃。对两种类型的实际样进行加标回收实验,回收率为80.2%～98.9%,定量工作曲线线性较好(r≥0.993 8)。该方法选择性好、操作简便快捷、费用低廉。     

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。     

农田土壤水分含量的激光诱导荧光光谱表征

通过实验探讨了植物的激光诱导叶绿素荧光光谱与土壤水分间的关系。实验利用Y-形光纤探头获取了植物在450 nm LED光源照射下所发出的叶绿素荧光光谱,同时利用TDR传感器测量土壤湿度。实验以水稻为研究对象,研究了在持续水分胁迫和间歇水分胁迫下,叶绿素荧光光谱743 nm附近波峰的变化,结果发现,波峰强度与土壤水分含量具有相关性。最后,利用Lorentzian方程,将持续水分胁迫下的土壤含水量与叶绿素荧光强度进行建模,发现所建的模型具有较高的决定系数,说明该方法可以应用于农业生产中对土壤水分的测量。     

同步荧光光谱法测定水中痕量萘和菲

同步荧光法具有选择性好、灵敏度高、干扰少等特点,可用于多组分多环芳烃混合物的同时测定,本文建立了恒定波长同步荧光光谱法同时测定水中萘和菲的新方法。研究了萘和菲在不同溶剂中的荧光光谱特性,确定了同步荧光的最优波长差。当Δλ=100 nm,萘和菲激发波长(λ_ex)分别为220.2和248.8 nm时,在0.5～25.0 μg·L-1浓度范围内,荧光强度与浓度呈现良好的线性关系,相关系数分别为0.999 5和0.999 7;萘和菲检出限均低于0.03 μg·L-1,回收率在98.0%～101.5%。该方法方便快捷,预处理简单,可用于水中萘、菲的快速测定。     

不同含水量黑土土壤光谱反射率半经验模型构建

土壤含水量的变化情况与时空分布对热量平衡、农业墒情等具有显著的影响。利用反射率光谱信息反演土壤含水量的研究,可为实现土壤含水量速测、揭示土壤含水量时空变异规律提供科学依据。构建不同含水量黑土土壤反射率光谱半经验模型,深入探究土壤重量含水量与反射率光谱的关系。 制备了12种不同湿度的土壤样品。 采用ASD Field Spec Pro 3地物波谱仪对制备的不同湿度梯度的黑土土壤进行反射率光谱测量。 利用菲涅耳反射率建立土壤表面反射模型;在以往的研究中,Kubelka-Munk (KM)模型中的漫反射率R_∞通常被视为对于给定材料和照明波长的常数或需要反演的参数。通过研究发现,漫反射率R_∞不仅与材料和波长有关,还与土壤含水量相关。利用与土壤含水量相关的吸收系数及散射系数描述了土壤含水量与漫反射率R_∞的关系,并基于KM理论对体散射分量进行建模;进而构建不同含水量黑土土壤反射率光谱半经验模型。 根据实际测量数据选用最小二乘算法对模型参数进行反演,并通过分析反演参数简化模型。最后,将未参与建模的不同含水量梯度的数据代入模型中,验证模型的有效性。结果表明：对比不同含水量土壤反射率光谱的模拟值与实测值在400～2 400 nm波段范围内的模拟精度发现,含水量为200 g·kg-1的土壤反射率光谱的均方根误差最大,为0.008,含水量为40 g·kg-1的土壤反射率光谱的均方根误差最小,为0.000 6,不同含水量下土壤样品反射率光谱的均方根误差的均值是0.005 1。在400～2 400 nm波段范围内,不同波长下黑土土壤反射率光谱的预测均方根误差基本低于0.008,1 920 nm波长处的预测均方根误差最小,为0.002 062。采集长春地区的土壤检验模型的可靠性,配制15个不同含水量样品并对其进行反射率光谱测量。选取9个样品数据用于建模,6个样品数据用于验证。结果表明：在400～2 400 nm波段范围内,不同波长下的长春土壤反射率光谱的预测均方根误差基本低于0.015,525 nm波长处的预测均方根误差最小,为0.000 922 5。综上所述,所建立的模型具有很高的预测精度,可很好地适用于不同含水量黑土土壤反射率光谱的模拟。     

BP神经网络结合ATLD与三维荧光光谱法测量水中多环芳烃

多环芳烃(PAHs)是煤,石油,木材,烟草等燃料和有机高分子化合物等有机物不完全燃烧时产生的一种持久性有机污染物。迄今已发现有200多种PAHs,其中有多种PAHs具有致癌性。PAHs广泛分布于我们生活的环境中,水中的PAHs主要来源于生活污水,工业排水和大气沉降。使用三维荧光光谱法,结合BP神经网络与交替三线性分解(ATLD)算法对水中的PAHs进行定性和定量分析。以苊（ANA）和芴（FLU）2种PAHs为目标分析物,用甲醇（光谱级）制备样本。使用FS920稳态荧光光谱仪对样本进行检测,设置激发波长为200～370 nm,间隔10 nm记录一个数据;发射波长为240～390 nm,间隔2 nm记录一个数据。设置初始发射波长总是滞后激发波长40 nm,以消除一级瑞利散射的干扰。随后使用BP神经网络法对待测样本数据进行预处理。利用BP神经网络基于误差反向传播算法(error back propagation training,BP)原理,对测得的三维荧光数据进行数据压缩处理,该方法具有柔性的网络结构与很强的非线性映射能力,网络的输入层、隐含层和输出层的神经元个数可根据实际情况设定,并且网络的结构不同时,性能也有所差异。随后,用ATLD算法分解预处理后的三维荧光光谱数据。采用核一致诊断法确定待测样本的组分数为2。结果表明,ATLD算法分解得到两种PAHs(ANA和FLU)的激发、发射光谱图与目标光谱非常相似,能实现光谱重叠严重的PAHs(ANA和FLU)的快速定性和定量分析,实现了以“数学分离”代替“化学分离”。将预测样本导入训练好的BP神经网络中,得到处理后待测样本数据的网络均方差（MSE）均小于0.003,网络的峰值信噪比（PSNR）均大于120dB（数据压缩中典型的峰值信噪比值在30～40 dB之间,越高越好）,可见BP神经网络对样本数据的压缩效果较好。BP神经网络训练后,得到输出值与目标值之间的拟合度高,拟合系数达0.998,具有较好的数据压缩效果。使用ATLD算法对待测样本进行分解后得到平均回收率为97.1％和98.9％,预测均方根误差为0.081 8和0.098 5 μg·L-1。三维荧光光谱结合BP神经网络和ATLD能够实现痕量PAHs的快速检测。     

水分对土壤近红外光谱检测影响的二维相关光谱解析

为了能进一步分析水分对土壤近红外光谱检测的影响,分别从三个地方(桃园堡、 牧场和农大示范田)采集了三种土壤,经过筛、 烘干后分别配制了含水率为20%, 15%和10%的土壤,然后采用ASD公司的FieldSpec3光谱仪在保证其他检测条件不变的情况下,对不同含水率下不同采集地的土壤进行了检测,获得了其不同含水率下的动态光谱图。 最后视水分为外部干扰,应用二维相关光谱的理论对其进行了分析。 结果表明,在350～2 500 nm波段范围内,三个不同采集地土壤的同步二维相关光谱图比较类似,都在2 210和1 929 nm附近处出现较强的自动峰,在1 415 nm附近处有较弱的自动峰;从三处自相关峰的密集程度来看,1 929 nm处对应的官能团对水分最敏感,2 210 nm处次之,1 415 nm处最不敏感。 该研究明确找出了水分对土壤近红外光谱检测影响的敏感波段和敏感程度,为今后消除水分影响建立抗水分干扰模型提供了依据。     

三种品牌牛奶的荧光光谱特性研究

应用FLS920P型稳态和时间分辨荧光光谱仪,对三种品牌不同脂肪含量的纯牛奶和鲜奶（共9种）进行了荧光光谱的测量。9种牛奶样品的三维荧光光谱显示,牛奶的荧光峰值波长为349 nm左右,半高宽为66 nm左右,最佳激发波长为291 nm左右,平均寿命为4.6 ns左右,实验表明9种牛奶的荧光光谱除荧光强度外基本一致。实验测得酪蛋白溶液的荧光峰值波长为344 nm,半高宽为66 nm,最佳激发波长为295 nm,荧光寿命为4.1 ns。酪蛋白的荧光峰值波长和荧光寿命与牛奶基本一致,对比牛奶中其他荧光物质后,推断牛奶的主要荧光物质为酪蛋白。进一步探究9种牛奶荧光强度的差别,对比9种牛奶最佳激发波长下的荧光发射光谱,相同品牌的全脂牛奶荧光强度明显低于脱脂牛奶。对比全脂牛奶、脱脂牛奶和离心处理的全脂牛奶归一化后的荧光光谱,离心后的全脂牛奶荧光强度介于全脂和脱脂之间,离心使得脂肪减少,散射降低,从而导致荧光强度的增强。牛奶的荧光发射全谱显示全脂牛奶的瑞利散射强度明显高于脱脂牛奶,全脂牛奶的脂肪含量高,散射强,激发光入射全脂牛奶后更多地被散射,导致全脂牛奶的瑞利散射强度高于脱脂牛奶。光透过率曲线显示全脂牛奶的透过率都低于脱脂牛奶,入射光通过全脂牛奶时,除了一部分被酪蛋白吸收以外,还有一部分因脂肪的散射而损失,透过率减小,使得全脂牛奶的透过率都低于脱脂牛奶。使用荧光光谱技术在不进行预处理的情况下对牛奶进行检测,确定了牛奶的主要荧光物质,并对全脂牛奶和脱脂牛奶荧光强度存在差别的原因进行了解释。