水体化学需氧量（COD）是一个重要的水体质量指标, 一般用来衡量有机物的污染程度。 对COD的检测长期依赖采样后的实验室化学分析方法, 目前应用最普遍的是重铬酸钾氧化法与酸性高锰酸钾氧化法。 化学分析的方法操作复杂, 耗时费力, 且引入新的化学药剂, 造成二次污染, 因此, 急需一种能够实现水体COD快速测量的检测技术。 在前期研究基础上, 对水体COD的激光诱导击穿光谱检测方法进行深入探索, 重点是优化模型预测速度, 目的是研究激光诱导击穿光谱技术用于对水体COD的快速测量方法。 采集了不同COD浓度的99个水体样本, 分为训练集和测试集两组, 通过重铬酸钾氧化法测定各水样的COD值, 作为真实值, 利用实验室自建的激光诱导击穿光谱采集系统采集各水样波长在200～1 000 nm的光谱信息, 利用偏最小二乘算法建立训练集水样COD的定量化测量模型, 然后对测试集光谱数据进行预测, 将预测结果与实验室化学方法测定的真实值进行对比, 评估预测效果。 通过对原始光谱建立的预测模型进行分析, 发现在建模过程中, 大量的激光诱导击穿光谱数据与COD浓度相关性很差, 而这些无用数据参与计算, 浪费了计算资源, 延长了检测时间, 造成系统负载过大, 不利于便携式检测设备的开发。 重点研究贡献度最大的前几个主成分, 通过对COD测量原理和PLS模型载荷分析, 找到LIBS光谱中与水样COD浓度相关性最高的主要特征峰, 经过分析发现, 主要为来源于水中有机物中的C, H, O, N以及水中一些还原性离子元素的特征峰, 这些特征峰对COD的模型预测能力贡献最大, 而COD的定义正是衡量水体中这些元素的多少, 这与该研究分析结论相吻合。 为了实现检测速度的提升, 提取这些特征峰, 对光谱数据进行降维, 剔除大量无关或相关性较低的数据, 经过多次筛选和降维, 最终将原来参与计算的每条光谱的13 622个数据降到28个, 大大降低系统的运算量, 却依然能够保留不错的预测能力。 筛选出的28个特征波长最能反映水体COD浓度, 为水体COD便携式的多波段检测设备的研发, 实现对COD的快速测量奠定了基础。

水果表面的农药残留严重危害身体健康, 而常规检测方法需要采样处理, 耗时、 费力。 激光诱导击穿光谱技术具有多元素分析和原位测量的能力, 在水果表面农药残留检测方面潜力巨大。 但是较差的检测灵敏度, 限制了此技术在水果表面微量有害元素检测方面的应用。 提高激光诱导击穿光谱系统的检测能力是目前的研究热点领域, 研究了纳米粒子表面增强技术对苹果表面残留的毒死蜱农药的激光诱导击穿光谱信号的增强效果。 通过在被测样品表面涂抹币族金属纳米粒子, 然后利用激光诱导击穿光谱激发样品表面, 对诱导出的原子发射光谱信号进行测量, 实验结果表明, 苹果表面涂抹金属纳米粒子后毒死蜱农药中磷元素的特征峰有4倍的增强。 此方法的应用对提高果蔬表面微量有害元素的检测能力具有重要意义。 然后我们对币族金属纳米粒子的增强效果进行了优化。 研究了金纳米粒子和银纳米粒子的增强能力, 同时对纳米粒子的粒径的增强效果进行了比较, 通过对20 nm的金纳米粒子、 20 nm的银纳米粒子和80 nm的银纳米粒子的增强效果比较, 发现80 nm的银纳米粒子对苹果表面毒死蜱农药光谱的增强效果最好。 研究了信号采集延时时间对光谱信噪比的影响, 确定了0.2 μs的延时时间可以获得较为理想的信噪比。 在以上研究的基础上, 采用最优的实验参数(80 nm银粒子增强、 0.2 μs的延时时间), 以毒死蜱中磷元素在213.62, 214.91, 253.56和255.33 nm处的特征峰峰强作为依据, 对苹果表面残留的毒死蜱农药进行了定量化分析。 分别采集了毒死蜱残留浓度分别为30, 20, 15, 12, 10和6 μg·cm-2的苹果表面的LIBS光谱, 然后分别利用磷元素的四个特征峰峰强进行了定量化曲线拟合, 结果发现LIBS对残留的毒死蜱具有很好的定量化预测能力, R2在0.89以上。 根据定量化拟合曲线, 探讨了纳米增强LIBS的检测限, 计算得到, 利用纳米增强LIBS技术测量苹果表面的毒死蜱农药最低可以做到1.61 μg·cm-2的检测限。 研究证明了金属纳米粒显著提高了LIBS对苹果表面农药残留的检测灵敏度。

水体COD的光谱学传感技术是现代环境监测的一个重要发展方向, 与传统的分析方法相比, 光谱分析技术更具有可连续监测、 可在线监测和检测快速的明显优势, 适合对环境水样COD的定点实时监测。 分别获取水样的紫外吸收光谱和近红外光谱, 通过不同的光谱预处理方法结合偏最小二乘法、 多元线性回归法建立水样的COD定量预测模型, 对水体COD的紫外和近红外光谱的定量预测及相关模型参数进行分析, 发现用S-G平滑处理后的紫外光谱和近红外光谱建立的PLS模型均得到最佳预测效果, 预测集R2分别为0.992　1和0.987　7, RMSEP分别为10.438　6和5.972　0。 紫外和近红外光谱法的MLR模型预测效果较差, 预测集R2分别为0.928　0和0.957　3。 通过实验结果综合对比分析, 紫外吸收光谱在280～310 nm谱区建模预测性能较好, 近红外光谱在7　250～6　870 cm-1谱区建模预测性能较好, 紫外光谱对应定量预测模型的决定系数较高, 而近红外光谱的稳定性和重复性更好。 研究表明光谱传感技术可用于环境实际水体COD的定量预测分析, 为开发便携式水体检测设备奠定了理论基础。

葡萄在劣变时会挥发出特定成分和浓度的气体。 在变质葡萄的挥发物红外光谱中发现了乙醇、 乙酸乙酯和二氧化碳的光谱特征。 通过多次反射的光学系统提高了光谱测量的光程, 从而获得了更高的探测灵敏度。 利用新型光谱测量系统进一步研究了葡萄劣变过程中挥发物的精细化特征, 并证实了其中含有多种醇类、 酯类、 醛类和乙烯的光谱特征。 部分挥发物的浓度随贮藏时间展现规律性的变化, 可以以其为生物标志物来表征葡萄的变质程度。 进一步以光谱观测规律为基础研制了由传感器阵列组成的电子鼻, 通过对特定挥发物的定量化测量实现葡萄变质的分类和预警。 揭示了更为精细的葡萄劣变过程中挥发物的光谱特征变化规律, 证实了通过挥发物测量鉴别水果变质的可行性, 为开展水果变质的实时监测技术研究提供了理论和技术参考。

葡萄酒如果贮存方法不当极易发生劣变, 失去原有的风味和质感, 影响品质, 因此对葡萄酒劣变进行检测, 具有重要意义。 在红葡萄酒劣变过程中, 主要发生了酸败现象, 产生了过量的有机酸类物质, 致使葡萄酒原有性状发生变化。 利用傅里叶变换红外光谱技术研究红葡萄酒特征光谱及其品质劣变的判别方法。 对劣变过程的理化特性进行了分析, 并对葡萄酒的FTIR光谱的主要吸收峰进行了解析。 在劣变判别过程中, 创新性的采用了比较多个吸收峰之间的吸光度比值之间大小关系的方法实现对劣变的判定, 但此方法具有一定的相对性。 通过对变质红葡萄酒与未变质红葡萄酒的FTIR光谱数据进行对比分析, 发现在3 020～2 790, 1 760～1 620以及1 550～800 cm-1三个波段内, 在光谱特征上具有一定的差异, 为了能够将这些光谱差异与葡萄酒的劣变情况建立联系并能够实现判别分析, 引入了化学计量学方法。 采用主成分分析(PCA)结合软独立建模聚类分析法(SIMCA)分别对以上三个特征波段内光谱数据进行了分类, 最后利用偏最小二乘判别分析(PLS-DA)对验证集数据在这三个波段进行了判别, 结果表明FTIR结合化学计量学方法能够成功区分开变质和未变质的红葡萄酒样本, 且具有很好的识别率, 其中利用1 550～800 cm-1波段来建模分析效果最好, SIMCA和PLS-DA识别率分别为94%和100%。

农田土壤中钾元素的实时测量具有重要的意义。 利用由1 064 nm激光器、 高分辨率光谱仪组成的激光诱导击穿光谱系统, 研究了土壤总钾含量的LIBS测量方法。 文章对钾元素含量在8.74～34.56 g·kg-1之间的农田土壤样品进行分析, 比较了404.40, 404.72, 766.49和769.90 nm的钾原子特征谱线, 并选取766.49 nm为本研究的分析谱线。 分析了激光器稳定性、 随机噪声造成的谱线强度误差, 并以农田土壤中含量相对稳定的硅元素为参照元素, 建立K和Si光谱强度比值与土壤中K元素含量关系的内定标模型。 定标曲线拟合相关系数为0.935, 定标模型对预测集样品的预测标准偏差为9.26%。

糖浓度是梨果内部品质的重要指标。 实验测得了梨果的近红外漫反射吸光度谱, 并且对其进行了光谱预处理, 包括多元散射校正(MSC)、 基线校正(baseline correction)、 标准正态变量变换(SNV)和平滑去噪(moving average)。 结果表明, 经过预处理后的吸光度谱在光谱归一化、 噪声消减等方面有着较为明显的优势。 使用偏最小二乘法(PLS)对原始吸光度谱和预处理后的吸光度谱分别进行处理, 得到结论: 应用平滑去噪预处理后的吸光度谱进行预测的准确度优于原始吸光度谱, 得相关系数为0.990 8, 预测标准偏差为0.019 0。

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。