可见-近红外光谱的土壤养分快速检测

在测定土壤养分中,可见-近红外光谱技术具有很大的应用空间。该研究探讨了基于可见-近红外光谱(250~950nm)离线、快速测定土壤总氮(TN)、总磷(TP)、总钾(TK)、总碳(TC)等土壤养分的方法及应用。采集青岛三个不同地区土壤样品(异质性较高的山地土壤与河畔土壤)各60份,总计180份,并测定其TN,TP,TK,TC含量及其可见-近红外反射光谱,利用Kennard-Stone法按2∶1比例划分校正集和检验集,采用遗传算法分别提取TN,TP,TK,TC特征波长,以偏最小二乘法建立定量分析模型。TN,TP,TK,TC含量所建光谱模型的相关系数分别为0.970,0.964,0.680和0.967,检验集的相关系数分别为0.980,0.937,0.717和0.972,检验集的RPD值分别为4.570,2.424,1.411和4.135。结果表明,该方法能够对土壤TN,TP,TC含量进行精确预测,对土壤TK含量进行粗略预测。该研究主要依靠可见光波段,较好的预测了异质性较高的土壤的氮磷钾等养分含量,有望降低未来土壤养分速测的成本。此外,该研究还提供了青岛土壤养分的光谱库,为我国土壤大数据库的建立提供技术支撑。     

人教版教材与美国《 物理原理与问题》教材的比较研究

教材是教师教学和学生学习的有效依据, 充分解读比较不同版本教材, 有助于提高教材编写的质量, 从而优化教与学. 以中美物理教材( 中: 人教版必修1; 美: 物理: 原理与问题上册)中“ 自由落体”一节内容为例, 深 入比较两版教材的编排设置, 为我国新课标物理教材的进一步完善提供建议     

小波变换的潮滩沉积物含水量预测

潮滩沉积物水分的分布在空间和时间上会有很大的变化,含水量的变化会导致沉积物中生源要素含量的变化。因此,实时、准确、快速的监测潮滩沉积物含水量,对了解潮滩的各种特性,掌握潮滩生源要素信息,潮滩资源的开发有着重要意义。采集青岛市东大洋村潮间带的沉积物115份,分别测定新鲜样品、风干4周、风干8周样品的可见近红外光谱和含水量。以db10小波基和sym6小波基对原始光谱进行小波变换,采用偏最小二乘回归建立潮滩沉积物含水量模型。通过10阶小波变换获取原始光谱的低频信息A_n和高频信息D_n(n=1, 2, …,10),通过原始光谱S分别与高频信息D_n做差值,得到S-D_n,对A_n,D_n和S-D_n建立潮滩沉积物含水量模型,并对模型结果进行分析。原始光谱建立模型的R2_p为0.841,RMSEP为2.767,RPD值为2.481。通过对db10小波基变换后的低频和高频信息分析,无用信息主要集中在D₃和D₄,去除D₃和D₄建立的含水量模型,相比于原始光谱模型精度有明显提高,R2_p为0.878,RMSEP为2.501,RPD值为2.749;通过sym6小波基变换后进行分析,无用信息主要集中在D₅和D₉,去除D5和D9建立含水量模型与原始光谱模型相比,精度也有一定提高,R2_p为0.87,RMSEP为2.475,RPD值为2.768。因此通过小波变换对原始光谱划分低频信息和高频信息进行分析,能够有效找到潮滩沉积物含水量的干扰信息,实现特征信息提取,从而建立准确度更高的潮滩沉积物含水量模型,为潮滩沉积物含水量实时、动态监测提供理论基础。     

气相色谱-质谱联用法测定日用品及食品中9种凉味剂的含量

建立了日用品及食品中薄荷脑等9种新型凉味剂含量的测定方法.样品经乙醇超声提取后,用DB-1701 MS毛细管色谱柱(30 m×0.25 mm×0.25 μm)分离,选择离子监测模式(SIM)进行质谱检测.在优化分析条件下,9种凉味剂分离良好,其在0.25～250 μg/mL浓度范围内线性关系良好,相关系数均大于0.996,除薄荷氧基.1,2丙二醇(0.26 μg/g)外,其余凉味剂的检出限均小于0.1μg/g;在3个不同加标浓度下的平均回收率为82.8％～103.5％,相对标准偏差(RSD,n=6)均不高于3.7％.该方法灵敏、准确、可靠,能较好地分离薄荷脑等9种凉味剂,具有分析时间短、抗干扰性好、定量准确等优点,可为含薄荷(清凉)口味食品的质量控制及未知凉味剂含量样品的分析提供科学数据.     

可见-近红外光谱的模型转移分类方法

基于光谱技术建立的多元校正模型通常条件下只适用于同一台仪器、相同的测试条件及同批次或同类别的样品。在仪器、测试环境、样品发生变化后,已建光谱模型不再适配,需要进行模型转移。模型转移是限制光谱技术推广应用的关键技术瓶颈,模型转移是否成功直接影响到可见-近红外光谱技术的推广应用,为此,综述了其研究现状,并探讨了其未来发展方向。首先,将模型转移问题分成了两类：第一类是相同样品在不同仪器或不同测试环境（不同温度/不同湿度）等条件下产生的模型不适配问题;第二类是不同批次、不同物理形态、不同种类间产生的模型不适配问题。这两类问题性质不同,解决第一类模型转移,能够保证同源样品的准确性和稳定性;解决第二类,能够实现光谱模型在不同样品间的自动传递和匹配应用。然后,梳理了常用的模型转移算法并进行了分类,包括模型更新、基于光谱校正算法、基于结果校正算法等,并列举了每个类别的模型转移算法的应用。模型更新是一种重新计算模型系数最直接的方法,通过扩展和调整模型来满足新的变化;基于光谱校正算法是通过算法计算转移矩阵,实现对光谱的校正;基于结果校正算法是通过算法计算预测结果和实际结果系数,从而实现预测结果的校正。最后,指出未来应着重研究第二类模型转移问题,并且要寻找能够实现机器自动校正的模型转移,从根本上解决模型转移这一限制光谱速测应用的主要技术瓶颈。     

基于高光谱仪与光谱仪模型共享的海洋沉积物碳含量速测的研究

实验室光谱仪和高光谱相机是两种获取物质光谱图像的仪器,两种仪器在实际应用方面各有优势且应用范围广泛。本文以光谱仪为主仪器,高光谱相机为从仪器,通过实验室光谱仪和高光谱相机之间的模型转移来实现对海洋沉积物碳含量快速预测。结果显示,当使用数据标准化处理光谱数据,且校正集和检验集的比例为3∶1,使用PDS-DMP-S/B模型转移算法进行模型转移时,建模结果的R■值为0.69,达到了比较理想的建模结果,为海洋沉积物碳含量从点到面的预测提供了一种新的、快捷的方法。     

气相色谱结合化学计量学分析4种食用植物油的指纹图谱

运用气相色谱法对4类植物油(橄榄油、花生油、菜籽油和大豆油)的脂肪酸组成进行分析,并构建了植物油的指纹图谱,对4类植物油进行鉴别和分类。采用连续投影算法(SPA)对变量进行筛选,选出11个特征变量。以特征变量作为输入,使用主成分分析(PCA)和有监督模式识别(径向基函数神经网络(RBFANN)、线性判别分析(LDA)和最小二乘-支持向量机(LS-SVM))进行建模分析。结果表明,11个特征变量能够较好地区分4类植物油,PCA获得了较好的分类,RBF-ANN的预报结果最佳,预报率为92.6%,并且能准确预报二组分混合掺杂油样。该方法能够准确区分植物油种类,可用于食用植物油的鉴别和掺杂食用植物油的鉴定。     

不同土壤间的全氮光谱模型传递研究

在基于可见-近红外反射光谱的土壤养分速测技术中,不同类型土壤间的模型转移是目前亟需解决的关键问题和难点。以土壤全氮为研究对象,探讨了两种不同土壤间的模型传递方法及其效果。以青岛李村河畔土壤为主样品,通过分段直接矫正结合斜率/截距修正(PDS-S/B)、分段直接矫正结合线性插值(PDS-LI)、典型相关性分析结合斜率/截距修正(CCA-S/B)、典型相关性分析结合线性插值(CCA-LI)、直接矫正结合斜率/截距修正(DS-S/B)、直接矫正结合线性插值(DS-LI)等算法,进行模型转移,实现对青岛浮山山麓土壤全氮含量不同程度的预测。其中,PDS-S/B的模型转移效果最好,均方根误差、平均相对误差、最大相对误差均最小,分别为0.04,6.6%,19.0%。主、从样品经遗传算法提取特征变量后再进行模型转移,相比无任何前处理的模型转移,均有不同程度的提高,其中LI相关的模型转移方法比S/B相关的方法提高的程度更大。研究了不同样品在同一仪器、相同测试环境下的土壤养分的模型传递问题,初步探讨了同一仪器共享一个土壤养分光谱模型的可能性,这将从根本上提高速测效率,有利于光谱技术在土壤养分速测中的推广应用。     

近红外光谱和多分类器融合的葡萄酒品种判别研究

将多种单分类器模型融合,并用融合后的模型对不同品种干红葡萄酒进行判别分析。用BRUKER MPA傅里叶变换型近红外光谱仪采集170个干红葡萄酒样品的近红外透射光谱,选取PLS-DA,SVM,Fisher和AdaBoost作为单分类器建模方法,分别建立葡萄酒品种判别模型,通过差异性度量值对单分类器进行筛选,得到差异性较大的四个单分类器作为基分类器,其中基分类器对测试集葡萄酒品种判别准确率最高为88.24%,最低为81.18%。然后通过加权投票机制对基分类器进行融合,融合后的模型对测试集葡萄酒品种判别准确率提高至92.94%,误判样品个数由单分类器最少的9个降为6个。实验结果表明多分类器融合所建立的模型优于传统近红外光谱定性分析一般采用单分类器模型结果,提高了葡萄酒品种判别的准确性,采用基于近红外光谱的多分类融合方法对葡萄酒种类判定具有可行性。     

基于一种新的特征选择算法的高光谱图像土壤碳含量预测研究

实时、快速监测土壤碳含量,对促进生态系统碳平衡、保障作物健康生长、土地可持续利用等具有重要意义。高光谱图像是预测土壤碳含量的一种很有前景的替代方法。针对高光谱图像中存在的一些噪声和干扰信息,提出了一种新的特征选择算法——扩展连续投影算法(ESPA)。与全光谱、连续投影算法(SPA)、无信息变量消除(UVE)、遗传算法(GA)和人工选择特征光谱的方法相比,ESPA选择谱区对预测进行了改进。结果表明,利用ESPA选择的特征光谱对土壤总碳(TC)含量的预测是有明显效果,为利用高光谱图像预测土壤碳含量提供了一种替代方案。