光谱学与光谱分析
|
基于近红外漫反射光谱的丁香蓼叶片重金属铜含量快速检测研究
刘燕德,施 宇,蔡丽君
华东交通大学机电工程学院,江西 南昌 330013
Fast Determination of Heavy Metal Cu in Ludwigia Prostrata Leaves Using Near Infrared Diffuse Spectroscopy
LIU Yan-de, SHI Yu, CAI Li-jun
College of Mechanical Engineering, East China Jiaotong University, Nanchang 330013, China
摘要 : 植物中的重金属离子以一定形式与具有近红外吸收的有机分子基团结合, 因此可以借助近红外光谱技术间接检测其重金属离子含量。研究了基于近红外漫反射光谱技术快速检测丁香蓼叶片中重金属铜含量的方法。通过不同光谱数据预处理方法的对比,结合偏最小二乘法,建立了丁香蓼叶内重金属铜含量近红外光谱检测定量模型。实验结果为,经过平滑处理的光谱建模效果较理想,其建立的校正相关系数为0.950,校正均方根误差为5.99;外部验证相关系数为0.923,预测均方根误差为7.38。研究表明,近红外漫反射光谱技术用于丁香蓼叶片中重金属铜含量的快速检测具有可行性。
关键词 :近红外光谱;丁香蓼;重金属;偏最小二乘法;定量检测
Abstract :Heavy metal ions in plants can be determined by using the near-infrared spectral (NIRS) technique, because they combine with the organic molecular groups that have NIRS absorptions. The present article analyzed the fast detection of heavy metal Cu in Ludwigia prostrata leaves by near infrared diffuse spectral technology. Different preprocessing methods were compared, combined with partial least squares (PLS), and the fast detection models of heavy metal Cu in Ludwigia prostrata leaves were established. The results showed that the best model was obtained by PLS with the preprocessing method of average smoothing. The correlation coefficient (r ) and root mean square error of calibration(RMSECV) was 0.950 and 5.99 respectively; External validation correlation coefficient (r ) and root mean square error of prediction(RMSEP) was 0.923 and 7.38 respectively. The study shows that fast determination of heavy metal Cu in Ludwigia prostrata leaves using near infrared diffuse spectroscopy is feasible.
Key words :Near infrared spectra;Ludwigia prostrata;Heavy metal;PLS;Quantitative detection
收稿日期: 2012-06-01
修订日期: 2012-09-18
通讯作者:
刘燕德
E-mail: jxliuyd@163.com
[1] Bhupinder Dhir, Sheela Srivastava. Ecological Engineering, 2011, 37(6): 893. [2] JIANG Jian-jun, DENG Lin, LI Hua(江建军, 邓 林, 李 华). Food and Machinery(食品与机械), 2011, 27(6): 40. [3] Ghosh M, Singh S P. Environ. Pollut, 2005, 133(2): 365. [4] Tandy S, Schulin R, Nowack B. Chemosphere, 2006, 62(9): 1454. [5] Sarma H. Journal of Environmental Science and Technology, 2011, 4(2): 118. [6] WANG Hai-hui, HUAN Heng-fu, LUO Ying, et al(王海慧, 郇恒福, 罗 瑛, 等). Chinese Agricultural Science Bulletin(中国农学通报), 2009, 25(11): 210. [7] QU Ran, MENG Wei, LI Jun-sheng, et al(屈 冉, 孟 伟, 李俊生, 等). Chinese Journal of Ecology(生态学杂志), 2008, 27(4): 626. [8] Daniel Mirgorodsky, Lukasz Jablonski, Delphine Ollivier, et al. Earth and Environmental Science, 2012, 3: 433. [9] Li Gengfei. Northern Horticulture, 2012, 06: 72. [10] WANG Guang-lin, ZHANG Jin-chi, WANG Li, et al(王广林, 张金池, 王 丽, 等). Journal of Nanjing Forestry University(Natural Sciences Edition)(南京林业大学学报·自然科学版), 2009, 33(4):43. [11] Song S B, Hwang J B, Hong Y K, et al. Korean Journal of Weed Science, 2008, 28(3): 214. [12] Lesteur M, Latrille E, Bellon Maurel V, et al. Bioresource Technology, 2011, 102(3): 2280. [13] Lee H W, Christie A, Liu J J, et al. Biotechnalogy Progress, 2012, 28(3): 824. [14] XU Qing-xian, SHEN Heng-sheng, LIN Bin(徐庆贤, 沈恒胜, 林 斌). Fujian Journal of Agricultural Sciences(福建农业学报), 2011, 26(3): 440. [15] LU Wan-zhen, YUAN Hong-fu, XU Guang-tong, et al(陆婉珍, 袁洪福, 徐广通, 等). Modern Near Infrared Spectral Analysis Technology(现代近红外光谱分析技术). Beijing: China Petrochemical Press(北京: 中国石化出版社), 1999. [16] LIU Ge-yu, CHAI Tuan-yao, SUN Tao(刘戈宇, 柴团耀, 孙 涛). Chinese Journal of Biotechnology(生物工程学报), 2010, 26(5): 561. [17] ZHANG Zhong-chun, QIU Bao-sheng(张中春,邱保胜). Plant Physiology Journal(植物生理学报), 2012, 48(5): 425. [18] FU Xiao-ping, DOU Chang-ming, HU Shao-ping, et al(傅晓萍, 豆长明, 胡少平,等). Chinese Journal of Plant Ecology(植物生态学报), 2010, 34(11): 1354. [19] DING Zhu-hong, HU Xin, YIN Da-qiang(丁竹红, 胡 忻, 尹大强). Ecology and Environmental Sciences(生态环境学报), 2009, 18(2): 777.
[1]
高 峰, 邢雅阁, 罗华平, 张远华, 郭 玲. 基于可见/近红外光谱与化学计量学的杏品种无损鉴别方法 [J]. 光谱学与光谱分析, 2024, 44(01): 44-51.
[2]
李 宇,张克灿,彭丽娟,朱正良,何 亮. 偏最小二乘辅助紫外可见光谱法同时测定烟草中的葡萄糖与木糖含量 [J]. 光谱学与光谱分析, 2024, 44(01): 103-110.
[3]
梁业恒,邓孺孺,梁钰婕,刘永明,吴 仪,袁宇恒,艾先俊. 重金属污染水体背景下的底质反射率光谱特征及其对离水反射率贡献影响分析 [J]. 光谱学与光谱分析, 2024, 44(01): 111-117.
[4]
鲍 浩,张 艳. 基于改进哈里斯鹰优化算法的光谱特征波段选择模型研究 [J]. 光谱学与光谱分析, 2024, 44(01): 148-157.
[5]
程惠珠,杨婉琪,李福生,马 骞,赵彦春. 面向XRF的竞争性自适应重加权算法和粒子群优化的支持向量机定量分析研究 [J]. 光谱学与光谱分析, 2023, 43(12): 3742-3746.
[6]
胡彩平,何成遇,孔丽微,朱优优,武 斌,周浩祥,孙 俊. 模糊线性判别QR分析的茶叶近红外光谱鉴别分析 [J]. 光谱学与光谱分析, 2023, 43(12): 3802-3805.
[7]
刘鑫鹏,孙祥洪,秦玉华,张 敏,宫会丽. 基于Wasserstein散度的t-SNE相似性度量方法研究 [J]. 光谱学与光谱分析, 2023, 43(12): 3806-3812.
[8]
白雪冰,宋昌泽,张倩玮,代斌秀,靳国杰,刘文政,陶永胜. “赤霞珠”葡萄叶片缺磷胁迫的VIS/NIR光谱快速无损诊断方法 [J]. 光谱学与光谱分析, 2023, 43(12): 3719-3725.
[9]
王琦标,何余锴,罗雨诗,王淑君,谢 波,邓 超,刘 勇,庹先国. 基于卷积神经网络和近红外光谱的酒醅酸度分析方法研究 [J]. 光谱学与光谱分析, 2023, 43(12): 3726-3731.
[10]
骆 立,王静仪,徐兆军,那 斌. 基于近红外光谱技术建立木材产地鉴别模型 [J]. 光谱学与光谱分析, 2023, 43(11): 3372-3379.
[11]
张淑芳,雷 蕾,雷顺新,谭学才,刘绍刚,严 军. 近红外漫反射光谱的茉莉花产地溯源 [J]. 光谱学与光谱分析, 2023, 43(11): 3389-3395.
[12]
杨 群,凌琪涵,魏 勇,宁 强,孔发明,周艺凡,张海琳,王 洁. 基于可见-近红外光谱的柑橘叶片功能性氮含量无损监测模型研究 [J]. 光谱学与光谱分析, 2023, 43(11): 3396-3403.
[13]
黄孟强,匡文剑,刘 向,何 良. 基于1D-CNN的近红外光谱定量分析棉/涤纶/羊毛混纺纤维含量方法研究 [J]. 光谱学与光谱分析, 2023, 43(11): 3565-3570.
[14]
黄招娣,陈再良,王 琛,田 彭,章海亮,谢潮勇,刘雪梅. 比较用可见/短波近红外光谱结合机器学习算法测量土壤性质的不同多元校准方法分析 [J]. 光谱学与光谱分析, 2023, 43(11): 3535-3540.
[15]
康明月,王 成,孙鸿雁,李作麟,罗 斌. 基于改进的WOA-LSSVM樱桃番茄内部品质检测方法研究 [J]. 光谱学与光谱分析, 2023, 43(11): 3541-3550.