時間：2023-05-28 08:21:51
緒論：在尋找寫作靈感嗎？愛發(fā)表網(wǎng)為您精選了8篇光譜學與光譜學分析，愿這些內(nèi)容能夠啟迪您的思維，激發(fā)您的創(chuàng)作熱情，歡迎您的閱讀與分享！
[關(guān)鍵詞] 拉曼光譜；定量分析；實驗教學
[中圖分類號] G642
[文獻標識碼] A
[文章編號] 2095-3712（2014）22-0058-03[ZW（N]
[作者簡介]張煥君（1982―），女，河南許昌人，碩士，鄭州輕工業(yè)學院教師；程學瑞（1982―），男，河南安陽人，博士，鄭州輕工業(yè)學院副教授，研究方向：材料物理。
拉曼光譜的強度、頻移、線寬、特征峰數(shù)目以及退偏度與分子的振動能態(tài)、轉(zhuǎn)動能態(tài)、對稱性等特性有緊密的聯(lián)系，即與分子的結(jié)構(gòu)緊密相關(guān)。而且拉曼光譜具有制樣簡單，分析快速、無損，所檢測的樣品僅需微量即可滿足測量要求等諸多優(yōu)點，因而成為研究分子結(jié)構(gòu)的強有力工具，廣泛地應(yīng)用于分子的鑒別、分子結(jié)構(gòu)的研究、分析化學、石油化工催化和環(huán)境科學等各個領(lǐng)域[1-2]。然而，相對于氣相、液相色譜法的較高精度而言，較大的分析誤差率限制了拉曼光譜定量分析的應(yīng)用。在實際應(yīng)用中，拉曼光譜分析技術(shù)多用于樣品的定性分析，尤其是在實驗教學當中，更多的是強調(diào)其定性分析的作用，而忽略其定量分析的功能[3-4]。尤其是對具有強熒光背景物質(zhì)，如乙醇及其混合溶液的定量分析，更是拉曼光譜定量分析中的難點問題。
為幫助學生克服這樣單一的認識，我們在教學實驗環(huán)節(jié)增加了相關(guān)實驗內(nèi)容，采用拉曼光譜對乙醇溶液的濃度進行定量分析。在教學過程中，我們向?qū)W生介紹了拉曼光譜定量分析的理論依據(jù)、分析過程，并著重分析了誤差來源，以加深學生對拉曼光譜的認識，尤其是讓學生對其定量分析功能有了進一步的了解。
一、理論依據(jù)
拉曼光譜定量分析的理論依據(jù)為：
I=KΦC∫b[]0e（[WTBZ]ln[WTBX]10）（k+k）zh（z）dz
在上式中，I為光學系統(tǒng)所收集到的樣品表面拉曼信號強度；K為分子的拉曼散射截面積；Φ為樣品表面的激光入射功率；k、k′分別是入射光和散射光的吸收系數(shù)；Z為入射光和散射光通過的距離；h（z）為光學系統(tǒng)的傳輸函數(shù)；b為樣品池的厚度。由上式可以看出，在一定條件下，拉曼信號強度與產(chǎn)生拉曼散射的待測物濃度成正比，即I∝C。
二、實驗過程
實驗樣品材料為國藥集團化學試劑有限公司生產(chǎn)的濃度不低于99.7%的分析純乙醇、四氯化碳和去離子水。把不同體積的去離子水加入乙醇樣品中，配制成不同濃度的乙醇-水二元體系溶液；用激光功率為50mW（100%）的拉曼光譜儀采集純乙醇溶液、水、四氯化碳溶液的拉曼光譜圖；用拉曼光譜儀采集不同濃度的乙醇溶液的拉曼光譜圖，對每種濃度的樣品重復(fù)掃描3次，試驗結(jié)果取三次掃描的平均值。
三、結(jié)果討論
把配制好的不同濃度的乙醇溶液加入未受污染的樣品池，把不同濃度的樣品分別放在拉曼光譜儀上測出其拉曼光譜。熒光背底扣除后不同濃度的乙醇-水溶液的拉曼光譜圖如圖1所示。
圖1熒光背底扣除后不同濃度的乙醇-水溶液的拉曼光譜圖
表1中的數(shù)據(jù)進一步顯示出，隨著乙醇濃度的增加，特征峰強度的比值在不斷增加。純水的3200cm-1峰的強度I2與不同濃度乙醇的884cm-1峰的強度I1之比R1和面積比R2與乙醇濃度的關(guān)系見表1。擬合圖如圖2所示，R1和R2與乙醇濃度有較好的線性關(guān)系，其線性相關(guān)系數(shù)分別為0.98554和0.97558。
四、誤差分析
激光功率、樣品池、聚焦位置等因素會對定量分析結(jié)構(gòu)有重要影響。
（一）激光功率的影響
不改變聚焦樣品的位置，激光功率分別選取100%、50%、10%、5%、1%和0.5%（100%為50mW），對50%的乙醇-四氯化碳溶液進行測試，結(jié)果如表2所示。
由表2可以看出，隨著激光功率的改變，兩個特征峰（峰459cm-1和884cm-1）的強度比值基本上在2.3左右，面積比值基本上在3.0左右。然而可以看出，當激光功率很小時（1%或0.5%），由于激發(fā)光源本身很弱，導致散射的拉曼信號強度本身也非常弱，而且信噪比很大，所以相對誤差比較大。而且當激光功率很強（100%功率）時，兩個特征峰的強度比值和面積比值都稍微偏離2.3和3.0，其原因可能是，激光功率很強時，其信號強度和熒光信號也比較強，而熒光對拉曼散射的干擾非常大，導致在扣除熒光背底過程中出現(xiàn)較大的偏差。
（二）樣品池的影響
如圖4是毛細管樣品池的拉曼光譜圖，實驗過程中用毛細管吸取待測溶液。毛細管作為樣品容器，在激光激發(fā)下也存在拉曼光譜和熒光背底，在基線處理和背底扣除過程中難以完全消除其影響，進而產(chǎn)生誤差。
圖4毛細管樣品池的拉曼光譜圖
（三）聚焦位置的影響
在同一樣品不同點進行多次測量，分析結(jié)果發(fā)現(xiàn)，混合溶液的特征峰強度的比值存在較大的偏差，主要原因可能是本次試驗使用的是顯微共聚焦激光拉曼光譜儀，3次測量的聚焦位置不同，以及數(shù)據(jù)處理過程當中熒光背底的扣除都會引起較大的誤差。對同一濃度的溶液測量3次，所得強度之比的不確定度為0.117，相對強度之比與乙醇濃度擬合直線的不確定度為0.024，相對面積比與乙醇濃度擬合直線的不確定度為0.858。
綜上所述，激光功率、樣品池、聚焦位置等因素會對拉曼光譜定量分析結(jié)構(gòu)產(chǎn)生一定的影響。另外，乙醇的揮發(fā)、激光功率的穩(wěn)定性、實驗儀器的固有誤差等因素也會對測試結(jié)果帶來影響。然而，拉曼光譜定量分析的結(jié)果仍然有較大的可信度，可以作為一種有效的定量分析方法。
參考文獻：
[1]譚紅琳，李智東，張鵬翔，等.乙醇、甲醇、食用酒及工業(yè)酒精的拉曼光譜測定[J].云南工業(yè)大學學報，1999（2）.
[2]楊丹，徐文藝.CuCl2-H2O體系和FeCl3-H2O體系絡(luò)合物拉曼光譜研究與溶液拉曼定量分析探索[J].光譜學與光譜分析，2011（10）.
關(guān)鍵詞：吉首市 陽光體育 現(xiàn)狀 建議
1.1 研究對象
以吉首市普通中學陽光體育運動開展現(xiàn)狀為研究對象，結(jié)合隨機與整群抽樣的方法抽取吉首市一中，四中,雅思中學三所學校中的學生共600人為調(diào)查對象，其中男生315人，女生285人，體育教師共28人。
1.2 研究方法
文獻資料法;訪談法;問卷調(diào)查法;數(shù)理統(tǒng)計法;邏輯分析法
2.研究結(jié)果與分析
2.1吉首市普通中學開展陽光體育運動現(xiàn)狀調(diào)查
2.1.1吉首市普通中學師資力量現(xiàn)狀調(diào)查
體育教師是學校體育活動的主導者，是“陽光體育”運動運行好壞的“指揮棒”，因此學校體育的師資情況直接關(guān)系到學生“陽光體育”的落實情況，教師學歷的高低、體育教師的數(shù)量從一定程度上影響著教學質(zhì)量的提高，從調(diào)查來看吉首市普通中學教師學歷有待提高， 96%的體育教師均為大學本科，而碩士研究生僅占一小部分，其中大部分學校體育老師兼雙職。此外由于體育教師的結(jié)構(gòu)性缺編，體育教師和在校學生比例嚴重失調(diào)。這給陽光體育的開展造成一定影響。
2.1.2吉首市普通中學師生對陽光體育運動的了解程度調(diào)查
從調(diào)查得知，大部分體育教師對陽光體育這一概念還是比較了解，但學生對陽光體育的了解卻不容樂觀。在調(diào)查中有36% 的學生完全不了解這個概念;46% 的中學生只是基本了解;真正比較了解“陽光體育運動”的僅有18%。由此可知學生對陽光體育這一概念不清晰，學校和體育教師應(yīng)加大宣傳力度，使學生理解陽光體育的真正含義，自愿參與陽光體育運動，把身體鍛煉得更好。
2.1.3吉首市普通中學學生參加體育鍛煉時間的情況
從表1可以知，大部分學生不同程度地參加了體育活動，只是每周運動的次數(shù)偏低，每次活動的時間大部分都在三十分鐘以下。其中每周活動五次以上的僅占一小部分。離我們“每天活動1 h”的要求還有一定的差距。
2.1.4 吉首市普通中學有無陽光體育運動專項撥款的調(diào)查
據(jù)調(diào)查得知，沒有專項撥款的學校達到64%，而有專項撥款的為35%。在資金方面，大部分學校還不到位，這直接影響到學校陽光運動的開展。通過訪談得知，小部分學校有一定的體育活動經(jīng)費，可資金很少。這是導致陽光體育未能很好實施的一個重要原因，原因主要是學校領(lǐng)導對陽光體育運動的不重視，把大量的人力，物力和財力用在其他科目上。
2.1.5吉首市普通中學場地器材現(xiàn)狀情況調(diào)查
據(jù)調(diào)查可知，學生進行體育活動的主要場所與器材的配備明顯不足，這與教育部規(guī)定的每生活動場地面積為3平方米相比，明顯不成比例，通過我們對老師和學生的交談得知學校的體育器材比較缺乏，并且有些體育器材已經(jīng)比較陳舊，學校沒有進行及時的更新體育設(shè)備。學校應(yīng)在體育的硬件和軟件上進行改善。使學校體育能更好的發(fā)展。讓學生能有更加寬敞的活動環(huán)境和更加標準的體育場地。
2.2 影響吉首市普通中學陽光體育運動開展的原因分析
2.2.1 吉首市普通中學學校領(lǐng)導對開展“陽光體育”運動的態(tài)度
學校領(lǐng)導對“陽光體育”運動的重視程度，直接影響到學校體育活動的組織和開展，因此學校領(lǐng)導對開展“陽光體育”運動的態(tài)度是影響吉首市普通中學陽光體育運動開展的一個直接原因。
2.2.2 吉首市普通中學體育教師師資力量狀況
目前吉首市普通中學體育教師存在結(jié)構(gòu)性失調(diào)，體育教師的數(shù)量無法滿足學生的需要；因此，吉首市政府要加大教師人事改革，增大體育教師數(shù)量，注入年輕新力量，改革管理機制，以便更好的開展陽光體育運動。
2.2.3 吉首市普通中學學校場地器材配備及資金情況
陽光體育運動的開展必須依賴于體育場地和器材，而體育器材的使用頻率高，需要投入大量的資金作為購買器材和維修,通過訪談與調(diào)查發(fā)現(xiàn)吉首市普通中學缺乏資金保障,體育器材得不到更新.因而使陽光體育運動沒有收到預(yù)期的效果.
3.結(jié)果與建議
3.1 結(jié)果
3.1.1吉首市普通中學的體育師資力量不足，體育教師和學生對陽光體育運動了解不透徹。每天的體育活動時間達不到一小時。
3.1.2學校領(lǐng)導對陽光體育運動在校園的開展，還沒有形成足夠的重視，學校的場地器材條件有限。
3.1.3學校對開展陽光體育運動的經(jīng)費缺乏；沒有充足的資金保障，另外，體育教師工作量大,新生力量補充不足。
3.2 建議
3.2.1學校領(lǐng)導重視關(guān)心陽光體育運動，各級部門加強宣傳，制定詳細和長遠的實施方案，設(shè)立專項資金，為陽光體育運動進一步開展提供條件保障。
3.2.2教育部門重視，建立和完善學校體育的管理制度，將學生每天一小時體育活動納入學校督導內(nèi)容及評估體系，把學生體質(zhì)健康狀況作為評價教育工作的重要指標。
3.2.3繼續(xù)升化學校體育改革，加大課程資源開發(fā)與利用，把課外體育活動開展得豐富多彩，使之成為全體學生參與實踐陽光體育運動的主要形式。（作者單位：1.上海體育學院，體育教育訓練學院；2.上海體育學院，中國乒乓球?qū)W院）
參考文獻
［1］ 教育部、國家體育總局、.關(guān)于全面啟動全國億萬學生陽光體育運動的通知［Z］.教體藝［2006］6 號，2006-12-20.
［2］ 苗秀麗.開展億萬學生陽光體育運動的認識與思考［J］.哈爾濱體育學院學報，2002(2)：43-44．
［3］ 朱志軍.陽光體育”伴新世紀青少年健康成長［J］.管理論壇,2007(8):47-48.
關(guān)鍵詞關(guān)鍵詞：極限學習機；模式識別；高光譜遙感圖像；判別信息
DOIDOI：10.11907/rjdk.162600
中圖分類號：TP317.4文獻標識碼：A文章編號文章編號：16727800（2017）001016105
對于連續(xù)狹窄的光譜帶，高光譜成像傳感器能夠捕獲詳細和豐富的光譜信息。近年來，隨著圖像處理技術(shù)的發(fā)展，高光譜圖像得到廣泛應(yīng)用，在高光譜圖像應(yīng)用中最重要的任務(wù)是對圖像進行分類。然而，在高光譜遙感圖像分類問題中存在一些挑戰(zhàn)。例如有限訓練樣本之間的不平衡和高維度，高光譜遙感圖像幾何形狀復(fù)雜，高光譜遙感圖像分類計算復(fù)雜度高。為使高光譜遙感圖像分類取得良好效果，近年來，機器學習方法在高光譜圖像分類中得到廣泛應(yīng)用，例如人工神經(jīng)網(wǎng)絡(luò)（Artificial neural networks，ANNs）[1]、支持向量機（Support vector machine，SVM）[2]、多項邏輯回歸（Multinomial logistic regression，MLR）[3]、主動學習（Active learning，AL）[4]等，其它方法如利用稀疏表示[5]以及譜聚類[6]對高光譜進行分離也得到廣泛應(yīng)用。然而，由于高光譜遙感圖像具有{維度以及復(fù)雜性，通過機器學習算法尋找最優(yōu)的參數(shù)來進行分類通常非常困難，并且耗時，實現(xiàn)高光譜遙感圖像高效快速分類已成為遙感圖像領(lǐng)域的重要問題。
近年來，Huang等[7]基于單隱層前饋神經(jīng)網(wǎng)絡(luò)（Single-hidden layer feedforward networks，SLFNs）結(jié)構(gòu)提出了極限學習機（Extreme learning machine，ELM）。ELM隨機產(chǎn)生隱層節(jié)點的輸入權(quán)值和偏置值，所有參數(shù)中僅有輸出權(quán)值經(jīng)過分析確定。ELM將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的求解過程轉(zhuǎn)化為一個線性模型，ELM隨機選擇輸入權(quán)值和分析確定SLFNs的輸出權(quán)值，避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學習方法收斂速度慢及陷入局部極小解的可能，具有更好的泛化能力和更快的學習速度。文獻[7]指出ELM通過隨機產(chǎn)生隱層節(jié)點的輸入權(quán)值和偏置值分析確定輸出權(quán)值，保持了SLFNs的通用逼近能力，同時能夠得到一個全局最優(yōu)解。由于ELM良好的泛化能力，使得ELM應(yīng)用在不同的領(lǐng)域中。在高光譜遙感圖像領(lǐng)域，Pal等[8]將ELM應(yīng)用到土地覆蓋分類中，與BP[9]神經(jīng)網(wǎng)絡(luò)和支持向量機相比，ELM取得了更好的分類效果，并且ELM算法的計算復(fù)雜度遠遠小于BP和支持向量機。Bazi等[10]利用差分進化方法優(yōu)化核ELM算法的參數(shù)，提高了高光譜遙感圖像的分類效果。為了提高ELM算法在高光譜遙感圖像分類中的穩(wěn)定性，Samat等[11]基于Bagging 和 AdaBoost算法提出了集成的極限學習機算法（Ensemble extreme learning machine，E2LM）。
雖然針對高光譜遙感圖像分類問題，研究人員在ELM算法的基礎(chǔ)上提出了改進，然而 ELM及其改進算法并未充分考慮數(shù)據(jù)樣本間的幾何特征和數(shù)據(jù)蘊含的判別信息。知道樣本之間具有某些相似的屬性和分布特征，樣本之間的相似屬性和分布特征能夠彌補ELM學習不夠充分的問題，進而可以提高ELM的泛化能力，因而數(shù)據(jù)樣本的幾何特征和數(shù)據(jù)蘊含的判別信息對ELM的分類性能具有重要作用。
基于以上分析，本文提出一種基于判別信息極端學習機（Discriminative information regularized extreme learning machine，IELM），對于分類問題，IELM同時考慮到數(shù)據(jù)樣本的幾何特征和數(shù)據(jù)蘊含的判別信息，通過最大化異類離散度和最小化同類離散度，優(yōu)化極端學習機的輸出權(quán)值，從而在一定程度上提高ELM的分類性能和泛化能力。IELM方法的優(yōu)勢在于：①繼承了ELM的優(yōu)點，在一定程度上避免了ELM學習不充分的問題；②將異類離散度和同類離散度引入到ELM中，充分利用數(shù)據(jù)樣本的判別信息；③利用MMC[12]方法有效解決最大化異類離散度和最小化同類離散度矩陣奇異問題。
為評價和驗證本文提出的基于判別信息極端學習機的高光譜遙感圖像分類方法，實驗使用Indian Pines，Salinas scene兩個高光譜遙感圖像數(shù)據(jù)，將本文所提出的方法與ELM、支持向量機（Support vector machine，SVM）、最近鄰分類器協(xié)作表示（Collaborative representation nearest neighbor classifier，CRNN）[13]進行對比，實驗結(jié)果表明本文提出的算法能夠取得較好的分類效果。
實驗環(huán)境為惠普工作站處理器：Intel（R）Xeon（R） CPU E5-1603 0 @2.80 GHz，安裝內(nèi)存：8.00GB ，系統(tǒng)類型：64位操作系統(tǒng)，版本：win7，語言開發(fā)環(huán)境采用 Matlab 2010b。
第一組實驗數(shù)據(jù)為Indian Pines遙感圖像數(shù)據(jù)，Indian Pines數(shù)據(jù)是AVIRIS傳感器在薩利納斯山谷收集的數(shù)據(jù)，該圖像包含200個波段，圖像大小為145×145，地表真實分類如圖1所示，Indian Pines數(shù)據(jù)集屬性設(shè)置如表1所示。
第二組實驗數(shù)據(jù)為Salinas scene遙感圖像數(shù)據(jù)，Salinas scene數(shù)據(jù)是AVIRIS傳感器在薩利納斯山谷收集的數(shù)據(jù)，該圖像包含204個波段，圖像大小為512×217，地表真實分類如圖2所示， Salinas scene數(shù)據(jù)集屬性設(shè)置如表2所示。
實驗中，對于Indian Pines和Salinas scene圖像數(shù)據(jù)，隨機選取1%的數(shù)據(jù)樣本作為訓練集，剩下部分為測試集，使用總體精度（OA），Kappa系數(shù)，平均準確率（AA）衡量不同算法的性能。
（1）體精度?？傮w精度（overall accuracy，OA）是對分類結(jié)果質(zhì)量的總體評價，等于被正確分類的像素總和除 以總的像素個數(shù)。被正確分類的像素沿著混淆矩陣的對角線分布，它顯示了被正確分類到真實分類中的像元數(shù)。根據(jù)混淆矩陣可得OA的計算式為：p=∑ci=1miiN（21）其中，c表示類別數(shù)目，mii表示混淆矩陣對角線上的元素，N=∑ci=1∑cj=1mij表示測試樣本的總數(shù)。
（2）Kappa系數(shù)。Kappa系數(shù)采用一種多元離散分析技術(shù)，反映分類結(jié)果與參考數(shù)據(jù)之間的吻合程度，它考慮了混淆矩陣的所有因子，是一種更為客觀的評價指標，其定義為：k=N∑ci=1mii-∑ci=1（mi+m+i）N2-∑ci=1（mi+m+i）（22）其中，mi+，m+i分別表示混淆矩陣第i行的總和、第i列的總和，c表示類別數(shù)目，N為測試樣本總數(shù)，mii表示混淆矩陣對角線上的元素，Kappa系數(shù)越大分類精度越高。
（3）平均精度。平均精度（average accuracy，AA）定義為每類分類準確率相加除以類別總數(shù)。AA=∑ci=1accic（23）其中，c表示類別數(shù)目，acci表示每類的分類準確率。
4.2實驗結(jié)果及分析
將IELM與ELM，SVM，CRNN進行對比，SVM采用libsvm工具箱，核函數(shù)采用徑向基核函數(shù)（Radial basis function，RBF），懲罰參數(shù)c=0.02，核函數(shù)參數(shù)g=0.02，IELM與ELM均采用Sigmoid函數(shù)作為激活函數(shù)，隱層節(jié)點個數(shù)設(shè)置為500，懲罰參數(shù)c=20。
5結(jié)語
本文提出了一種基于判別信息極端學習機的高光譜遙感圖像分類方法，創(chuàng)新之外在于考慮到光譜遙感圖像數(shù)據(jù)的聯(lián)系和差異信息。IELM引入同類離散度和異類離散度的概念，體現(xiàn)了輸入空間數(shù)據(jù)的判別信息，通過最大化異類離散度和最小化同類離散度，優(yōu)化極端學習機的輸出權(quán)值。與NN，SVM， ELM算法的對比實驗表明，本文所提出方法的分類效果優(yōu)于NN，SVM，ELM算法。
參考文獻：
[1]Q SAMI UL HAQ，L TAO.Neural network based adaboosting approach for hyperspectral data classication[J].International Conference on Computer Science and Network Technology（ICCSNT），2011：241245.
[2]J A GUALTI，R F CROMP.Support vector machines for hyperspectral remote sensing classification[J].in Proc.SPIE 27th AIPR Workshop：put.Assisted Recognit.Int.Soc.Opt.Photonics，Washington，DC，USA，1999：221232.
[3]J Li，J BIOUCASDIAS，A.PLAZA.Semisupervised hyperspectral image classification using soft sparse multinomial logistic regression[J].IEEE Geosci.Remote Sens.Lett，2013，10（2）：318322.
[4]W DI，MM CRAWFORD.Active learning via multiview and local proximity coregularization for hyperspectral image classification[J].IEEE Journal of Selected Topics in Signal Processing，2011，5（3）：618628.
[5]J BIOUCASDIAS，M A T.FIGUEIREDO.Alternating direction algorithms for constrained sparse regression：application to hyperspectral unmixing[J].Hyperspectral Image and Signal Processing：Evolution in Remote Sensing （WHISPERS），2010：14.
[6]Y TARABALKA，J A BENEDIKTSSON，J CHANUSSOT.Spectralspatial classification of hyperspectral imagery based on partitional clustering techniques[J].IEEE Transactions on Geoscience and Remote Sensing，2009，47（8）：29732987.
[7]GB HUANG，H ZHOU，X DING，et al.Extreme learning machine for regression and multiclass classification[J].IEEE Trans.Syst Man Cybern B，2012，42（2）：51329.
[8]M PAL，A E MAXWELL，T A WARNER.Kernelbased extreme learning machine for remotesensing image classification[J].Remote Sens.Lett，2013，4（9）：853862.
[9]D RUMELHART，G HINTON，R WILLIAMS.Learning by backpropagating errors[J].Nature，1986，323（6088）：533536.
[10]Y BAZI.Differential evolution extreme learning machine for the classification of hyperspectral images[J].IEEE Geosci.Remote Sens.Lett，2014，11（6）：10661070.
[11]A SAMAT，P DU，S LIU，et al.E2LMs：ensemble extreme learning machines for hyperspectral image classification[J].IEEE J.Sel.Topics Appl.Earth Observ.Remote Sens，2014，7（4）：10601069.
[12]H LI，T JIANG，K ZHANG.Efficient robust feature extraction by maximum margin criterion[J].IEEE Transactions on Neural Networks ，2006，17（1）：157165.
關(guān)鍵詞高濃度U脅迫；空心蓮子草；落葵；菊苣；FTIR；半定量分析
中圖分類號O657.3 文獻標識碼A 文章編號10002537（2013）05005906
核能利用的發(fā)展促進了鈾礦的大量開發(fā)，鈾礦的開發(fā)和加工，導致鈾尾礦及鈾廢物的大量污染.我國湖南鈾尾礦庫礦渣及土壤的U含量變化[15]在26.11～122.1 mg·kg-1.污染環(huán)境中的鈾，因生物富集作用在人體中積累，人體腎中鈾含量超 3 mg·kg-1，就會產(chǎn)生損害[6].人們通過各種技術(shù)來治理鈾污染，植物修復(fù)是最簡潔有效并對環(huán)境污染最小的生物修復(fù)技術(shù)[7].植物在吸收和富集鈾的同時，鈾對植物種子萌發(fā)、幼苗生長和酶活性[810]以及葉綠素含量、植株體積大小等產(chǎn)生影響[11]，但對植物體內(nèi)物質(zhì)成分有無影響，目前尚未見報道.
傅里葉變換紅外光譜法（FTIR）是一種基于化合物中官能團和極性鍵振動的結(jié)構(gòu)分析技術(shù)，可以幫助判斷分子中含有何種官能團，更重要的是可以比較不同樣品的紅外光譜差異，從而反映樣品在植物化學組成上的差異程度[12].目前，F(xiàn)TIR已廣泛應(yīng)用于許多研究領(lǐng)域，如中藥材的質(zhì)量鑒別[13]、高等植物的系統(tǒng)分類研究[14]以及重金屬脅迫對植物的影響[1518].本研究采用FTIR法分析高濃度U脅迫下空心蓮子草、落葵和菊苣莖葉和根系的化學組成變化，探討高濃度U脅迫對植物物質(zhì)成分的生物學效應(yīng)，為鈾污染土壤的植物修復(fù)提供相關(guān)參考.
1研究材料與方法
1.1實驗材料
莧科的空心蓮子草（Alternanthera philoxeroides），落葵科的落葵（Basella rubra），菊科的菊苣（Cichorium intybus L.）.U以UO2（CH3CO3）2·2H2O的形式加入.
1.2實驗方法
盆栽試驗，每盆土壤1 kg.按U元素含量500 mg·kg-1土壤溶解于350 mL水（預(yù)備試驗得到的土壤飽和持水量）中，均勻澆淋于每盆，以清水為對照（control），重復(fù)5次.在陰涼干燥處放置8周[19]，待土壤充分吸附后播種，播種2個半月后分莖葉和根系收獲，在105 ℃下殺青20 min，80 ℃烘干至恒重，研磨粉碎.
1.3測定方法
1.3.1FTIR測定在西南科技大學分析測試中心，準確稱取1.5 mg樣品粉末與300 mg KBr在瑪瑙研缽中混勻研磨，全部轉(zhuǎn)移到模具中用壓片機制備出均勻、透明錠片，用美國P.E.公司的Spectrum one FTIR （掃描范圍4 000～400 cm-1，分辨率為4 cm-1）測定3種植物莖葉和根系的傅里葉變換紅外光譜信息.
1.3.2U含量測定將干燥碾磨好的樣品，準確稱取0.3 g，加入7 mL濃硝酸，2 mL 30%雙氧水，于微波消解儀中（Mars，美國CEM 公司）消解，消解好的樣品，在西南科技大學分析測試中心采用ICPMS（Agilent 7700x，美國安捷倫公司）測定U含量.
1.4數(shù)據(jù)分析
根據(jù)空心蓮子草、落葵、菊苣吸收峰的吸光度值特點篩選出11個比較典型的吸收峰，并記錄不同波數(shù)的吸光度.原始數(shù)據(jù)采用Origin 7.5軟件作圖， Nicolet Omnic 8.0軟件對不同樣品的FTIR譜圖進行數(shù)據(jù)處理.
2結(jié)果與分析
2.13種植物莖葉和根系的FTIR圖譜分析
紅外光譜分析（FTIR）顯示，空心蓮子草在高濃度U處理和對照組的峰形基本保持不變，莖葉和根系的吸光度在高濃度U脅迫下都低于對照，根系的吸光度低于莖葉（圖1）；落葵（圖2）和菊苣（圖3）與空心蓮子草類似.
3結(jié)論
（1）空心蓮子草、落葵和菊苣在高濃度U脅迫下和對照相比，吸收峰峰形基本未發(fā)生較大改變，吸收峰波數(shù)相對固定，說明高濃度U脅迫并未改變3種植物的基本化學組分，但吸光度有較大差異，說明高濃度U對3種植物各化學成分含量有所影響.
（2）3種植物的羥基、空心蓮子草和菊苣的孤立羧基、3種植物的酰胺基吸收峰發(fā)生了明顯位移；半定量分析發(fā)現(xiàn)：空心蓮子草、菊苣的羥基含量增加，空心蓮子草、落葵的孤立羧基含量減少，落葵的蛋白質(zhì)二級結(jié)構(gòu)中肽鍵間氫鍵的結(jié)合力減弱、蛋白質(zhì)含量減少，菊苣的蛋白質(zhì)二級結(jié)構(gòu)中肽鍵間氫鍵的結(jié)合力增強、蛋白質(zhì)含量增加，說明這些基團與U的吸收、絡(luò)合、運輸密切相關(guān).這些變化闡明了U對這3種植物物質(zhì)成分的影響機理.
（3）空心蓮子草和菊苣糖類物質(zhì)降低，而落葵根系糖類物質(zhì)大量增加，說明落葵抗高濃度U脅迫較其他兩種植物更強，植物的耐高濃度U的能力越強，則通過生理生化反應(yīng)來抵御不良環(huán)境的迫害能力也越強.
（4）FTIR能夠作為探究植物對高濃度U脅迫下物質(zhì)成分響應(yīng)的一種快速、靈敏的檢測手段，可以應(yīng)用于U等核素對植物物質(zhì)成分的生物效應(yīng)研究.
致謝西南科技大學分析測試中心賈茹博士和王樹民博士幫助進行樣品測試，特表謝意.
參考文獻：
[1]王瑞蘭，易俗，陳康貴，等.夾竹桃（Nerium indicum）等四種植物放射性核素U、226Ra的含量研究[J].湘潭師范學院學報：自然科學版， 2002，24（2）：7377.
[2]聶小琴，丁德馨，李廣悅，等.某鈾尾礦庫土壤核素污染與優(yōu)勢植物累積特征[J].環(huán)境科學研究， 2010， 23（6）：719725.
[3]向陽，向言詞，馮濤.3種植物對鈾尾渣的耐受性研究[J].礦業(yè)工程研究， 2009，24（3）：7073.
[4]向言詞，官春云，黃璜，等.在鈾尾渣污染土壤中添加磷對植物生長及重金屬積累的影響[J].作物學報， 2010，36（1）：154162.
[5]黃德娟，徐衛(wèi)東，羅明標，等.某鈾礦九種優(yōu)勢草本植物鈾的測定[J].環(huán)境科學與技術(shù)， 2011，34（3）：2931.
[6]SHEPPARD SC， SHEPPARD M I， GALLERAND M O， et al. Derivation of ecotoxicity thresholds for uranium[J]. J Environ Radioact， 2005，79：5583.
[7]王校常，施衛(wèi)明，曹志洪.重金屬的植物修復(fù)——綠色清潔的污染治理技術(shù)[J].核農(nóng)學報， 2000，14（5）：315320.
[8]胡勁松，吳彥瓊，譚清清，等.鈾對蠶豆種子萌發(fā)及幼苗SOD和CAT活性的影響[J].湖南農(nóng)業(yè)科學， 2009（10）：1517.
[9]聶小琴，李廣悅，吳彥瓊，等.鈾脅迫對大豆和玉米種子萌發(fā)和幼苗生長及SOD與POD活性的影響[J].農(nóng)業(yè)環(huán)境科學學報， 2010，29（6）：10571064.
[10]嚴明理，馮濤，向言詞，等.鈾尾沙對油菜幼苗生長和生理特征的影響[J].生態(tài)學報， 2009，29（8）：42154222.
[11]SINGH S， MALHOTRA R， BAJWA B S. Uranium uptake studies in some plants[J]. Radiat Measurem， 2005，40：666669.
[12]李星，劉鵬，張志祥.兩種水生植物處理重金屬廢水的FTIR比較研究[J].光譜學與光譜分析， 2009，29（8）：945949.
[13]索婧俠，孫素琴，王文全.甘草的紅外光譜研究[J].光譜學與光譜分析， 2010，30（5）：12181223.
[14]徐晟翀，曹同，聶明.不同蒴齒類型蘚類植物的FTIR光譜分析及系統(tǒng)學意義初探[J].光譜學與光譜分析， 2007，27（9）：17101714.
[15]任立民，成則豐，劉鵬，等.美洲商陸對錳毒生理響應(yīng)的FTIR研究[J].光譜學與光譜分析， 2008，28（3）：582585.
[16]薛生國，黃艷紅，王鈞，等.采用FTIR法研究酸模葉蓼對錳脅迫生理響應(yīng)的影響[J].中南大學學報：自然科學版， 2011，42（6）：15281532.
[17]遲光宇，劉新會，劉素紅，等.Cu污染與小麥特征光譜相關(guān)關(guān)系研究[J].光譜學與光譜分析， 2006，26（7）：12721276.
[18]陳思寧，劉新會，侯娟，等.重金屬鋅脅迫的白菜葉片光譜響應(yīng)研究[J].光譜學與光譜分析， 2007，27（9）：17971801.
[19]唐永金，羅學剛. 植物吸收和富集核素的研究方法[J]. 核農(nóng)學報， 2011，25（6）：12921299.
[20]顧艷紅，劉鵬，蔡琪敏，等.FTIR結(jié)合生理特性研究鎘脅迫對果灰蘚的影響[J].光譜學與光譜分析， 2009，29（3）：620623.
關(guān)鍵詞：近紅外光譜技術(shù)；水果；品質(zhì)檢測；成熟期檢測
中圖分類號：TV219文獻標識碼：A文章編號：16749944（2013）10021504
1引言
我國雖然是水果生產(chǎn)大國， 但自1993年以來水果儲藏能力只有10 % ，爛果率高達25 %，出口總量不到總產(chǎn)量的3%，遠低于9%～10%的世界平均水平[1～3]。以上原因造成果農(nóng)賣果難，增收難。要解決這些問題，必須發(fā)展水果深加工，擴大鮮果出口。阻礙我國鮮果出口的一個重要因素是果品分選、檢測能力弱，檢測速度慢，檢測人員的素質(zhì)低，果品篩選達不到國際上水果進出口市場的要求。國內(nèi)早期的水果內(nèi)部品質(zhì)檢測方法主要是化學分析法，該方法不僅可靠性和穩(wěn)定性較差，而且在測試時還必須破壞水果，測試過程繁瑣，只能通過少量樣本的測定，來評價整批次水果的品質(zhì)。鑒于以上原因，無損檢測技術(shù)應(yīng)運而生。無損檢測技術(shù)具有無損、快速、準確性高和實時性強等特征。目前的無損檢測技術(shù)主要有針對水果光學特性、電學特性、聲學特性、力學振動特性等眾多性質(zhì)進行的各種檢測，且大多還處于試驗研究階段[2]。
近紅外光譜技術(shù)（Near Infrared Spectroscopy Technology， NIST）是一種利用物質(zhì)對光的吸收、散射、反射和透射等特性來確定其成分含量的一種無損檢測技術(shù)，具有快速、非破壞性、無試劑分析、安全、高效、低成本及同時測定多種組分等特點[4]。隨著現(xiàn)代光譜技術(shù)的發(fā)展，且憑借其快速、方便、準確和無損傷等特點，應(yīng)用近紅外光譜分析技術(shù)對水果品質(zhì)進行無損檢測已成為近年來的研究熱點。本文主要介紹2000年后，近紅外光譜分析在果實成熟期檢測和品質(zhì)檢測兩方面的研究進展。
2近紅外光譜技術(shù)在水果成熟期監(jiān)測中
的應(yīng)用研究近紅外與可見光結(jié)合的無損檢測技術(shù)具有適應(yīng)性強、靈敏度高、對人體無害、成本低和容易實現(xiàn)等優(yōu)點，被廣泛用于水果成熟度的無損檢測。2002年，McGlone等利用VIS/NIR技術(shù)，依據(jù)果實成熟過程中葉綠素減少的趨勢，深入探測了“Royal Gala”蘋果在采摘前和儲藏后各品質(zhì)指標，光譜圖如圖1所示，在蘋果早采收、適中采收、晚采收的典型吸光度光譜對比中，發(fā)現(xiàn)在680nm波長處，葉綠素吸光度有明顯的變化，早采收果實的吸光度明顯高于適中采收和晚采收果實，因此認為該波長可用于區(qū)別蘋果的成熟度[5]。Lur等人用近紅外光譜檢測蘋果的硬度和含糖量，通過有損與無損相結(jié)合的方式建立了預(yù)測蘋果內(nèi)部品質(zhì)的數(shù)學模型[6]。
2005年，Ann Peirs等人在前人研究的基礎(chǔ)上研究了蘋果自然特性對可見近紅外模型預(yù)測采摘期成熟度精確性的影響。研究表明，近紅外光譜與成熟度有一定相關(guān)關(guān)系，其Rr>0.94，RMSEP
2007年，Yongni Shao等人用可見光與近紅外檢測技術(shù)結(jié)合硬度、糖度和酸度等指標檢測番茄的成熟度，得到了各自的相關(guān)系數(shù)，分別為0.83、0.81和0.83，表明可見光與近紅外技術(shù)無損檢測水果成熟度的方法是可行而且實用的[8]。
3近紅外光譜技術(shù)在水果品質(zhì)檢測中的
應(yīng)用研究利用近紅外光譜（NIR）檢測水果品質(zhì)早已成為國際研究熱點之一。2003年，Clark等利用700～900nm的透射光檢測了褐心貝賓（Braeburn）蘋果，探討了投射測量時蘋果的最佳位置[9]。國內(nèi)的相關(guān)研究也如雨后春筍般涌現(xiàn)出來，研究的水果有柑橘、蘋果、梨、桃、枇杷等，檢測的品質(zhì)涉及糖度、酸度、可溶性固形物、維生素、堅實度、色澤及單果重量、褐變、模式識別等。
3.1糖度檢測
2006年，應(yīng)義斌等利用小波變換結(jié)合近紅外光譜技術(shù)檢測水果糖度，小波變換濾波技術(shù)能有效地消除蘋果近紅外光譜中的噪聲，在采用小波變換尺度為3時WT-SMLR法建立的校正模型精度明顯優(yōu)于采用SMLR法建立的模型 [10]。周文超等建立贛南臍橙內(nèi)部糖度的近紅外投射PLS模型，r=0.9032，RMSEP=0.2421[11]。劉春生等利用可見/近紅外漫反射光譜結(jié)合PLS建立南豐蜜桔糖度校正模型，預(yù)測集r=0.9133，RMSEP=0.5577，平均預(yù)測偏差為-0.0656[12]。
3.2酸度檢測
應(yīng)義斌等建立蘋果有效酸度的近紅外漫反射PLS模型，最佳PC=3，r=0.959，SEC=0.076，SEP=0.525，Bias=0.073[13]。劉燕德等應(yīng)用近紅外漫反射光譜結(jié)合光線傳感技術(shù)建立蘋果有效酸度模型，預(yù)測值和真實值r=0.906，SEC=0.0562、SEP=0.0562，Bias=0.0115[14]。董一威等采用CCD近紅外光譜系統(tǒng)結(jié)合偏最小二乘回歸（PLSR）建立蘋果酸度預(yù)測模型，r=0.8151，SEC=0.0120，SEP=0.0204[15]。
3.3可溶性固形物檢測
2006年，李建平等應(yīng)用近紅外漫反射光譜定量分析技術(shù)對2個產(chǎn)地3個品種枇杷的可溶性固形物進行無損檢測研究，發(fā)現(xiàn)在波長1400～1500nm和1900～2000nm兩段范圍，樣品的可溶性固形物與光譜吸光度之間的相關(guān)系數(shù)較高，最終建立的可溶性固形物含量預(yù)測模型的校正集和預(yù)測集相關(guān)系數(shù)分別為0.96和0.95[16]。
2008年，劉燕德等應(yīng)用近紅外光譜（350～1800nm）及偏最小二乘法回歸、主成分回歸和多元線性回歸對梨的可溶性固形物及逆行定量分析；在采用偏最小二乘法回歸算法之前先用一階微分對光譜數(shù)據(jù)進行預(yù)處理，研究表明果實中間部位的預(yù)測結(jié)果較為理想；近紅外漫反射光譜可以作為一種準確、可靠和無損的檢測方法用于評價梨果實內(nèi)部指標可溶性固形物[17]。
2009年，周麗萍等采用可見光與近紅外光結(jié)合技術(shù)對蘋果的可溶性固形物含量的檢測進行了研究，他們結(jié)合主成分分析（PCA）和BP神經(jīng)網(wǎng)絡(luò)技術(shù)，建立蘋果SSC預(yù)測模型；采用DPS數(shù)據(jù)處理系統(tǒng)對蘋果樣本的漫反射光譜（345～1039nm波段），進行主成分分析，獲得累計可信度大于95%的5個新主成分；建立一個3層BP神經(jīng)網(wǎng)絡(luò)模型，并將這5個新的主成分作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入量，其結(jié)果是98%以上預(yù)測樣本的預(yù)測相對誤差在5%以下[18]。
3.4堅實度檢測
2006年，傅霞萍等采用傅里葉漫反射近紅外光譜技術(shù)研究了水果堅實度的無損檢測方法，他們對不同預(yù)處理方法和不同波段建模對模型的預(yù)測性能進行分析對比，建立了利用偏最小二乘法進行水果堅實度與漫反射光譜的無損檢測數(shù)學模型，同時結(jié)果表明應(yīng)用近紅外漫反射光譜檢測水果堅實度是可行的，為今后快速無損評價水果成熟度提供了理論依據(jù)[19]。
2009年，史波林等采用近紅外光譜技術(shù)結(jié)合遺傳算法分別對去皮前后蘋果堅實度無損檢測進行研究，他們采用光譜附加散射校正（MSC）、微分處理（Derivative）、直接正交信號校正（DOSC）等預(yù)處理方法和基于遺傳算法（GA）的有效波段選擇方法來消除果皮對模型精度的影響，結(jié)果表明，蘋果果皮對近紅外光譜分析模型的預(yù)測能力有很大影響，但僅通過常規(guī)的光譜預(yù)處理方法（MSC 、Derivative）很難有效消除。他們提出的遺傳算法結(jié)合直接正交信號校正（GA-DOSC）方法能有效消除果皮的影響，不但使所建模型的波長點和最佳主因子數(shù)分別由1480和5降到36和1，相關(guān)系數(shù)r由0.753提高到0.805，更重要的是模型的預(yù)測相對誤差RSDp從16.71%顯著下降到12 .89%，并接近采用蘋果果肉建模的預(yù)測性能（12.36%），達到對蘋果硬度的近紅外無損檢測要求[20]。
3.5色澤及單果重量檢測
3.8品種鑒別
趙杰文等采用支持向量機（SVM）建立蘋果不同品種、不同產(chǎn)地的分類模型，預(yù)測識別率精度比傳統(tǒng)的判別分析法提高5%左右，均達到100%；回判識別率分別為100%和87%[27]。何勇等提出了一種用近紅外光譜技術(shù)快速鑒別蘋果品種的新方法，該方法應(yīng)用主成分分析結(jié)合人工神經(jīng)網(wǎng)絡(luò)建立了蘋果品種鑒別的模型，該模型的預(yù)測效果很好，識別率達到100%[28]。
4存在的問題
近紅外光譜技術(shù)具有檢測速度快速、檢測方法簡便、檢測準確性高及同時可測定多種成分的優(yōu)點，使它在果品在線分選檢測中有較好的應(yīng)用前景。雖然近紅外光譜技術(shù)在水果成熟期預(yù)測和內(nèi)部品質(zhì)檢測方面的研究已有10年的時光，有些檢測技術(shù)已趨于成熟，但目前來看該技術(shù)仍存在一些問題，比如怎樣找出不同水果光譜的特性波段，怎樣實現(xiàn)果品快速在線檢測和分選，怎樣實現(xiàn)對水果的成熟度、硬度、糖度和內(nèi)部缺陷等同時檢測，具體來說近紅外光譜技術(shù)在水果品質(zhì)或成熟期檢測研究中主要存在以下幾方面問題。
4.1水果成熟期預(yù)測中存在的問題
（1）近紅外光譜技術(shù)在水果成熟期預(yù)測中，光譜波段的選擇尤為重要；建立預(yù)測模型時有必要對光譜波段進行優(yōu)選和組合[29]。
（2）利用近紅外光譜預(yù)測果實成熟期時，既要保證預(yù)測模型的精確度，還需考慮模型的通用性，即還需進一步研究水果果實的不同光學特性與果實成熟期的相關(guān)性，提高預(yù)測的效率和準確性。
4.2水果品質(zhì)檢測中存在的問題
（1）在水果品質(zhì)的光譜檢測中，光譜儀自身的信噪比等性能會極大地影響預(yù)測模型的精確度?？梢?，在光譜預(yù)處理方面，選擇合適的消噪方法將成為今后近紅外光譜技術(shù)在水果內(nèi)部品質(zhì)及成熟期預(yù)測中的另一個研究重點[30]。
（2）在利用NIST對水果品質(zhì)進行檢測的過程中，建立數(shù)學模型是最困難的，因為近紅外光譜很容易受到果品樣本個體因素如溫度、檢測部位不同等因素的影響；同時由于檢測環(huán)境條件、儀器的精度和穩(wěn)定性等復(fù)雜因素的影響，使得數(shù)學模型適應(yīng)性差。在線檢測過程中，樣品是運動的，近紅外光譜受到很大的影響，如何在果品運動的狀態(tài)下獲得較穩(wěn)定的近紅外光譜仍是一個很大的難題。
（3）建立用于水果品質(zhì)光譜分析的校正模型與開發(fā)用于水果品質(zhì)檢測的軟件系統(tǒng)是近紅外光譜技術(shù)能否用于水果品質(zhì)檢測的最關(guān)鍵問題，但當前大部分研究只是進行可行性探索，沒有進行深入研究；在實際生產(chǎn)生活中使用的便攜式水果品質(zhì)無損檢測儀器非常罕見。
5發(fā)展趨勢
目前水果市場，或者水果生產(chǎn)者在田間分析水果品質(zhì)都需要一種小型便捷的、可移動式的近紅外光譜分析儀器。同時這些儀器還需要操作簡單，對普通常見的水果都具有適用性。因此，便攜式的、能夠和電腦隨時連接的類USB或PDA的近紅外水果分析儀將會成為市場新寵。
當今水果加工過程中非常需要一種能夠根據(jù)水果品質(zhì)指標（如可溶性固形物、酸度、硬度等）進行快速在線分級.光纖技術(shù)與近紅外技術(shù)結(jié)合必然使近紅外在線檢測技術(shù)廣泛應(yīng)用于水果以及其他各個領(lǐng)域，并在今后的發(fā)展中逐步形成成熟的在線檢測裝備投放于市場。隨著近紅外光譜分析技術(shù)的不斷推廣和深入應(yīng)用，未來它將與網(wǎng)絡(luò)技術(shù)結(jié)合，更方便快捷地實現(xiàn)分析模型的在線更新與升級。
目前，水果的近紅外光譜無損檢測中還存在檢測指標單一、實時性差、檢測效率低等問題。為了解決上述問題，開展高效并行圖像處理算法和多指標綜合檢測技術(shù)的研究非常必要，并將成為研究熱點。為了更快速、更準確地得到測量結(jié)果，結(jié)合近紅外光譜分析技術(shù)、高光譜成像技術(shù)，及紫外、紅外光技術(shù)，從多信息融合技術(shù)的不同層次：數(shù)據(jù)層、特征層和決策層選擇最優(yōu)的融合方法，在水果成熟期和品質(zhì)檢測領(lǐng)域?qū)⒂袕V闊的研究前景。近紅外光譜技術(shù)將會在更多領(lǐng)域更廣泛范圍為人類帶來便利。
參考文獻：
[1]林，近紅外光譜分析技術(shù)在我國大宗水果品質(zhì)無損檢測中的應(yīng)用研究[J].食品工業(yè)科技，2012，6（33）：460～464.
[2]賀艷楠，水果成熟度無損檢測技術(shù)研究進展[J].北方園藝，2010（3）：208～212.
[3]莫潤陽，無損檢測技術(shù)在水果品質(zhì)評價中的應(yīng)用[J].物理學和高新技術(shù)，2004，33（11）：848～851.
[4]毛莎莎，曾明，何紹蘭，等，近紅外光譜技術(shù)在水果成熟期預(yù)測中的應(yīng)用（綜述）[J].亞熱帶植物科學，2010，39（1）：82～89.
[5]McGlone V A， et al. VIS/NIR estimation at harvest of pre- and post-storage quality indices for ‘Royal Gala’ apple [J]. Postharvest Biology and Technology，2002，25：135～144.
[6]Lu R， et al. A Near-infeared sensing technique for measuring internal quality of apple fruit[J]. Trans of the ASAE，2002，18（5）：585～590.
[7]Ann Peirs， et al. Effect of natural variability among apples on the accuracy of VIS-NIR calibration model for optimal harvest date prediction[J]. Postharvest Biology and technology，2005，35：1～13.
[8]Yongni Shao，et al. Visible/near infrared spectrometric technique for nondestructive assessment of tomato quality characteristics[J]. Journal of Food Engineering，2007，81：672～678.
[9]Clark C J， McGlone V A， Jordan R B， et al. Detection of brown-heart in ‘braeburn’ apple by transmission NIR spectroscopy[J]. Post-harvest Biology and Technology， 2003（28）：87～96.
[10]應(yīng)義斌，基于小波變換的水果糖度近紅外光譜檢測研究[J].光譜學與光譜分析，2006， 26（1）：63～66.
[11]周文超.近紅外投射光譜無損檢測贛南臍橙糖度的研究[J].農(nóng)業(yè)化研究，2009（5）：161～163.
[12]劉春生.偏最小二乘法——可見/近紅外光譜測定南豐蜜桔糖度的研究[J].河北師范大學學報：自然科學版，2008，32（6）：788～790，797.
[13]應(yīng)義斌.蘋果有效酸度的近紅外漫反射無損檢測[J].農(nóng)業(yè)機械學報，2004，35（6）：124～126，141.
[14]劉燕德.近紅外漫反射用于檢測蘋果糖度及有效酸度的研究[J].光譜學與光譜分析，2005，25（11）：1793～1796.
[15]董一威.蘋果中糖酸度的CCD近紅外光譜分析[J].食品科學，2007，28（8）：376～380.
[16]李建平，傅霞萍，周瑩.近紅外光譜定量分析技術(shù)在枇杷可溶性固形物無損檢測中的應(yīng)用[J].光譜學與光譜分析，2006，26（9）：1606～1609.
[17]劉燕德.近紅外漫反射光譜檢測梨內(nèi)部指標可溶性固形物的研究[J].光譜學與光譜分析，2008，28（4）：797～800.
[18]周麗萍.蘋果可溶性固形物含量的檢測方法[J].農(nóng)業(yè)化研究，2009，4（4）：104～106.
[19]傅霞萍.水果堅實度的近紅外光譜檢測分析實驗研究[J].光譜學與光譜分析，2006，26（6）：1038～1041.
[20]史波林.應(yīng)用GA-DOSC算法消除果皮影響近紅外漫反射光譜分析蘋果硬度的研究[J].光譜學與光譜分析，2009，29（3）：665～675.
[21] 劉燕德.梨子表面色澤的可見/近紅外漫反射光譜無損檢測研究[J].紅外與毫米波學報，2008，27（4）：266～268.
[22]李鑫.蘋果梨單果重的近紅外無損檢測研究[J].安徽農(nóng)業(yè)科學，2008，36（4）：1297～1298.
[23]韓東海.蘋果內(nèi)部褐變的光學無損傷檢測研究[J].農(nóng)業(yè)機械學報，2006，37（6）：86～88，93.
[24]王加華.基于可見/近紅外能量光譜的蘋果褐腐病和水心鑒別[J].光譜學與光譜分析，2008，28（9）：2098～2102.
[25] 夏俊芳.基于小波變換的柑橘維生素C含量近紅外光譜無損檢測方法[J].農(nóng)業(yè)工程學報，2007，23（6）：170～174.
[26]劉燕德.可見/近紅外漫反射光譜無損檢測南豐蜜桔維生素C的研究[J].光譜學與光譜分析，2008，28（10）：2310～2320.
[27] 趙杰文.支持向量機在蘋果分類的近紅外光譜模型中的應(yīng)用[J].農(nóng)業(yè)工程學報，2007，23（4）：149～152.
[28]何勇.基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋果品種鑒別方法研究[J].光譜學與光譜分析，2006，26（5）：850～853.
本書是第二卷，由四部分組成，共25章：第一部分是“歷史的綜述”，含第1章：1. Aimé Cotton在1895年發(fā)現(xiàn)CD和ORD后的第一個十年；第二部分是“有機立體化學”，含2-12章：2. 一些天然的手性發(fā)色團――經(jīng)驗規(guī)則和量子化學計算；3. 用于測定苯和其它芳香族發(fā)色團絕對構(gòu)型的電子CD；4. 電子CD激子手性方法：原理和應(yīng)用；5. 手性擴展p-電子化合物的CD光譜：絕對立體化學和實驗驗證的理論確定；6. 利用固態(tài)電子圓二色性和量子力學計算來編配天然產(chǎn)物的絕對構(gòu)型；7. 金屬有機化合物的動態(tài)立體化學和旋光光譜學；8. 動態(tài)系統(tǒng)的圓二色性：開關(guān)分子及超分子的手性；9. 超分子系統(tǒng)的電子圓二色性；10. 利用有量子計算功能的HPLCECD進行手性化合物的在線立體化學分析；11. 用振動圓二色性進行手性天然產(chǎn)物的結(jié)構(gòu)測定；12. 分子絕對構(gòu)型的測定：選擇適當旋光法的準則。第三部分是“無機立體化學”，含第13章：13. 電子圓二色性在無機立體化學中的應(yīng)用。第四部分是“生物分子”，含第14-25章：14. 蛋白質(zhì)的電子圓二色性；15. 肽的電子圓二色性；16. 擬肽的電子圓二色性；17. 核酸的電子圓二色性；18. 肽核酸及其類似物的電子圓二色性；19. 蛋白質(zhì)與核酸相互作用的圓二色性；20. 用電子圓二色性來分析捆綁在核酸上的藥物或天然產(chǎn)物；21. 用電子圓二色性來探索HSA和AGP藥物捆綁位置；22. 生物高聚物、肽、蛋白質(zhì)和核酸的構(gòu)象研究――振動圓二色性的作用；23. 從拉曼光學活性來看生物分子的結(jié)構(gòu)和行為；24. 糖類和復(fù)合糖的旋光、電子圓二色性以及振動圓二色性；25. 通過電子圓二色性來發(fā)現(xiàn)藥物。本書以紀念已故的Carlo Rosini教授的短文開頭。每章的結(jié)尾有參考書目，目錄的前面有各章作者簡介，結(jié)尾有主題索引。
本書第一編著貝羅娃博士是美國紐約哥倫比亞大學化學系的研究員。1998年以來，她一直是《手性》雜志的編委會成員。
本書可用做大學生或研究生的教科書，或?qū)W術(shù)和工業(yè)領(lǐng)域的研究工作者的參考書。
關(guān)鍵詞：火焰原子吸收光譜；沼液；濕法消解；礦質(zhì)營養(yǎng)元素
中圖分類號：S182 文獻標識碼：A 文章編號：0439-8114（2013）12-2914-03
Determination of Mineral Nutrition Elements in Fermented Liquid by Temperature-Controlled Wet Digestion and Flame Atomic Absorption Spectrometry
JIANG Zhong-yuan1，HU Ming-hua1，AO Ke-hou1，WEI Jing-xu1，LUO Yan-wen2
（1.School of Chemistry and Chemical Engineering，Zunyi Normal College， Zunyi 563002，Guizhou，China；
2. Court of Zunyi Product Quality Inspection Detection， Zunyi 563002，Guizhou，China）
Abstract： Temperature-controlled HNO3-H2O2 wet digestion and flame atomic absorption spectrometry were employed for determination of mineral elements in the fermented liquid residue of livestock dung. The mineral elements， including K， Mg， Na， Fe， Ca， Mn， Cu and Zn in fermented liquid were analyzed. The results showed that the correlation coefficient（r） of each mineral element’s quantitative standard curve was above 0.999 3， the quantitation limit was 0.90～67.0 ng/L， the relative standard deviation was 0.79%～2.51%， and the standard addition recovery rate was 95%～103%. It was found that the average content of the 8 mineral elements in fermented liquid was in a descending order of K， Na， Ca， Mg， Fe， Mn， Zn and Cu.
Key words： flame atomic absorption spectrometry； fermented liquid； wet digestion； mineral element
隨著低碳經(jīng)濟的發(fā)展，沼氣技術(shù)的應(yīng)用與推廣日益廣泛，沼氣發(fā)酵殘留物的開發(fā)應(yīng)用問題也倍受人們關(guān)注。而沼液作為人畜糞便等有機物在厭氧條件下充分發(fā)酵后的液體殘余物[1]，不僅含有N、P、K等營養(yǎng)元素，而且含有豐富的腐殖酸、有機質(zhì)、氨基酸、生長激素及有益菌群等營養(yǎng)物質(zhì)，其營養(yǎng)全面，養(yǎng)分利用率高，是一種多元的速效復(fù)合肥[2]。沼液在作物種植中不僅能顯著地改良土壤，確保農(nóng)作物生長所需的良好微生物環(huán)境，還有利于增強作物抗凍、抗旱能力，減少病蟲害，提高作物產(chǎn)量[3]。原料中含有的礦物元素在發(fā)酵過程中，參與了微生物代謝過程，但最后又殘留于沼殘液中。因此，開展針對沼液中礦質(zhì)元素及其含量范圍的分析研究，將有助于促進畜牧養(yǎng)殖糞污發(fā)酵殘留物在肥料、飼料、浸種、植物生長激素和生物農(nóng)藥等方面的應(yīng)用，并為相關(guān)應(yīng)用提供科學參考。
必需礦質(zhì)元素K、Na、Fe、Mn、Cu、Zn、Ca及Mg對動植物正常生長和生產(chǎn)不可或缺，在動植物體內(nèi)具有重要的營養(yǎng)生理功能。目前，已建立了上述元素在環(huán)境、食品、醫(yī)藥、生物、地質(zhì)等樣品中的檢測方法[4-11]，但是溫控濕法消解-火焰原子吸收光譜測定法應(yīng)用于沼液的礦質(zhì)元素及其含量檢測方面的報道較少。本試驗通過溫控濕法消解-火焰原子吸收光譜，建立了沼液中多種礦質(zhì)元素的分析方法，以期為腐熟水溶性速效肥中的礦質(zhì)元素檢測提供有益探索，也為肥料中礦質(zhì)元素含量檢測提供一種快速、便捷、靈敏的方法。
1 材料與方法
1.1 試劑
H2O2、HNO3、HCl均為優(yōu)級純試劑，購于國藥試劑有限公司，試驗用水為去離子水。
標準儲備液： 1 000 μg/mL Mn、Cu、Zn、Ca、Mg、K、Na、Fe標準溶液（中國計量科學研究院）。
1.2 儀器
TAS-990型原子吸收分光光度計（北京普析通用儀器有限公司）；電子天平（上海越平科學儀器有限公司生產(chǎn)）；AKDL-II-16超純水儀（成都康寧實驗專用純水設(shè)備廠）。所有器皿均用4 mol/L HCl浸泡24～48 h，然后用去離子水沖洗3～4次，待用。
1.3 方法
1.3.1 標準溶液的制備 取適量K、Na、Fe、Mn、Cu、Zn、Ca、Mg標準溶液，逐級稀釋成標準系列工作溶液（表1），在儀器工作條件下測定各標準溶液的吸光度及樣品溶液的吸光度。
1.3.2 樣品采集及處理 將采集的不同地區(qū)沼液樣品渦旋混勻，準確量取10 mL沼液樣品于50 mL燒杯，用少許5%（m/V，下同）HNO3潤洗移液管內(nèi)壁并移入燒杯中，加入10 mL 30%（V/V）H2O2和20 mL濃HNO3，蓋上表面皿，于控溫電熱板上逐漸升溫至120 ℃。消解至消解液澄清、透明且無懸浮物，剩余溶液體積≤10 mL，取下冷卻至室溫，用5% HNO3定容于15 mL比色管中，過水系濾膜（？準=0.45 μm）后，按表2條件測定[12]。
2 結(jié)果與討論
2.1 標準曲線
對1.3.1中標準系列工作溶液進行測定，由儀器自動繪制標準曲線和確定線性相關(guān)系數(shù)，確定檢出限，結(jié)果見表3。
2.2 樣品測定
對來自于4個地區(qū)畜牧養(yǎng)殖糞污經(jīng)厭氧發(fā)酵的剩余沼液中的礦質(zhì)元素含量進行了測定，結(jié)果見表4。
2.3 回收率和準確度分析
為考察方法的可靠性，采用標準品加入法測定各元素的平均回收率來確定方法的準確性。設(shè)定0.5、1.0、2.0 mg/kg 3個添加水平，按照優(yōu)化條件檢測，K、Na、Fe、Mn、Cu、Zn、Ca、Mg回收率都在96%～101%，相對標準偏差在1.56%～3.01%。結(jié)果表明，采用溫控HNO3-H2O2濕法消解-火焰原子吸收光譜分析方法測定上述8種礦質(zhì)元素穩(wěn)定性好，結(jié)果可靠準確，能夠滿足檢測要求。
2.4 精密度分析
按照1.3.2處理，對某地區(qū)沼液樣品平行測定6次，計算測定方法的相對標準偏差。結(jié)果表明，相對標準偏差均小于3%，誤差在痕量分析允許范圍內(nèi)，表明方法精密度良好。
3 結(jié)論
建立了沼液中礦質(zhì)元素的溫控HNO3-H2O2濕法消解-火焰原子吸收光譜檢測8種礦質(zhì)元素的分析方法。試驗中采用強氧化性物質(zhì)的氧化作用破壞樣品中的有機物質(zhì)，使待測元素溶解于溶液中，使混合酸與樣品中有機物大分子作用完全，消化省時、徹底、不容易造成損失。由結(jié)果可知，在沼液中的礦質(zhì)元素中K、Na、Ca含量較高，而Cu含量最低。該方法操作簡便，分析速度快，精密度和準確度都符合要求，可為腐熟水溶性速效肥中礦質(zhì)元素的檢測提供有效的分析方法。
參考文獻：
[1] RAVEN R P， GREGERSEN K H. Biogas plants in Denmark：Successes and setbacks [J]. Renewable and Sustainable Energy Reviews，2007， 11（1）：116-132.
[2] 宋成芳，單勝道，張妙仙，等.畜禽養(yǎng)殖廢棄物沼液的濃縮及其成分[J].農(nóng)業(yè)工程學報， 2011，27（12）：256-259.
[3] 樊文華，劉晉峰，王志偉，等.施用沼肥對溫室土壤養(yǎng)分和重金屬含量的影響[J].山西農(nóng)業(yè)大學學報（自然科學版），2011，31（1）：1-4.
[4] BAKIRCIOGLU D， KURTULUS Y B， UCAR G. Determination of some traces metal levels in cheese samples packaged in plastic and tin containers by ICP-OES after dry， wet and microwave digestion[J]. Food and Chemical Toxicoiogy，2011，49（1）：202-207.
[5] 何曉文，許光泉，王偉寧.火焰原子吸收光譜法測定土壤中金屬元素[J].理化檢驗（化學分冊），2011，47（7）：778-780.
[6] 高智席，吳艷紅，薛永富.聯(lián)合消解-原子吸收法測定垃圾中重金屬元素含量[J].安徽農(nóng)業(yè)科學，2009，37（31）：15108-15109.
[7] 寧尋安，周 云，劉敬勇，等.微波消解-火焰原子吸收光譜法測定鋼鐵廠廢舊除塵布袋中重金屬[J].光譜學與光譜分析，2011，31（9）：2565-2568.
[8] GAO Z X， WU Y H， ZHAO H J，et al. Concentration determination of new fungicide in river water by ultrasoundassisted emulsification micro-extraction and reversed-phase high performance liquid chromatography[J]. Anal Methods，2012，4（8）：2365-2368.
[9] 孫嫵娟.漢中元胡中8種金屬元素含量的測定[J]. 光譜實驗室，2011，28（6）：2987-2990.
[10] 丁 銳，周長明，紀 宏，等.微波消解-原子吸收光譜法測定腸內(nèi)營養(yǎng)粉（維沃）中八種金屬元素的含量[J].光譜學與光譜分析，2011，31（9）： 3130-3132.
關(guān)鍵詞：透明質(zhì)酸鈉；傅里葉變換紅外光譜；圓二色譜
中圖分類號：Q657.33文獻標識碼：A文章編號：1672-979X(2007)10-0006-03
Research on Spectroscopy Properties of Sodium Hyaluronate
JIN Yan1,2, LING Pei-xue1,2, ZHANG Tian-min1,2
(1. School of Pharmacy, Shandong University, Jinan 250012, China; 2. Working Station for Postdoctoral Scientific Research, Institute of Biopharmaceuticals of Shandong Province, Jinan 250108, China)
Abstract：Objective To characterize the structure of sodium hyaluronate (SH). MethodsFTIR and CD spectra were used to analyze the structure of SH. Results The FTIR and CD spectra of SH were identical with the previous reports and the relative molecular mass of SH had no influence on the spectroscopy properties of SH. ConclusionFTIR and CD can characterize the primary and secondary structure of SH respectively and provide evidence for the structure study of SH.
Key words：sodium hyaluronate; FTIR; CD spectra
透明質(zhì)酸（hyaluronic acid，HA），又名玻璃酸，是一種酸性黏多糖，1934年美國Meyer等首先從牛眼玻璃體中分離出該物質(zhì)[1,2]。HA是由(13)-2-乙酰氨基-2-脫氧-β-D-葡萄糖-(14)-O-β-D-葡萄糖醛酸雙糖重復(fù)單位所組成的直鏈多聚糖，其結(jié)構(gòu)見圖1。
HA廣泛存在于脊椎動物的細胞間質(zhì)中，如皮膚、臍帶、關(guān)節(jié)滑液、軟骨、眼玻璃體、雞冠、雞胚、卵細胞、血管壁等[2]。HA在體內(nèi)主要以鹽的形式存在，其產(chǎn)品主要為透明質(zhì)酸鈉（sodium hyaluronate，SH）。HA參與很多重要的生理、病理過程，如保水、關(guān)節(jié)、血管生成、創(chuàng)傷愈合、腫瘤轉(zhuǎn)移等[3]。
HA多方面的生物活性與其結(jié)構(gòu)密切相關(guān)。國內(nèi)外已對其結(jié)構(gòu)進行了深入研究，并提出了HA在不同狀態(tài)下的多種結(jié)構(gòu)模型[4]。商品SH的相對分子質(zhì)量（Mr）范圍為105~107，目前主要以發(fā)酵法生產(chǎn)。本文采用傅里葉變換紅外光譜（FTIR）和圓二色譜（CD），對由發(fā)酵獲得的不同Mr的SH進行結(jié)構(gòu)表征，為其開發(fā)應(yīng)用奠定基礎(chǔ)。
1材料與儀器
SH（山東福瑞達生物化工有限公司，Mr分別為1.24×106，6.75×105，2.40×105，批號分別為0508202，0506091，0511281）。
NEXUS 470型傅里葉變換紅外光譜儀（美國Nicolet公司）；Chirascan型圓二色譜儀（英國Applied Photo Physics公司）。
2方法
2.1FTIR測定
取SH干粉0.5~1.0 mg與無水溴化鉀300 mg混合研磨壓片。掃描范圍4 000~400 cm-1，分辨率0.5 cm-1，掃描次數(shù)：75次/s。
2.2CD測定
稱取SH干粉1 mg，溶于10 mL水。于室溫下進行掃描，波長范圍為190~400 nm。
3結(jié)果
3.1FTIR分析
圖2為SH（Mr 1.24×106）的FTIR光譜。SH的FTIR光譜與文獻報道[5]相符。參照文獻[5]對SH的特征吸收峰進行了歸屬，見表1。
從圖2可見，3 385 cm-1左右的強峰為羥基吸收峰，其峰形寬而鈍，顯示SH分子內(nèi)羥基通過分子內(nèi)或分子間氫鍵締合。1 615及1 407 cm-1 左右的強銳峰為羧基的反對稱及對稱伸縮振動峰。1 151，1 078，1 047及946 cm-1左右的吸收峰為糖的特征吸收峰。
從表1可見，不同Mr的SH，其特征吸收峰峰位及峰形都無明顯差別，顯示Mr對SH的FTIR性質(zhì)無影響。
3.2CD分析
圖3顯示，SH在210 nm處有一明顯的負峰，對應(yīng)于SH分子中羧基的nπ躍遷及無規(guī)則卷曲[6]，與文獻[7,8]相吻合。不同Mr的SH，其CD圖譜沒有明顯差別。
4討論
光譜分析技術(shù)，包括FTIR，CD等，在生物大分子的結(jié)構(gòu)研究中，發(fā)揮了重要作用。由FTIR光譜可獲得SH中主要官能團的信息，對SH的一級結(jié)構(gòu)進行表征。CD光譜能夠檢測由結(jié)構(gòu)的不對稱性引起的左、右偏振光的吸收差別。如化合物無規(guī)則結(jié)構(gòu)，則其CD強度為零，而有序結(jié)構(gòu)則會產(chǎn)生正信號及負信號。SH的CD圖譜顯示，SH具有有序結(jié)構(gòu)。推斷SH在水溶液（0.1 mg/mL）中主要的二級結(jié)構(gòu)為無規(guī)則卷曲。
參考文獻
[1]Meyer K, Palmer J W. The polysaccharide of the vitreous humor[J]. J Biol Chem, 1934, 107:629-634.
[2]郭學平，王春喜，凌沛學，等. 透明質(zhì)酸及其發(fā)酵生產(chǎn)概述[J]. 中國生化藥物雜志，1998，19（4）：209-212.
[3] 凌沛學. 透明質(zhì)酸[M]. 北京：中國輕工業(yè)出版社，2000： 53-83.
[4]凌沛學，賀艷麗，白若琬，等. 玻璃酸鈉結(jié)構(gòu)及理化性質(zhì)的研究進展[J]. 中國生化藥物雜志，2000，21（3）：152-154.
[5]Gilli R, KacurákaováM, Mathouthi M, et al. FTIR studies of hyaluronate and its oligomers in the amphorphous solid phase and in aqueous solution[J]. Carbohydr Res 1994, 263(2): 315-326.
[6]Chen H X, Zhang M, Xie B J. Spectroscopy investigation on conformational transition of tea glycoconjugate from green tea[J]. Chin J Chem,2004, 22(11): 1387-1390.
[7]樊東輝，吳蓓蓓，徐政，等. 透明質(zhì)酸鈉的光譜學分析[J]. 中國生化藥物雜志，2006，27（1）：22-25.
