拉曼光谱具有简单、 快速、 原位、 微区、 无损、 高分辨率和高灵敏度等优点, 可以分析物质的成分与分子结构信息, 是开展地质研究的有力工具。 通过回顾近年来拉曼光谱的研究进展, 结合实际的油气地质研究工作及分析测试经验, 对拉曼光谱在油气地质研究中的应用进行总结, 并讨论现阶段应用过程中存在问题及未来的发展方向。 拉曼光谱在油气地质中的应用主要分为三个方面: (1)矿物与流体包裹体分析, 可以确定成岩-成藏流体类型及组成、 成岩-成藏作用过程, 包括岩矿鉴定、 流体包裹体中流体体系分析、 水-岩相互作用过程研究、 地质样品同位素研究等; (2)不同类型有机质成熟度分析, 可以用于恢复热史、 油气成藏期次约束; (3)流体包裹体压力恢复, 可以研究油气藏的形成与演化过程。 主要方式为利用流体包裹体中气体的拉曼特征峰位移变化量、 气体溶解度恢复流体包裹体内压及捕获压力。 在实际油气地质研究中, 多种因素制约拉曼光谱的定量/半定量应用, 主要包括: 地质样品复杂性与特殊性、 样品处理方式、 拉曼测试参数与测试环境、 拉曼光谱数据处理与分析方式。 拉曼光谱分析测试流程标准化、 挑选和制备校准标样; 拉曼光谱与冷热台、 水热金刚石压腔(HDAC)、 高压可视反应腔(HPOC)、 扫描电镜(SEM)、 电子探针(EPMA)等仪器联用, 开展复杂体系原位、 实时、 不同温压条件下测试, 是进一步将拉曼光谱应用到油气地质中的研究方向。

酿酒葡萄一般批量采收, 采收期对其品质有较大影响。 传统方法主要依靠对样本的酚、 糖等各组分含量进行实验室理化指标检测, 判定采收成熟度。 如果对多个地块进行采摘前的连续监测, 则批量大、 成本高、 采样与分析工作量繁重, 且时效性差, 难以保证果品的收获品质。 以蛇龙珠品种为对象, 提出一种利用近地面多光谱图像对种植区葡萄成熟度和批量采收期判别的方法。 通过DJI Phantom四旋翼无人机搭载ADC Micro多光谱相机, 以S型采样路线直接拍摄9个采样点的蛇龙珠田间原位图像, 并采集葡萄果粒样本; 利用PixelWrench2 x64软件进行图像处理, 得到每张图像的红色(R)分量、 绿色(G)分量、 近红外(NIR)分量值; 将葡萄果粒榨汁, 依据检测时长、 成本和代表性程度, 选取总糖含量为成熟度判定指标, 采用PAL-1手持式糖度仪检测葡萄汁总糖含量; 分别分析R, G, NIR分量与日期的显著性关系, 发现叶片集中区域(局部)的R分量与日期为最显著关系(p-value=5.314 44×10^-4, 调整后R²=0.815), 可作为建模的成熟度参数; 按照模型集与验证集为4:1的原则构建“总糖含量—局部R分量”线性回归与对数回归模型, 结果显示: 相比于线性模型, 总糖含量与局部R分量呈非常显著的对数关系(p-value=5.124 07×10^-10, 调整后R²=0.970 62), 且该模型的平均预测误差≤1.388%、 最大预测误差≤4.6%、 采收前预测误差±0.46%, 证明该对数模型具有较高的检测精度。 实际采收前, 利用上述方式在近采收期采集蛇龙珠葡萄田间原位多光谱图像, 将得出的局部R分量值带入对数模型, 可对总糖含量进行预测, 并以22%±0.46%的总糖含量为标准研判蛇龙珠葡萄是否成熟。 结果表明: 采用区块光谱图像进行酿酒葡萄的批量采收品质和采收时间预测具有便利性与可行性, 为光谱图像在农业实际生产中的应用提供了新思路。

猕猴桃可溶性固形物含量（SSC）和硬度是评价其品质的关键参数，同时也是判别其成熟度的重要指标。为探究基于光纤光谱技术预测猕猴桃SSC、硬度和成熟度的可行性并寻求最佳预测模型。首先，采用光纤光谱（200~1 000 nm）采集系统获取不同成熟期“贵长”猕猴桃的反射光谱，并测定SSC和硬度的参考值。接着，基于全光谱和参考值构建偏最小二乘回归（PLSR）和主成分回归（PCR）预测模型。然后，应用连续投影算法（SPA）和竞争性自适应重加权算法（CARS）选取特征波长，构建简化的多元线性回归（MLR）和误差反向传播（BP）网络预测模型。最后，通过偏最小二乘判别分析（PLS-DA）和简化的K近邻（SKNN）算法，构建预测猕猴桃成熟度检测模型。结果表明：CARS-BP模型对SSC的预测性能最优，其预测集决定系数RP2=0.90，预测集均方根误差（RMSEP）和剩余预测偏差（RPD）分别为0.64和3.22；CARS-MLR对硬度的预测性能相对最优，其RP2=0.83，RMSEP和RPD分别为1.67和2.47；PLS-DA模型对猕猴桃成熟度的检测性能最优，其正确识别率高达100%。该研究为水果品质和成熟度的无损检测提供重要指导。

酿酒葡萄成熟度是确定葡萄采收期的重要品质指标, 针对酿酒葡萄大田中成熟度检测难度大的问题, 利用可见/近红外(Vis/NIR)光谱技术和化学计量学, 研究了酿酒葡萄可溶性固形物含量(SSC)与光谱数据之间的内在联系。 采用USB2000+光谱仪获取5种酿酒葡萄及其叶片在不同成熟时期的Vis/NIR光谱数据, 通过OMNIC 8.0软件提取光谱数据, 将化学值与光谱吸收率值通过TQ Analyst8.0软件建立模型。 选取信噪比高的450~1 000 nm波段, 利用PCA剔除异常光谱数据, 将一阶导数(FD)、 Savitzky-Golay卷积平滑(S-G)、 多元散射校正(MSC)、 标准正态变换(SNV)分别组合共4种方法用于光谱数据预处理。 利用偏最小二乘(PLS)法分别建立了5种葡萄基于酿酒葡萄光谱数据的SSC预测模型, 建立了5种葡萄基于冠层叶片光谱数据的SSC预测模型, 对比了不同方式预处理后的建模效果, 并选择最优预处理方式建模。 最后用外部样本分别验证了SSC预测模型。 结果表明, 采用S-G平滑+FD+MSC的预处理方法时大多数预测模型性能达到最好。 5种葡萄浆果校正集和验证集的R分别达到0.93和0.86以上, 最高均方根误差分别为0.30和0.48, 5种葡萄冠层叶片校正集和验证集的R分别达到0.73和0.65以上, 最大均方根误差分别为0.95和0.75。 5种葡萄浆果外部试验样本预测值与真实值间的平均RE最高为0.43%。 基于酿酒葡萄浆果光谱的SSC预测模型具备良好的预测能力, 优于基于酿酒葡萄冠层叶片光谱的SSC预测模型, SSC预测模型能够为酿酒葡萄成熟度评价研究提供理论参考。 Vis/NIR光谱技术适用于在酿酒葡萄大田中快速、 无损检测SSC。

成熟度是确定番茄采摘时间和评估收获后果实品质的重要参数之一, 随着番茄成熟阶段的递进, 叶绿素含量逐渐下降, 而番茄红素含量逐步增加, 使得果实颜色由绿色转变为红色。 以六个成熟阶段的600个番茄为研究对象, 采用空间分辨光谱技术提取番茄的吸收(μ_a)和约化散射(μ'_s)系数光谱, 结合偏最小二乘判别分析(PLSDA)算法对番茄的不同成熟度进行判别。 由新型空间分辨光谱系统采集每个番茄样品的30个空间分辨光谱, 光谱区间为550~1 650 nm, 覆盖光源-检测器距离1.5~36 mm。 由于30根光纤对称布置, 平均具有相同光源-检测器距离的光纤数据, 获得15个新空间分辨光谱。 受水分强吸收影响, 1 300 nm之后的光谱区域信噪比较小, 仅550~1 300 nm的光谱区域被用来分析和计算番茄的μ_a和μ'_s。 另外, 由于光在组织中传输衰减, 光源-检测器距离超过12.5 mm的信号较弱, 仅靠近光源的9个空间分辨光谱(光源-检测器距离1.5~12.5 mm)被用来提取番茄的μ_a和μ'_s, 根据漫射近似方程逆算法获得μ_a和μ'_s在550~1 300 nm的光谱区间的光谱值。 随着番茄的成熟, μ_a光谱在675 nm处叶绿素吸收峰逐渐衰减伴随着560 nm处花青素和姜黄素吸收峰的增加, μ'_s光谱随着波长的增加单调递减。 比较分析μ_a和μ'_s评估番茄六成熟度与三成熟度分类效果, 同时, 针对表面颜色和内部颜色两方面对番茄成熟度进行分类。 数学模型结果表明, μ_a和μ'_s光谱组合能够进一步提高单独μ_a和μ'_s光谱建立的番茄六成熟度分类模型性能, 尤其是μ_a×μ'_s参数, 对基于内、 外颜色特征的番茄成熟度识别率分别为78.5%与85.5%。 μ_a和μ'_s以及它们的组合对番茄三成熟度分类结果更优, 且基于内、 外颜色特征的成熟度分类准确率相近, 均可达到94%。 本研究证明光学吸收与约化散射系数光谱能够有效识别番茄成熟度, 为农产品品质无损检测提供了新的技术手段。

月球表面没有大气层的保护，岩石矿物长期在太空风化的作用下，逐渐演化为月壤。太空风化过程是月壤产生、成熟的过程，由于物质形态结构的改变，导致月表光谱特征产生变化。因而，作为风化产物的月壤的光谱特性，包含了月表的太空风化信息。月壤成熟度，是描述太空风化程度的重要指标，利用高光谱遥感数据进行亚微观铁（SMFe）的反演进而获取月壤成熟度，是目前研究月表太空风化的主要手段。原位探测数据，由于没有受到其他因素的干扰，获得的反演结果相对更加准确、可靠。我国嫦娥四号(CE-4)玉兔二号巡视器搭载了能直接获取月表原位高光谱数据（450~2395 nm）的科学载荷红外成像光谱仪，为研究月表的太空风化提供了很好的机会。选取了CE-4卫星着陆器登陆点附近的两处光谱数据，采用Hapke模型和光谱角匹配法对CE-4卫星登陆点附近月壤的SMFe进行了反演。根据Morris模型和FeO含量进一步反演CE-4卫星登陆点附近月壤的成熟度。结果表明，该处月壤成熟度为11.5，较大概率为不成熟月壤。