耐重金属细菌与土壤胶体体系吸附Cu^2＋、Cd^2＋的红外光谱研究

[目的]红外光谱可提供黏土矿物及微生物表面吸附重金属前后官能团的变化情况,从而为重金属吸附机理的判断提供较为丰富的信息。[方法]采用红外光谱技术探讨了耐重金属细菌NTG-01对褐土胶体、红壤胶体吸附Cu^2＋、Cd^2＋的影响。[结果]细菌促进了褐土胶体表面的Si-O-H-Si基团与Cu^2＋、Cd^2＋的反应;加菌前后吸附Cu^2＋、Cd^2＋的红壤胶体表面功能团红外光谱特征频率无明显差异。[结论]微生物在土壤吸附重金属元素的过程中起着重要作用。     

基于红外光谱概率神经网络的诃子产地鉴别

利用傅里叶变换红外光谱,测定了不同产地诃子(Terminalia chebula Retz.)样品的红外光谱图.采用常规预处理方法和小波变换对红外光谱原始数据进行了预处理,并采用主成分分析进一步压缩光谱数据,前3个主成分的累积贡献率为98.054％.以前3个主成分作为网络输入,诃子产地类别作为网络输出,建立了概率神经网络,同时对建立该网络模型的扩展常数进行了分析.模型分析表明,建立的网络模型能够对40个诃子样品进行产地鉴别,红外光谱法结合神经网络可作为中药材产地分类鉴别的一种新的现代化方法.     

微波消解-原子荧光法测定仙草产品中砷、汞元素含量

[目的]建立微波消解-原子荧光法测定仙草及其产品中砷、汞微量元素的含量。[方法]样品经微波消解,氢化物发生原子荧光法测定砷、汞元素的含量。[结果]所测元素标准曲线相关系数均≥0.999 9,加标回收率分别为砷88.3%~96.2%、汞85.4%~90.5%,RSD均在5%以内。[结论]该研究建立的方法简便、准确、成本低廉,可用于仙草及其产品中砷、汞元素含量的检测。     

基于近红外光谱技术的大米掺伪定量判别

针对现在市场上常见的两种大米掺伪现象,利用近红外光谱技术结合化学计量学方法分别建立了大米中掺入低档米和掺入矿物油的定量分析模型。制配不同掺伪比例的大米样品,采集其近红外光谱,并选用标准正态变量变换、最大最小归一化、平滑和一阶导数4种方法对原始光谱进行预处理,分别结合偏最小二乘法建立PLS定量分析模型。通过对比建模结果选出的最优预处理方法是最大最小归一化,建立的掺低档米模型的校正集和预测集相关系数分别为0.9698和0.9845,均方根误差分别为8.66和6.46;掺矿物油米模型的校正集和预测集相关系数分别为0.9739和0.9888,均方根误差分别为0.106和0.0698。模型的预测精度和稳定性均很好,实现了对两种掺伪大米快速、准确的定量判别,为大米的品质监控提供了一种新的方法思路。     

基于可见/近红外光谱的黄河口区土壤盐分及其主要离子的定量分析

【目的】定量、准确地监测盐渍土,对其防治和农业可持续发展至关重要,论文旨在明确黄河口区土壤盐分及其主要离子的特征光谱,建立适用于该区域的土壤盐渍化定量分析模型,提高其定量分析的精度和稳定性。【方法】首先以山东省垦利县为研究区,于2014年10月5—9日野外采集代表性土样96个,对土样风干后,采用土壤化学分析方法室内分析盐分及其主要离子(Cl~-、Na~+、Ca~(2+))含量,并采用美国ASD Fieldspec 3光谱仪测定土样可见/近红外高光谱数据,对光谱反射率进行去噪、一阶导数变换等预处理;然后基于盐分及其主要离子不同含量的样本光谱分析盐分及其主要离子的光谱响应,在此基础上,对样本的土壤盐分及其主要离子含量与反射率的一阶导数光谱进行逐波段的相关分析,按照相关系数高且显著的原则,选取各自的敏感波段,再根据敏感波段的交叉情况选取集中波段为特征波段,进而选取特征波段中具有极值相关系数的波段作为显著特征波段,综合确定表征土壤盐分及其主要离子(Cl~-、Na~+、Ca~(2+))的特征光谱;最后分别采用多元线性回归(multiple linear regression,MLR)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)方法构建土壤盐分及其主要离子的定量高光谱分析模型。【结果】研究区土壤盐分及其主要离子(Cl~-、Na~+、Ca~(2+))含量的光谱曲线形状和走势整体一致;土壤盐分及其主要离子(Cl~-、Na~+、Ca~(2+))的光谱响应谱区为1 320—1 495、1 790—1 920、2 120—2 290 nm;基于相关分析的土壤盐分及其主要离子的敏感谱区为1 490—1 520、1 890—1 930nm;最后综合光谱响应及相关分析确定土壤盐分及其主要离子的特征波段为1 493、1 801、1 911和2 289 nm,显著特征波段为1 493和1 911 nm。模型结果显示基于2个显著特征波段反射率一阶导数的模型精度均与4个特征波段的模型精度相当,表明显著特征光谱作为盐分及其主要离子的特征光谱进行其定量分析的有效性。比较3种建模方法,RF模型的预测效果最好,SVM模型次之,而MLR模型精度最低;对于盐分、Cl~-和Na~+,3种方法构建的模型均可有效地用于其定量分析,精度较高且稳定,然而Ca~(2+)预测精度还有待提高。通过综合比较分析,基于显著特征波段(1 493和1 911 nm)反射率一阶导数构建的随机森林(RF)模型对盐分、Cl~-和Na~+均具有较好的估测精度和稳定性,也可用于Ca~(2+)的定量估测。【结论】基于光谱响应及相关分析综合确定盐分及其主要离子的显著特征光谱(1 493和1 911 nm反射率一阶导数),进而采用随机森林方法构建盐分及其主要离子的定量估测模型,适用于黄河口区土壤盐渍化信息的有效提取。     

近红外光谱法测定土壤全氮和碱解氮含量

为探寻采用近红外光谱技术在野外快速测定土壤全氮和碱解氮含量的方法,采集土壤光谱信号,结合偏最小二乘法和主成分分析法,分别建立土壤全氮和碱解氮含量测定的定标模型。结果表明,采用PLS方法建模时,土壤全氮和碱解氮含量测定定标模型的精度较高。为提高模型的预测精度,采用多元散射校正、标准归一化、基线校正、卷积平滑和小波变换5种方法对光谱信号进行预处理,当用小波变换法对光谱信号进行去噪处理,并与PLS方法结合时,模型的预测精度最高,土壤全氮样品校正模型的相关系数为0.838 5,均方根误差为0.153 1,对应验证模型的相关系数为0.754 9,均方根误差为0.184 2,校正集和验证集土壤全氮含量预测值(y)与实测值(x)之间的关系模型分别为y=0.685 8x+0.198 0和y=0.621 4x+0.237 9;土壤碱解氮样品校正模型的相关系数为0.866 5,均方根误差为0.007 7,对应验证模型的相关系数为0.796 1,均方根误差为0.009 4,校正集和验证集土壤碱解氮含量预测值(y)与实测值(x)之间的关系模型分别为y=0.749 8x+0.019 4和y=0.700 7x+0.023 3。综合分析结果表明,应用近红外光谱技术对土壤全氮和碱解氮含量进行定量预测是可行的,且应用小波变换方法对光谱冗余信息进行预处理后,再与偏最小二乘法相结合可有效地提高模型的精度。     

傅里叶变换红外光谱技术在植物学中的应用

综述了傅里叶红外光谱技术的工作原理及其在生物大分子、亲缘地理学和生理学上的应用,指出了傅里叶红外光谱技术今后的发展方向,为傅里叶红外光谱技术在植物学领域的研究提供借鉴。     

机器学习在近红外光谱法判别鲍鱼品种研究中的应用

为解决市场上鲍鱼产品缺乏科学分类方法的问题,利用近红外光谱分析技术结合机器学习方法对鲍鱼快速分类进行研究,使用MicroNIRTM1700便携式近红外光谱仪采集3种鲍鱼,即绿盘鲍(25只)、红壳鲍(31只)、皱纹盘鲍(35只)的光谱数据,采用CART算法建立鲍鱼分类决策树模型,以模型对测试集样本的预测准确率衡量决策树模型优劣,分裂策略为在每个节点处选择Gini不纯度最大的方式进行分裂,通过交叉验证控制决策树深度。结果表明,对训练集180条光谱建立模型,采用5折交叉验证,模型准确率为90.00%,对测试集93条光谱的预测准确率为90.32%。本研究方法可以很好地区分绿盘鲍、红壳鲍和皱纹盘鲍,满足鲍鱼现场快速分类的需求。     

近红外光谱法对茶叶中游离氨基酸含量的快速测定

为建立一种快速检测茶叶中游离氨基酸含量的方法,应用近红外光谱分析技术对贵州省不同产地的162个绿茶样品中的游离氨基酸含量进行检测,并结合偏最小二乘法(PLS),建立茶叶中氨基酸含量的预测模型。结果表明:通过标准归一化(SNV)光谱预处理,光谱范围选择6 657.74～6 178.16、5 793.11～5 688.98、4 493.33～4 350.62cm-1,主因子数为11,得到模型的内部交互验证相关系数(R)为0.981 56,交互验证均方差(RMSECV)为0.501;模型的预测值与实测值的相关系数为0.998,预测均方差(RMSEP)为0.312,稳定性试验得到的相对标准偏差(RSD)小于0.4%。综合分析,傅里叶变换红外光谱法与化学计量学方法相结合可以实现茶叶游离氨基酸的快速检测,满足检测要求。     

近红外透射光谱技术测定黍稷蛋白含量的研究(英文)

[目的]探索快速测定完整黍稷籽粒蛋白含量的方法。[方法]采用近红外光谱分析技术建立数学模型并进行预测,比较原始透射光谱经导数处理结合不同回归算法对模型的影响。[结果]分别经一阶和二阶导数处理后利用偏小二乘法和改进的偏小二乘法,4 种方法的分析效果相近,最优的是一阶导数结合改进的偏最小二乘回归法,黍稷蛋白定标模型的定标相关系数(RSQ)为0.880 6,定标标准误差(SEC)为0.342 4,交互定标标准误差(SECV)为 0.375 1,外部预测标准误差(SEP)为 0.454。[结论]以完整黍稷籽粒为样品所建立的蛋白 NITS 模型,可以用于黍稷蛋白含量的快速检测。