硝酸盐氮是水环境中监测中重要的污染指标之一, 通过紫外吸收光谱可以快速无污染地对该污染物进行检测。 针对紫外吸收光谱容易受到浊度干扰的这一情况, 通过实验方法分析了福尔马肼浊度标准液对硝酸盐氮标准液的紫外吸收光谱的影响, 基于此提出了补偿曲线法的浊度补偿方法对硝酸盐氮的紫外吸收光谱进行补偿校正, 并通过实验对该方法进行了验证, 验证结果良好。 首先, 在实验室通过紫外光谱采集测试系统采集了浓度为0.2~10 mg·L-1的12组硝酸盐氮标准液、 5~50 NTU的10组福尔马肼浊度液、 以及福尔马肼浊度液与硝酸盐氮的混合溶液的紫外吸收光谱。 理论上, 根据朗伯-比尔定律, 混合溶液的吸光度应该等于不同溶质吸光度的叠加, 但是通过实验分析, 混合溶液在硝酸盐氮的主要吸收谱区的吸光度并不等于硝酸盐氮和浊度吸光度之和, 这是因为浊度颗粒打破了硝酸盐氮分子的共面性, 造成空间位阻, 使共轭体系被破坏, 导致硝酸盐氮吸光度降低。 因此引入了在0～1之间的补偿系数kN(λ)用来表征浊度对硝酸盐氮吸收谱的影响, 当kN(λ)越接近0时, 表明浊度在此波长处对硝酸盐氮的吸光度影响越大。 根据实验测量的光谱数据求出不同浊度在硝酸盐氮主要吸收谱区的补偿系数, 即可得到不同浊度的补偿曲线。 通过实验分析, 350~400 nm波段的硝酸盐氮吸光度基本为0, 混合溶液吸光度只与浊度相关, 且两者的吸光度基本相同, 因此可以选择此波段的光谱积分来建立浊度回归模型, 从而解算混合溶液的浊度值。 相比于单个波长的建模回归, 该光谱积分回归模型的稳定性好, 不容易受到其他因素干扰。 浊度解算模型的相关系数r的平方为0.998 5, 解算效果较好, 得到浊度值之后即可进行浊度补偿。 通过实验对该补偿方法进行了验证, 并与单波长的浊度补偿与未进行补偿时进行了对比。 验证结果表明, 补偿曲线法进行浊度补偿后, 建立偏最小二乘(PLS)算法的硝酸盐氮预测模型, 预测均方根误差(RMSEP)为0.124, 预测值与真实值的平均绝对误差(MAE)为5.3%, 补偿效果很好, 其他两种都会发生很大偏差。 相比之下, 该文提出的浊度补偿方法效果明显优于其他两种, 此方法可以为硝酸盐氮紫外吸收光谱的浊度补偿提供有效的技术参考。

对肝细胞及肝病变细胞进行荧光光谱特性研究, 能为早期筛查与攻克肝癌提供光谱学依据。 实验目的包括, 通过光谱实验获得细胞特异性荧光光谱； 结合流式细胞仪获得最大饱和荧光强度与细胞直径的相关性。 实验过程, 首先使用荧光光谱仪来检测肝细胞、 肝纤维细胞以及两种肝癌细胞； 采用去拉曼散射的方法消除背景噪声, 获得五种浓度下细胞荧光光谱； 其次, 使用流式细胞仪检测四种细胞直径的大小, 根据双参数散点图分析四种细胞的直径特点； 最后, 利用高斯多峰拟合对比光谱差异, 并且分析细胞直径对荧光饱和强度变化趋势的影响, 得出细胞大小对荧光饱和强度非线性拟合曲线的影响规律。 光谱实验发现, 在550~750 nm之间, 肝细胞存在两个特异性荧光峰, 第一个峰值位于592 nm处, 第二个峰位于682 nm处, 且前者明显高于后者； 肝癌, 肝纤维细胞除具备与肝细胞相同位置的两个峰外, 在726 nm处出现第三个特异性荧光峰, 并在592 nm处获得最大激发光强, 在726 nm处的荧光峰高于在682 nm处的第二个荧光峰； 结合高斯多峰拟合法对峰值和各峰位置, 以及峰型展宽进行分析。 肝癌细胞和肝纤维细胞三个峰的展宽基本相同, 正常肝细胞最大激发峰展宽略小于另三种细胞, 但是682 nm处的小峰展宽略大于病变细胞； 流式细胞仪实验结果显示, 肝癌细胞直径大于肝纤维细胞大于肝细胞, 同种浓度下荧光强度也是肝癌细胞高于肝纤维细胞高于肝细胞； 利用非线性曲线拟合细胞最大荧光强度随浓度变化曲线, 根据曲线斜率的变化规律, 发现四种细胞的最大荧光强度会随着细胞浓度增大而增强, 但是逐渐呈现荧光饱和状态。 随着细胞直径增加, 最大荧光强度饱和趋势更为明显, 单个细胞自激发效率降低。 结果显示, 将细胞形态学与光谱学有机的融合, 结合两种分析方式, 能提高细胞判断的准确性和有效性。 通过对肝细胞、 肝癌细胞以及肝纤维细胞的荧光光谱特性进行研究, 并结合细胞直径分析荧光饱和变化趋势, 能够为肝病变细胞的研究提供一定的光谱学依据。

固体表面三维荧光是一种表征固态有机质组分与结构的先进技术, 不需要提取固体样品中的溶解性有机质, 直接对固体样品进行三维荧光光谱检测, 具有可操作性、 实用性、 信息量大的特点。 利用固体表面三维荧光光谱, 结合平行因子(PARAFAC)技术、 聚类分析(HCA)与分类回归树(CART)模型等分析手段, 提取乌梁素海表层底泥中的荧光组分, 识别影响有机质特征的关键因子, 揭示有机组分的空间分异规律。 根据污染程度的不同, 采集了10个表层底泥样品(1#—10#), 检测未处理样品和加热处理样品的固体表面三维荧光光谱, 二者之差得到湖泊底泥有机质的固体表面三维荧光光谱。 采用PARAFAC技术, 提取了4个主要的荧光组分(C1—C4)。 C1为类色氨酸物质, 主要来自于内源。 C2为类富里酸物质、 C3为可见区类胡敏酸物质、 C4为紫外区类胡敏酸物质, C2—C4主要来自于陆源。 四个荧光组分的总含量在北部最高, 南部次之, 中部最少。 C2—C4的总含量高于C1, 表明湖区底泥有机质主要来源为陆源。 C1在湖区南部的含量高于北部与中部, 表明C1可能与大量水生植物的生长代谢有关。 C2含量的空间分布为北部>南部>中部。 C3在北部地区的含量远高于南部和中部, 是北部地区底泥的代表性物质。 C4与C2的空间分布规律大致相同。 基于荧光组分HCA, 得出C2与C4可能具有相同的来源； C3与C1是区别底泥有机质特征的关键因子。 基于采样点HCA, 可将湖区底泥分为3个不同区域, 分别为北部重度污染区、 南部中度污染区与中部轻度污染区。 利用CART模型, 进一步验证了C3与C1是识别底泥有机质特征的关键因子, 使湖区底泥的分类结果更为精确, 同时为后续乌梁素海底泥污染特征与污染来源的探究提供了技术支撑。

为解决同步荧光光谱（SFS）荧光峰重叠而产生的应用局限性, 应用同步荧光技术结合二维相关与主成分等方法, 对重叠峰进行解析, 研究土壤溶解性有机质(SDOM)组成与结构特征。 选取河套灌区典型常见的芦苇、 白杨、 玉米、 籽瓜等四种植被覆盖的土壤为研究对象, 采集四个样点的土样, 每个样点按0~20, 20~40, 40~60和60~80 cm等四层采集植被下土壤, 共计16个土样, 提取溶解性有机质, 检测SFS。 结果表明瓜地和玉米地SDOM荧光强度大于林地和芦苇地SDOM的荧光强度, 瓜地SDOM荧光强度随着土层深度的增大而增大, 而其他三种植被SDOM的荧光强度随着土壤深度的增大而减小, 表明瓜地水浇过程中土层以淋溶作用为主, 而其他土层以渗滤作用为主。 应用主成分分析方法（PCA）, 识别出酪氨酸、 色氨酸、 微生物代谢产物、 富里酸和胡敏酸等5种荧光组分, 酪氨酸荧光峰出现了红移现象, 表明瓜地土壤中的酪氨酸荧光强度明显高于其他三种植被土壤。 基于二维相关光谱分析, 芦苇土壤中的色氨酸与微生物代谢产物呈正相关变化趋势, 光谱波段先后变化顺序为370 nm→337 nm→290 nm, 表明组分变化顺序为富里酸→微生物代谢产物→色氨酸； 玉米土壤中富里酸与胡敏酸呈正相关, 波段变化顺序为318 nm→350 nm→420 nm→274 nm, 表明组分变化顺序为微生物代谢产物→富里酸→胡敏酸→酪氨酸； 林地土壤中酪氨酸、 富里酸和胡敏酸呈正相关, 波段变化顺序为270 nm→392 nm→426 nm→305 nm→337 nm, 表明组分变化顺序为酪氨酸→富里酸→胡敏酸→色氨酸→微生物代谢产物； 瓜地土壤中富里酸与胡敏酸呈正相关, 而与酪氨酸呈负相关, 波段变化顺序为410 nm→355 nm→334 nm→309 nm→275 nm, 表明组分变化顺序为胡敏酸→富里酸→微生物代谢产物→色氨酸→酪氨酸。 因此, 运用SFS结合PCA与二维相关光谱分析SDOM的荧光光谱特征, 识别荧光组分, 揭示荧光组分的空间变化规律具有十分显著的效果。

三维荧光光谱法在研究多环芳烃（PAHs）类物质的荧光信息时起到了重要作用。 多环芳烃类物质具有致癌性, 难降解性, 多由尾气排放, 垃圾焚烧产生, 危害着人类健康及环境, 因此人们不断探索对多环芳烃检测的方法。 实验选取多环芳烃中的苊和萘作为检测物质, 利用FLS920荧光光谱仪, 为避免荧光光谱仪本身产生的瑞利散射影响, 设置起始的发射波长滞后激发波长40 nm, 设置扫描的激发波长（λex）范围为： 200~370 nm, 发射波长（λem）范围为： 240~390 nm, 对多环芳烃进行荧光扫描获取荧光数据, 采用三维荧光光谱技术结合平行因子算法对混合溶液中的苊和萘进行定性定量分析。 实验选用的苊和萘均购于阿拉丁试剂官网, 配制浓度为10 mg·L-1的一级储备液, 再将一级储备液稀释, 得到苊和萘浓度为0.5, 1, 1.5, 2, 2.5, 3, 3.5, 4和4.5 mg·L-1的二级储备液, 并将苊和萘进行混合。 在进行光谱分析前需要对苊和萘的光谱进行预处理, 采用空白扣除法扣除拉曼散射的影响, 并采用集合经验模态分解（EEMD）消除干扰噪声。 实验测得苊存在两个波峰, 位于λex=298 nm, λem=324/338 nm处, 萘存在一个波峰, 位于λex=280 nm, λem=322 nm处。 选用的PARAFAC算法对组分数的的选择很敏感, 因此采用核一致诊断法预估组分数, 估计值2和3的核一致值都在60%以上, 分别对混合样品进行了2因子和3因子的PARAFAC分解, 将分解后得到的激发发射光谱数据和各组分浓度数据进行归一化处理, 并绘制光谱图, 与归一化处理后的真实的激发发射光谱图和各组分浓度图进行对比。 同时将PARAFAC得到的混合样本的预测浓度, 通过计算回收率（R）和均方根误差（RMSEP）来判定定量分析的准确度。 选择2因子时, 各混合样品中苊和萘拟合度为95.7%和96.7%, 平均回收率分别为101.8%和98.9%, 均方根误差分别为0.018 7和0.031 6； 选择3因子时, 各混合样品中苊和萘拟合度为95.3%和95.8%, 平均回收率分别为97%和102.5%, 均方根误差分别为0.033和0.116, 由三项指标可得选用2因子进行定性定量分析的效果明显好于选用3因子。 分析实验结果表明, 基于三维荧光光谱法和PARAFAC算法对混合样品进行定性定量分析, 能够有效的判定混合样品的类别, 同时能够成功的预测出混合样品的浓度。

没食子酸（GAa）, 学名为3,4,5-三羟基苯甲酸（分子式为C7H6O5）, 通常以水合物的形式存在, 作为一种重要的有机原料, 广泛的存在于植物中。 有研究证明GAa具有抗氧化、 抗炎、 抗肿瘤、 抗病毒、 抗突变等多种作用。 因此GAa常作为抗氧化剂添加于化妆品中。 对羟基苯甲酸（p-HA）, 分子式为C7H6O3, 其中的R基为甲基、 乙基、 丙基、 丁基或庚烷基时分别称为对羟基苯甲酸乙酯、 对羟基苯甲酸丙酯、 对羟基苯甲酸丁酯和对羟基苯甲酸庚酯。 p-HA酯类的抗菌性强、 毒性低、 抑菌作用不受pH影响, 因此常添加于化妆品及药物中用作防腐剂。 间苯二酚（RE）又称1, 3苯二酚或间二苯酚（分子式为C6H6O2）。 RE具有杀菌作用, 可作为防腐剂添加于化妆品中。 以没食子酸（GAa）、 对羟基苯甲酸（p-HA）和间苯二酚（RE）三种化妆品常用添加剂为目标分析物, 通过引入第四维—溶剂, 构建四维荧光光谱数据, 使用甲醇（光谱级）、 乙醇（光谱级）、 超纯水分别获得三组实验样本, 三组样本的配置方法与加入药品量相同。 使用FS920稳态荧光光谱仪对样本进行检测, 设置激发波长为210～330 nm, 间隔4 nm记录一个数据； 发射波长为280～480 nm, 间隔2 nm记录一个数据。 初始发射波长总是滞后激发波长10 nm, 由此可消除一级瑞利散射的干扰。 随后使用空白扣除法对初始荧光数据进行预处理, 去除了溶剂的拉曼散射。 最后, 采用核一致诊断法确定待测样本的组分数为3, 使用交替加权残差约束四线性分解（alternating weighted residual constrained quadratic decomposition, AWRCQLD）算法对预处理后的三维荧光光谱数据进行分解。 结果表明, AWRCQLD算法分解得到GAa、 p-HA和RE的激发、 发射光谱图与目标光谱几乎重叠, 能实现光谱重叠严重的GAa、 p-HA和RE的快速定性和定量分析。

化妆品中的酚酸类物质, 有的作为有效成分而添加, 如： 具有修复皮肤功效的咖啡酸、 能够抗炎抗过敏的没食子酸等； 有的作为防腐剂而添加, 如： 对羟基苯甲酸、 山梨酸等； 有的则属于禁用物质, 被不良商家违法添加, 如： 对苯二酚、 间苯二酚等。 为监控化妆品质量, 对化妆品中酚酸类物质的检测显得尤为重要。 许多研究人员也为此做了相关工作, 以色谱法为主的先分离后分析的方法取得了一定的成功, 但是费时、 费料、 操作复杂等缺点也十分明显； 三维荧光光谱技术具有较高的灵敏度, 但是荧光干扰和光谱重叠对检测有较大的影响, 针对复杂的化妆品样本往往无法得到理想的效果。 为实现化妆品中酚酸类物质的同时定性定量检测, 文章将三维荧光光谱技术与化学计量学的四维校正（也称三阶校正）相结合, 在保证高灵敏度的情况下, 克服未知干扰和数据共线性的影响。 首先, 在咖啡酸（caffeic acid, CA）、 对羟基苯甲酸（p-hydroxybenzoic acid, p-HA）、 对苯二酚（hydroquinone, HQ）的线性范围内选取合适的浓度, 分别在7.00, 7.30, 7.50和7.80四种pH值下配制校正样、 验证样和化妆品样, 这样就得到了激发-发射-pH-样本（EX-EM-pH-Sample）四维数据阵。 其次, 为验证pH值对荧光强度的影响, 选取320 nm作为激发波长, 得到咖啡酸在四种pH值下的发射波长, 发现咖啡酸的荧光强度随着pH值的增加而升高, 表明引入pH值作为第四维的合理性。 最后, 选择合适的组分数将四维数据阵用交替惩罚四线性分解算法（alternating penalty quadrilinear decomposition, APQLD）进行分解和预测, 将分解的光谱与实际光谱比较, 将预测的浓度与实际浓度比较。 实验结果显示无论是验证样还是化妆品样, 分解光谱均能与实际光谱相吻合, 验证样的平均回收率（AR）为100.4%~103.5%, 预测均方根误差（RMSEP）低于0.06； 化妆品样平均回收率（AR）为100.0%~102.2%, 预测均方根误差（RMSEP）低于0.08。 与色谱法研究相比回收率高出大约4%, 且操作简便省时省力, 灵敏度高； 与二阶校正方法相比, 都可以实现在未知干扰下对复杂化妆水体系中多个组分的同时分析, 以“数学分离”代替“物理化学分离”, 快速、 高效、 经济、 环保； 且三阶校正可以克服一定的数据共线性问题, 在一定程度上提高了灵敏度。

茶叶傅里叶近红外光谱（FTNIR）中含有茶叶的有机物化学成分信息, 不同品种茶叶的化学成分和含量都有差异, 所以利用傅里叶近红外光谱进行茶叶品种分类是可行的。 由于茶叶近红外光谱数据具有维数高, 有波峰和波谷, 光谱重叠交错等特点, 所以准确分类光谱数据存在困难。 为此, 提出一种可能模糊鉴别C均值聚类（PFDCM）算法, 将模糊线性判别分析（FLDA）引入到可能模糊C均值聚类（PFCM）算法中, 在模糊聚类过程中FLDA可提取茶叶近红外光谱的鉴别信息和进行数据空间的转换。 PFDCM在对茶叶光谱进行模糊聚类后得到的模糊隶属度和典型值可实现茶叶近红外光谱的准确聚类, 具有聚类速度快, 准确率高等优点。 由于PFDCM的典型值没有隶属度之和为1的约束条件, 因而PFDCM在聚类含噪声的光谱数据方面优于模糊C均值聚类（FCM）。 采集岳西翠兰, 六安瓜片, 施集毛峰和黄山毛峰四种茶叶共260个样本, 采用Antaris Ⅱ型傅里叶近红外光谱仪采集茶叶的傅里叶近红外光谱。 光谱波数范围为10 000~4 000 cm-1, 实验所得近红外光谱为1 557维的高维数据。 首先, 将光谱数据用多元散射校正（MSC）进行预处理以减少光谱散射和噪声影响和增加信噪比； 其次, 用主成分分析法（PCA）降低光谱数据空间的维数, 经过PCA处理后光谱数据维数为7； 然后, 用线性判别分析（LDA）提取光谱数据中的鉴别信息并将光谱数据空间的维数进一步降低到3维； 最后, 分别用FCM, 可能模糊C均值聚类（PFCM）和PFDCM进行数据的聚类分析, 实现茶叶品种的准确分类。 实验结果： 权重指数m=2.0, η=2.0, FCM, PFCM和PFDCM聚类算法的聚类准确率分别为93.60%, 93.02%和98.84%； FCM收敛时共迭代25次, 而PFCM和PFDCM收敛时分别迭代8次和23次； 模糊聚类收敛所消耗的时间, FCM最少, 而PFDCM最多。 FTNIR技术结合MSC, PCA, LDA和PFDCM提供了一种实现茶叶品种准确鉴别的分类模型。

大气颗粒物污染在全球范围内已成为严重的城市环境问题之一。 为探究滞尘对叶片光谱特征的影响, 并建立以高光谱数据为基础的叶面滞尘预测模型。 以北京市常见绿化树种（大叶黄杨）为研究对象, 设置高、 中、 低滞尘污染梯度, 采集720个叶片样本, 利用ASD Fildsoec Handheld光谱仪获取高光谱数据。 结果表明： 光谱反射峰分别在560和900 nm处, 吸收谷分别在400~500, 600~700和1 000~1 050 nm范围内； 有无滞尘的叶片反射率在不同波段表现出不同的规律, 在400～760和760～1 100 nm范围内的光谱反射率大小分别表现为滞尘叶片＞除尘叶片、 滞尘叶片＜除尘叶片； 滞尘与除尘叶片在植被光谱曲线上的差异性较明显, 350~700和1 900~2 500 nm波段, 滞尘叶片的光谱反射率略高于除尘叶片, 而在780~1 400 nm范围内, 滞尘叶片光谱反射率则显著低于除尘叶片, 差异性表现为： 重度污染区>中度污染区>轻度污染区； 反射率在可见光波段（350~780 nm）随叶面滞尘量的增加而增大, 而近红外波段（780~1 100 nm）的变化趋势则相反； 粉尘对叶片的红边斜率影响较大, 表现为滞尘叶片<无尘叶片, 而对红边位置没有显著影响。 叶面滞尘量预测模型中, 以叶面水含量指数、 简单比值指数建立的二次多项式预测模型效果最好, 分别为y=-1.18x2+0.542 4x+0.991 7, y=-7.67x2+3.692 4x+0.371 4。 模型验证表明, R2分别达到0.987 7和0.887 3, 拟合效果较好, 说明预测模型可有效地估测大叶黄杨叶面滞尘量。

预处理是木质纤维材料高效转化为燃料乙醇的关键步骤之一。 通过预处理可以实现木质素及半纤维素等屏障性组分的大量移除, 增加纤维素酶对纤维素的生产性吸附, 从而有效提高后续的酶水解得率。 泡桐（Paulownia）年产量大、 生长周期短、 加工废料多, 是制备生物能源和其他化学品极具潜力的原料。 为实现泡桐木质生物质原料到生物乙醇的高效转化, 促进泡桐原料的高效酶水解, 故而对原料进行预处理以打破其原有的生物抗性, 降解并脱除酶水解屏障性组分, 暴露并保留更多纤维素组分。 本研究以泡桐作为实验材料, 使用乙酸协同亚硫酸钠对原料进行化学预处理, 分析不同处理方法对原料化学组分及结构特性的影响。 组分分析显示： 预处理后, 样品葡聚糖相对含量均有不同程度增加, 其中碱性亚硫酸钠协同处理泡桐增加最为明显。 数据显示, 碱性亚硫酸钠协同处理具有很好的脱木素作用, 同时可以降解溶出部分木聚糖组分, 因此其葡聚糖相对含量显著增加至67.48%（未处理泡桐的葡聚糖相对含量为46.81%）。 此外, 分别采用FTIR, XRD及XPS等表征方法对所有泡桐样品的理化结构进行分析, 以探究不同预处理对样品结构产生的影响。 FTIR分析表明： 碱性亚硫酸钠协同处理后木质素特征吸收明显减弱, 纤维素特征吸收增强, 表明木质素有一定脱除, 纤维素相对含量有所增加。 XRD分析显示： 预处理后泡桐纤维表面受到破坏, 木质素及半纤维素等无定型物质被部分脱除, 纤维素结晶度均有不同程度增加。 其中, 碱性亚硫酸钠协同处理后纤维素结晶度显著增加至58.98%（未处理材的纤维素结晶度约为40.23%）, 002峰位向右侧偏移, 衍射峰衍射强度明显增强, 峰形变高且尖锐程度增大； XPS分析表明： 碱性亚硫酸钠协同处理后, 样品表面碳水化合物含量增加, 表面木质素含量减少。 所有表征分析均显示碱性亚硫酸钠协同处理对泡桐结构破坏性最大, 木质素降解脱除程度最高, 纤维素保留程度最好, 这有助于增加纤维素酶对纤维素的可及性, 有效提高后续的纤维素酶水解效率, 进而促进泡桐原料到燃料乙醇的高效转化。 结构表征分析结果与化学组分规律保持一致。

我国农田重金属污染形势不容乐观。 土壤中的重金属被作物根系吸收后会影响作物正常的生长发育, 降低农产品质量, 进而通过食物链进入人体, 危害人体健康。 高光谱遥感为实时动态高效监测作物重金属污染提供了可能。 设置不同浓度Cu2+胁迫梯度的玉米盆栽实验, 并采集苗期、 拔节期和穗期玉米老、 中、 新叶片光谱数据, 测定不同生长时期叶片叶绿素含量、 叶片Cu2+含量。 基于所获取的光谱数据、 叶绿素含量和叶片Cu2+含量, 结合相关分析法、 最佳指数法（OIF）和偏最小二乘法（PLS）构建OIF-PLS法提取含有Cu2+污染信息的特征波段。 首先依据苗期、 拔节期和穗期叶片叶绿素含量及穗期叶片Cu2+含量与相应叶片光谱的相关系数初步筛选特征波段； 然后, 从中选取三个波段计算最佳指数因子, 并以该三个波段为自变量, 对玉米叶片Cu2+含量进行偏最小二乘回归分析, 计算均方根误差； 最后根据最佳指数因子最大、 均方根误差最小的原则选取最佳特征波段。 基于OIF-PLS法所选取的特征波段构造植被指数OIFPLSI监测重金属铜污染, 并与常规的红边归一化植被指数（NDVI705）、 改进红边比值植被指数（mSR705）、 红边植被胁迫指数（RVSI）和光化学指数（PRI）监测结果做比较, 验证OIFPLSI的有效性和优越性。 另外利用在相同的实验方法下获取的不同年份的数据对OIFPLSI进行检验, 验证OIFPLSI的适用性和稳定性。 实验结果表明, 基于OIF-PLS法提取的特征波段（542, 701和712 nm）比基于OIF法提取的特征波段（602, 711和712 nm）能更好地反映Cu2+污染信息； 植被指数OIFPLSI与叶片Cu2+含量显著正相关, 相关性优于NDVI705, mSR705, RVSI和PRI； OIFPLSI与叶片叶绿素含量显著负相关, 与土壤中Cu2+含量显著正相关； 不同生长时期OIFPLSI与土壤中Cu2+含量的相关性高低依次为拔节期、 穗期、 苗期。 基于不同年份数据验证结果表明, OIFPLSI与叶片Cu2+含量显著正相关, OIFPLSI具有较强的稳定性。 基于OIF-PLS法所提取的特征波段构建的OIFPLSI能够较好地诊断分析玉米叶片铜污染水平, 可为作物重金属污染监测提供一定的技术参考。

高光谱定量研究土壤养分含量和冬小麦冠层光谱特征之间的关系, 可为冬小麦养分丰缺监测和科学合理指导施肥方案提供理论依据和技术支持。 基于35年长期定位试验, 研究黄土高原渭北旱塬土壤不同施肥处理对冬小麦冠层不同生育期光谱特征的影响, 结果表明： 在单一施肥条件下, 与不施肥（CK）相比, 冬小麦从拔节期到抽穗期, 单施P的CR500, CR670和CR550值均高于CK, 而单施N和M的光谱反射率显著低于CK。 拔节期单施P, N和M的CR500值分别为CK的1.2倍、 74.9%和70.5%； CR670值分别为CK的1.2倍、 66.8%和62.6%； CR550值分别为CK的1.2倍、 76.2%和76.9%。 冬小麦抽穗期各处理反射特征峰谷比拔节期明显增强, 单施P, N和M的CR500值分别为CK的1.2倍、 81.0%和53.5%； CR670值分别为CK的1.3倍、 76.8%和40.6%； CR550值分别为CK的1.2倍、 78.5%和63.4%。 冬小麦至灌浆期, 各处理反射特征峰谷均明显减弱； 至成熟期, 不同施肥处理下冬小麦光谱的“峰谷”差异不再明显。 包络线去除后单一施肥条件下的红谷光谱特征表明, 除成熟期外, 单施P的冬小麦红谷面积（A）、 红谷左面积（AL）和吸收峰对称度（S）均高于CK, 单施N和M均低于CK。 在组合施肥条件下, 所有施氮组合NMP, NP和NM均表现出相似的规律, 在可见光波段红、 蓝光吸收谷深度和绿光反射峰值以及近红外波段的光谱反射率均显著低于CK； PM组合光谱反射特征值略低于CK。 与CK相比, 冬小麦从拔节期到抽穗期, PM组合处理光谱反射率特征值略低于CK； NM, NPM和NP处理光谱反射率特征值之间差异较小但显著低于CK。 NM, NPM和NP处理的CR500值分别为CK的25.85%, 27.99%和26.07%； CR670值分别为CK的12.56%, 13.27%和13.98%； CR550值分别为CK的33.39%, 35.38%和37.04%。 而PM处理CR500, CR670和CR550值分别为CK的67.52%, 55.69%和79.40%。 冬小麦至灌浆期, 各组合处理反射特征峰谷较抽穗期均明显减弱； 冬小麦至成熟期, 不同施肥组合处理之间的光谱反射吸收特征差异不明显, 但均显著低于CK。 连续统去除后组合施肥条件下的红谷光谱特征表明, 各生长期冬小麦红谷面积（A）CK最大, PM处理次之, NM处理最小。

水分含量是哈密大枣干制过程中的重要指标, 对其外观、 口感、 贮藏和运输具有重要的影响。 因此, 为实现哈密大枣水分含量的准确预测, 采用近红外光谱结合变量优选方法, 建立干制哈密大枣水分含量的GA-ELM预测模型。 为提高模型的稳定性和预测精度, 开展并讨论了核函数和神经元个数对GA-ELM预测模型的影响。 采用多种预处理方法对全波段光谱进行处理, 对比分析发现标准正态变换方法（SNV）效果最佳。 对标准正态变换处理后的光谱利用连续投影算法（SPA）、 联合区间偏最小二乘（si-PLS）和遗传算法（GA）及其组合算法分别从全波段927.77~2 501.14 nm范围内筛选特征波长, 并建立对应GA-ELM预测模型, 同时与全波段的GA-ELM模型效果相比较, 采用SNV+SPA筛选的14个特征波长建立的GA-ELM模型效果最佳, 预测结果Rc和Rp分别为0.984 2和0.967 5, RMSEC和RMSEP分别为0.006 1和0.007 9, RPD为3.678 8。 研究结果表明： SNV+SPA+GA-ELM方法可实现干制哈密大枣水分含量的准确预测, 为近红外光谱技术应用于干制哈密大枣在线检测提供了参考。

茶叶是中国的主要经济作物之一, 而在茶叶种植过程中存在农药不合理使用及滥用等行为, 导致茶叶中存在严重农药残留问题。 茶叶中农药残留检测主要采用经典化学实验室方法, 存在前处理复杂、 耗时长、 成本高等缺陷, 急需研究茶叶中农药残留的快速检测方法, 以监管茶叶市场的质量安全。 本论文采用纳米竹炭（NBC）为净化剂快速去除绿茶的色素等基质影响, 使用表面增强拉曼光谱（SERS）方法分析绿茶中毒死蜱农药残留, 建立绿茶中毒死蜱农药残留的SERS快速检测方法。 采用不同NBC用量（0, 15, 20, 25和30 mg）去除茶叶基质, 比较不同NBC用量去除基质的净化效果和SERS谱图, 得出最优NBC用量, 并对前处理方法进行回收率实验, 验证前处理方法的可靠性。 结果表明, 使用20 mg NBC能较好地净化绿茶中的色素等基质影响, 前处理方法回收率实验表明, 该净化剂用于绿茶中毒死蜱农药残留基质净化是可行的。 采用密度泛函理论模拟毒死蜱分子理论拉曼光谱, 对比毒死蜱分子理论拉曼光谱和实验拉曼光谱, 对其官能团进行谱峰归属, 得到定性定量分析绿茶中毒死蜱农药残留的5个特征峰： 526, 560, 674, 760和1 096 cm-1。 在0.28~11.11 mg·kg-1浓度范围内, 以1 096 cm-1的峰强度建立绿茶中毒死蜱农药残留线性分析方程y=0.017 5x+0.909 2, 决定系数为R2=0.986 3, 表明毒死蜱农药浓度与其特征峰强度之间具有良好的线性关系, 方法的平均回收率在96.71%~105.24%之间, 相对标准偏差（RSD）为2.36%~3.65%。 该方法检测绿茶中毒死蜱农药的最低检出浓度约为0.56 mg·kg-1, 单个样本检测时间在15 min内完成。 研究表明, 表面增强拉曼光谱技术结合净化剂前处理方法能快速检测绿茶中的农药残留。

近年来, 虽然随着高光谱技术的出现可以快速获取土壤中的养分含量, 但不同的土壤类型对估算的精度会有很大的差异。 滨海湿地土壤类型受海洋环境影响较大, 其高光谱反射率与内陆土壤类型的表现会有所不同, 也就造成了同样的估算模型在反演滨海湿地土壤的养分含量时, 反演精度的降低, 随着近年来海洋资源的开发与滨海湿地生态恢复工作的不断推进, 探索一种合适的估算模型来快速准确的获取土壤中的养分含量变得更加紧迫。 该研究旨在验证利用可见-近红外高光谱反射率构建非线性模型来反演滨海湿地土壤类型中有机质(soil organic matter, SOM)含量的可行性。 以江苏省盐城大丰麋鹿国家级自然保护区的第三核心区土壤作为研究对象, 将土壤样本的光谱反射率进行5点Savitzky-Golay(S-G)平滑滤波处理, 再进行一阶微分R′、 倒数的一阶微分(1/R)′、 倒数的二阶微分(1/R)″、 对数的一阶微分(lgR)′四种微分变换后, 应用相关系数和显著性水平(p<0.01)提取土壤有机质含量的敏感波段, 利用台湾大学林智仁教授开发的MATLAB软件中的LIBSVM工具包构建SVM(support vector machine)支持向量机估算模型, 并利用MATLAB2018b软件中自带的BP(back propagation)反向传播神经网络构建估算模型, 最后利用决定系数R2和均方根误差RMSE进行模型的预测精度验证。 结果表明： 原始光谱通过5点S-G平滑滤波、 微分变换与相关系数法可以较好的提取出有效波段, 其中基于(1/R)′光谱变换提取的滨海湿地土壤有机质特征波段为498~501, 1 180~1 182, 1 946, 1 947和2 323~2 326 nm； 对比发现SVM的估算精度优于BP神经网络； 利用光谱的(1/R)′微分形式构建的SVM模型估算滨海湿地土壤SOM含量的精度最高, 决定系数R2与RMSE分别为0.93和0.23, 并且均通过了p<0.01的显著性检验。 因此利用高光谱构建SVM非线性模型来快速估算滨海湿地土壤中的养分含量具有一定的可行性。

总氮是衡量土壤肥力的重要成分指标。 传统的检测土壤总氮含量的化学方法操作复杂且费时费力, 采用傅里叶近红外（FT-NIR）对土壤总氮的含量实现直接快速定量分析； 然而, 利用偏最小二乘（PLS）等线性分析方法定量预测土壤样本的总氮含量, 定标预测模型有可能被理想化, 不利于在线检测的实际应用。 考虑给定量分析模型添加容错机制, 将FT-NIR定量分析转化为半定性判别分析, 以加强光谱模型的应用能力, 提出区间间隔搜索主成分分析逻辑回归（iPCA-LR）方法, 结合PLS的先验定量预测值, 通过设定r=0.05, 0.10, 0.15三个不同的容错阈值范围, 给样本赋予先验判别标记, 将定量分析模式转换为半定性判别模式, 建立土壤总氮的FT-NIR半定性判别模型, 同时, 对比讨论基于k＝5, 10, 15, 20四种不同子波段数量的区间划分数据的潜变量转换模式, 优选FT-NIR光谱特征子波段, 并讨论优选连续子波段的组合建模情况。 结果表明, 不同阈值范围下的FT-NIR半定性判别模型的预测准确率差别较大, 但不同阈值范围的最优判别模型的预测准确率均在75%以上, 各个区间划分的优选子波段或合并子波段的判别准确率均达到了90%以上, 可以满足不同程度的应用水平。 利用PLS结合iPCA-LR将定量预测转换为半定性判别的方法能够应用于土壤总氮的FT-NIR光谱分析, 能够解决常规PLS定量分析容易过拟合和过于理想化的问题, 半定性判别结果更符合实际, 有利于光谱技术的在线应用。

土壤重金属污染是由于人类活动导致重金属物质大量残留在土壤中, 超过土壤环境承载力, 这种现象将造成土壤质量退化、 生态环境恶化。 高光谱遥感可以实现图谱合一, 能有效地识别出土壤中不同元素的异常情况。 为实现农田土壤重金属高效、 准确监测, 提出了一种特征提高型竞争性自适应重加权算法（CARS）选取特征波段的粒子群算法（PSO）优化支持向量机（SVM）农田土壤重金属砷(As)含量高光谱估测分析方法。 利用CARS对暗室实测光谱值进行粗选； 利用一阶导数（FD）、 高斯滤波(GF)、 归一化（N）进行特征提高； 在特征精选阶段利用皮尔逊相关系数（PCC）求取预处理后的光谱指标与土壤重金属As之间的相关系数, 获取相关性大于0.6的波段作为特征波段； 最后利用PSO对SVM所选择的核函数σ和正则化参数γ进行优化, 以均方根误差(RMSE)作为适应度函数, 通过迭代最优适应度得到SVM最优参数值。 选择江汉平原典型区域洪湖市燕窝镇的土壤为研究对象, 预测结果表明基于PSO-SVM算法其验证集的决定系数R2为0.982 3, 均方根误差RMSE为0.521 6, 平均绝对误差MAE为0.416 4。 主要结论如下： PSO算法优化SVM参数, 通过迭代更新个体极值和群体极值, 可以迅速获取全局最优解, 与支持向量机回归（SVMR）和随机森林回归（RFR）相比, 在预测精度有了较大的提高； 特征提高型CARS算法可以有效剔除无关信息, 提高相关性, 且选取波段少, 模型简单, 大大提高了效率； 可以实现土壤污染预警、 满足精准农业需求、 为后期重金属污染土地生态修复提供数据基础。

研究不同液体酸酸析对碱溶酸析法提取腐植酸的光谱学特性的影响, 进而优选酸析液体酸, 解析泥炭甲烷发酵、 腐植酸提取耦合的泥炭利用新工艺机理。 泥炭甲烷发酵, 将发酵后泥炭残渣和未发酵的泥炭, 采用碱溶酸析法提取腐植酸, 提取时采用不同液体酸酸析, 对得到的腐植酸进行傅里叶红外光谱分析、 荧光光谱分析、 E4/E6的表征。 碱溶酸析法提取泥炭腐植酸, PHA1腐植酸产率最高, PHA2腐植酸产率有所降低。 PHA1和PHA2硝酸酸析腐植酸产率为45.30%和35.00%, 且硝酸酸析腐植酸纯度较大, PHA1是54.83 mg·L-1, PHA2为61.03 mg·L-1, 综合产率与纯度, 硝酸是碱溶酸析法提取泥炭腐植酸的最佳液体酸。 傅里叶红外光谱分析显示, 硝酸酸析得到的腐植酸含O—H基团最多, 存在较多的脂肪碳链结构、 烷基、 醇羟基。 PHA1和PHA2腐植酸的红外谱图相似, PHA1腐植酸饱和碳明显高于PHA2, PHA2腐植酸羰基、 苯环较多。 三键和累积双键、 羟基、 PHA1和PHA2差别不大。 荧光光谱分析表明, 泥炭腐植酸均在450 nm附近出现峰值, 以PHA1腐植酸峰值最高, PHA2峰值最低。 磷酸酸析腐植酸峰值最高, 硝酸酸析峰值次之, 表明不同液体酸酸析得到的腐植酸官能团数目不同。 E4/E6分析显示, PHA1腐植酸的E4/E6比值均较大, 芳香缩合程度低, 发酵后PHA2的E4/E6均降低, 芳香缩合程度高。 表明甲烷发酵会消耗低芳香缩合度的腐植酸, 而复杂芳香结构无法被降解, 提取的腐植酸芳香缩合程度明显增大。 碱溶酸析法提取泥炭腐植酸光谱学变化特征研究表明, 不同液体酸、 甲烷发酵对碱溶酸析法提取泥炭腐植酸产率、 纯度、 官能团有明显影响, 泥炭联产甲烷和腐植酸的工艺可行。

海底光谱反射率是光学浅水中太阳辐射传输的重要组成部分, 影响着海水表面离水辐亮度的光谱特性, 因此底质光谱信息的准确获取对于浅海遥感工作的开展至关重要。 专门设计了一套海底光谱反射率测量系统填补了国际上在这方面的空白。 采用可自由伸缩并旋转角度的参考白板贴近目标物测量, 以消除探头到目标物之间水体吸收衰减的影响, 双光路采集系统同步测量的设计避免了水下光场迅速变化对辐射测量的影响。 于2018年9月3日—8日, 用该系统在三亚珊瑚礁保护区进行原位海底反射率测量试验, 测量对象包括珊瑚、 海草、 泥沙、 沙滩等多种底质。 各底质类型之间具有光谱可分性, 具体表现为, 在波长大于580 nm的长波段, 浅海沙子底质与岸上沙滩光谱反射率特征差异明显, 表明相对于空气中, 水体和水中微藻介质的吸收散射作用严重影响着水下光谱辐射的测量, 证实了空气中测量的目标光谱不可替代水中的结果。 珊瑚和水草的光谱反射率特征主要区别在于海草反射率光谱在540～600 nm波段有一个宽反射峰, 而珊瑚的典型特征是在575, 600和650 nm附近有三个特征反射峰。 此外, 珊瑚、 沙子和沙滩三种碳酸盐质底质在395, 430, 490和520 nm存在反射峰, 485和585 nm处有一个小吸收峰, 而海草则相反, 在395, 430, 490和520 nm存在吸收峰, 485和585 nm处显示反射峰。 以上数据为将来利用底质反射率提取底栖物质组成信息奠定了基础, 同时其结果也能够证实系统的可靠性和有效性。

红外成像系统作为探测舰船目标的一种重要方式, 在**侦察中起着至关重要的作用, 面对复杂背景、 恶劣天气环境等情况时, 目标与背景局部对比度较低导致红外系统的探测准确率、 查全率等性能指标受到严重影响, 针对上述问题, 开展了基于红外偏振图像的舰船目标检测方法研究。 通过8~12 μm长波波段红外偏振图像采集系统实际采集86组4个偏振方向(0°, 45°, 90°, 135°)的红外偏振图像, 样本中舰船目标309个。 对同场景下不同偏振方向的红外偏振图像及红外强度/偏振度图像的目标与背景局部对比度计算, 发现海面与舰船目标偏振特征差异能够有效提高目标与背景局部对比度。 在前视红外图像中, 舰船目标通常位于海天线附近或下方, 但复杂背景及天气等因素干扰对红外图像中检测海天线影响较大, 为此提出红外偏振图像海天线检测方法, 对红外偏振图像直方图进行高斯滤波消除局部极值, 依据海面与背景的偏振特征差异, 利用双峰法阈值分割检测海天线, 最后利用霍夫变换检测海天线, 分割出海面作为目标候选区域。 针对红外偏振图像受到海杂波严重干扰的问题, 提出海杂波背景抑制算法, 采取背景抑制, 距离加权方法抑制偏振图像中杂乱的海杂波背景。 最后, 利用MSER算法检测舰船目标, 根据舰船目标特性约束条件剔除非目标区域。 对86组红外偏振图像进行舰船目标检测实验, 所提出的方法能够有效克服复杂背景和海杂波等因素的干扰准确检测海天线, 通过海杂波背景抑制及舰船特征约束的方法消除海杂波及海岸对舰船检测所带来的干扰, 检测准确率、 查全率分别为93.2%和95.7%, 优于红外舰船目标检测方法, 特别在红外图像对比度低的场景下检测效果提升明显, 检测准确率、 查全率分别提高了46.5%和16.4%。 表明充分考虑红外偏振图像中舰船目标与背景的偏振特征差异能够有效提高目标与背景的局部对比度, 有利于准确检测海天线, 提高舰船检测准确率和查全率, 对复杂背景及恶劣天气有较强的适应性, 在**应用中具有极大应用价值, 对红外波段舰船目标检测技术的发展有着极为重要的意义。

为探究高光谱成像(400～1 000 nm)对羊肉中饱和脂肪酸（SFA）含量检测的可行性, 提出一种基于特征光谱信息和图像纹理特征融合的SFA含量预测模型, 实现对羊肉中SFA含量的快速检测及分布可视化。 利用分段阈值法构建掩膜图像, 获取羊肉样本感兴趣区域（ROI）, 结合SPXY法对样本集进行划分并对相关光谱信息进行预处理, 分别采用连续投影算法（SPA）、 变量组合集群分析法（VCPA）和β权重系数法提取特征光谱； 通过获取羊肉样本主成分图像, 结合灰度共生矩阵（GLCM）算法提取图像纹理信息； 分别对特征光谱、 图像信息及图谱融合信息建立的偏最小二乘回归（PLSR）与最小二乘支持向量机（LS-SVM）预测模型进行对比分析。 利用5种不同对原始光谱数据进行预处理, 经SNV法预处理后的光谱其校正集与预测集相关系数分别为0.921和0.875, 较原始光谱分别增加了0.001和0.04, 均方根误差模型分别为0.244和0.268, 较原始光谱模型分别减少了0.003和0.06； 对SNV法预处理后的光谱数据进行特征波长提取, SPA法、 VCPA法及β权重系数法分别提取出12, 10和9个特征波长； 获取羊肉样本的前5个主成分图像, 选择所含信息量最多的第一主成分图像进行纹理特征提取, 依次提取0, 45°, 90°和135°方向下的能量、 熵、 同质性和相关性共4个主要纹理特征。 利用SPA法提取的特征波长建立的PLSR与LS-SVM模型性能较好, PLSR模型校正集与预测集相关系数分别为0.884 9和0.880 7, 均方根误差分别为0.300 1和0.260 6； LS-SVM模型校正集与预测集相关系数分别为0.898 7和0.892 6, 均方根误差分别为0.276 7和0.247 6； 图谱信息融合模型中, PLSR模型校正集与预测集相关系数分别为0.907 1和0.907 8, 较特征光谱模型分别增加了0.02和0.03, 均方根误差分别为0.326 9和0.299 2, 较特征光谱模型分别增加了0.03和0.04； LS-SVM模型校正集与预测集相关系数分别为0.920 6和0.894 6, 较特征光谱模型分别增加了0.02和0.002, 均方根误差分别为0.251 9和0.245 8, 较特征光谱模型分别减少了0.02和0.002。 光谱预处理中经SNV法处理后的光谱所建模型性能优于其他预处理方法； 采用SPA法提取的12个特征波长简化了光谱模型, 提高了模型性能, 特征光谱建模的最优方法为SPA-LS-SVM； 图谱信息融合模型较特征光谱模型, 模型相关系数增加较少, 表明图像纹理信息虽携带了部分有效信息, 但这些信息与羊肉中SFA含量之间的相关性有待进一步研究。 基于图谱信息融合模型的预测性能最优, 其次为光谱信息模型。 择优选取SPA-PLSR模型计算羊肉样本中每个像素点的SFA含量, 利用伪彩色图直观表示了羊肉样本中SFA的含量分布。 实现对羊肉样本SFA含量的无损检测及分布可视化表达。

土壤含水量（SMC）是生物地球化学和大气耦合过程的关键变量, 在干旱区农业、 生态和环境中扮演着重要角色。 相较于星载遥感系统, 无人机（UAV）具有可控性强、 分辨率高等特点从而被广泛应用, 为中小尺度地表参量的快速监测提供新的遥感平台。 机载高光谱传感器的引入, 为UAV遥感系统提供了高维海量、 纳米级的数据源。 然而基于UAV高光谱数据的研究并未深度挖掘, 也尚未形成一个标准的技术方案。 该研究立足于新疆维吾尔自治区典型农业区, 利用6种预处理方案, 包括一阶导数（FDR）, 二阶导数（SDR）, 连续体去除（CR）、 吸光度（A）、 吸光度一阶（FDA）和吸光度二阶（SDA）, 对所获取的UAV高光谱数据进行处理。 在此背景下构建4种类型的适宜光谱指数： 差值型指数（DI）, 比值型指数（RI）, 归一化型指数（NDI）和垂直型指数（PI）, 并从光谱机理上讨论指数的合理性。 最后利用梯度提升回归树(GBRT)、 随机森林（RF）和eXtreme Gradient Boosting（XGBoost）算法, 以28个最适光谱指数为独立变量建立SMC估算模型, 并通过不同集成学习算法的重要性对变量进行排序, 从线性和非线性的角度对所构建光谱指数的效果进行考量评价。 结果表明： （1）预处理和最适光谱指数能有效地消除了大气干扰和土壤背景, 其中预处理A突出更多的光谱信息, PI相关性显著； （2）通过分析比较相关性系数（r）和集成学习算法的重要性, 发现A_PI（|r|=0.773）是最适光谱指数, 在线性和非线性关系中均有较优的表现； （3）在3种基于集成学习的SMC预测模型中, XGBoost估算模型效果拔群（R2val=0.926, RMSEP=1.943和RPD=2.556）, 其预测值的统计学特征与实测值的最为接近。 3种模型效果排序为： XGBoost>RF>GBRT。 综上所述, 基于UAV高光谱影像, 结合不同预处理和光谱指数, 为低空遥感监测土壤墒情提出新的方案。 该研究的方案具有潜在的高精度, 是检测干旱区SMC的有效方法, 针对快速易行地监测地表属性提供了崭新视角。 相关结果为干旱区精准农业、 生态系统给予更好的管理和保护策略。

大宝山多金属矿床为典型的金属硫化物矿床, 其具有经济价值的成矿元素包括铜、 铁、 铅、 锌、 钨、 钼等。 矿床的成矿作用与岩浆和变质热液蚀变活动有着密切联系。 矿区内构造断裂的广泛发育为成矿热液活动提供了通道和有效的成矿容矿空间, 并在成矿后对矿体可以进行改造作用。 该研究中在大宝山铜多金属矿床的三个断层剖面中, 采集了断层泥、 含矿脉体和蚀变围岩共8个样品。 然后, 对所有样品通过X射线衍射（XRD）和近红外光谱分析(NIR)两种光谱学方法进行了综合测试分析。 在样品中多种蚀变类型矿物组合通过光谱学分析被鉴别出来, 主要包括黄铁绢英岩化矿物组合（石英、 绢云母、 黄铁矿和黄铜矿等）、 矽卡岩化矿物组合（透闪石、 阳起石和石榴石等）和青磐岩化矿物组合（绿泥石、 碳酸盐和黄铁矿等）。 这些蚀变类型的矿物组合的表明矿区的岩石经历了多种热液蚀变作用的叠加。 断层泥样品中则可以鉴别出蚀变围岩和含矿脉体的矿物成分, 以及金属氧化物和硫酸盐矿物（黑铜矿、 铜矾、 钾铁矾和钾明矾石等）, 以及粘土矿物（伊利石、 蒙脱石、 高岭石和滑石等）。 断层泥中的氧化和风化矿物指示了断层作用为岩石的物理和化学风化过程提供了有利条件。 此外, 根据三个断层剖面中蚀变围岩的NIR图谱, 计算了白云母类矿物的结晶度参数（IC=Al-OH(2 200 nm)吸收峰强度/H2O（1 900 nm）吸收峰强度）。 在蚀变围岩样品中637平台的IC1=0.078 71/0.037 76≈2.08； 793平台的IC2=0.108 8/0.014 8≈7.35； 817平台的IC3=0.098 6/0.039 1≈2.52。 显然, 793平台蚀变围岩白云母类矿物的结晶度明显高于其他两个平台的样品。 结晶度越高表明热液活动的温度越高, 进而可以推测在793平台蚀变围岩的采样位置相对而言可能更接近于热液活动中心。 综上所述, 将XRD和NIR两种光谱学分析方法相结合有助于快速准确鉴别蚀变矿物的类型和结晶度, 从而为矿床学研究和找矿勘探提供更加丰富的地质资料。

脱硫灰作为半干法脱硫技术主要副产品, 其利用难度大且成本高, 导致大量脱硫灰以直接堆放和填埋的方式处理, 不但造成环境污染, 而且浪费潜在资源。 橡胶作为广泛应用的聚合物材料, 在橡胶制备加工过程中需大量使用填料改善其力学性能、 加工性能和填充增容。 炭黑与白炭黑作为常用的橡胶填料, 其不仅生产工艺繁杂, 而且对能源和资源消耗量大, 导致成本较高。 面对上述问题, 如何利用脱硫灰开发一种价格低廉的无机橡胶填料, 既是固体废弃物高附加值利用又是资源可持续发展的重要途径之一, 也是橡胶企业大幅降低填料成本提高经济效益的重要途径之一。 由于脱硫灰属于无机材料, 橡胶属于有机材料, 为了更好的降低脱硫灰界面与橡胶界面（无机界面/有机界面）的不相容性, 需要对脱硫灰进行化学改性处理。 以该课题组前期取得的研究成果为基础, 创新性以改性脱硫灰取代部分炭黑制备改性脱硫灰基生态橡胶。 利用XRD对改性脱硫灰基生态橡胶制备过程各阶段的生产物质进行测试, 即丁苯橡胶密炼胶制备阶段、 改性脱硫灰基生态橡胶密炼胶制备阶段和改性脱硫灰基生态橡胶制备阶段, 从微观层面揭示丁苯橡胶密炼胶制备过程、 改性脱硫灰基生态橡胶密炼胶制备过程和改性脱硫灰基生态橡胶制备过程, 阐明硫化过程中丁苯橡胶密炼胶与改性脱硫灰的结合机理。 同时采用SEM对丁苯橡胶密炼胶与改性脱硫灰基生态橡胶密炼胶的微观形貌进行测试, 以进一步佐证所获得的相关机理。 结果表明： 改性脱硫灰加入丁苯橡胶密炼胶后, 改性脱硫灰基生态橡胶密炼胶的最大转矩Fmax大幅下降、 最小转矩FL保持稳定、 ΔF=Fmax-FL显著下降, 同时焦烧时间t10与正硫化时间t90均缩短。 硫化诱导期为0~387 s、 硫化反应期为387~1 586 s和硫化平坦期为1 586~1 800 s。 在硫化诱导期形成非交联网络结构、 硫化反应期前期形成基本交联网络结构、 硫化反应期后期完善交联网络结构和硫化平坦期保持交联网络结构。 以期为高附加值的脱硫灰资源化利用提供一定理论依据和技术支持。

交叉验证是用于验证模型性能的一种统计分析方法, 可避免由训练集与测试集重合引起的过拟合。 进行交叉验证时通常使用交叉验证均方根误差（RMSECV）的均值来表征多元素的分析准确度。 但对于激光诱导击穿光谱（LIBS）用于多元素分析的情况, 发现各元素的RMSECV与其在样品中的浓度范围可近似用线性关系表述, 由于不同元素在样品集中的浓度范围差异很大, 不同元素之间的RMSECV差异较大, 实验中C与Cr在样品集中的浓度范围差异为28.11倍, 其RMSECV差异达到8.96倍。 发现RMSECV均值对于个别元素过于灵敏, 在数据优化过程中, 可能导致其不能反映大多数元素的分析准确度变化趋势。 为减小RMSECV均值对不同元素的灵敏度差异, 更全面地表征多元素的分析准确度, 提出了多元素的RMSECV标准化方法, 即将各元素的RMSECV与该元素在样品集中的浓度范围相除, 并引入标准化交叉验证均方根误差（SRMSECV）的概念。 LIBS检测受测量条件波动（如激光脉冲能量、 振动等）等不确定因素的影响, 会引入异常光谱, 并对分析准确度产生负面影响。 为通过滤除异常光谱来提高多元素分析准确度, 利用光谱面积筛选对光谱数据进行预处理, 以同一样品下各张光谱的面积中位数为中心, 选定某一光谱面积区间, 舍弃该区间之外的光谱, 并使用余下光谱用作定量分析。 在此基础上, 通过对0.5 Pa真空环境下的10块Ni基合金中的14种元素成分进行的多谱线内标法定量分析展开实验验证。 标准化后各元素RMSECV的相对标准差（RSD）由68.7%减小至48.9%, 元素间的RMSECV的最大差异由8.96倍降低至3.93倍, 表明SRMSECV均值能够较全面表征多元素的分析准确度, 从而有利于实现定标曲线的全自动优化。 在优化面积筛选跨度下, 各元素定标模型的决定系数（R2）均值与SRMSECV均值都得到一定程度的改善, 证明光谱面积筛选对于提高多元素分析准确度的价值。

采用激光诱导击穿光谱（LIBS）技术结合主成分分析（PCA）, 对凌家滩遗址出土陶器进行快速检测和统计分类的研究。 凌家滩遗址位于安徽马鞍山市含山县, 是我国南方地区一处大型新石器时代晚期聚落, 遗址出土大量精美玉器、 石器和陶器等, 年代处于中华文明起源关键节点上, 是研究我国文明起源和发展问题的重要遗址, 因此对其出土陶器的研究具有十分重要的文化历史意义。 对凌家滩遗址出土具有不同类型羼和料的陶器样本, 进行LIBS快速分析后, 利用PCA对结果进行统计辨析。 研究表明, 不同羼和料的光谱敏感度有所不同, 不同掺杂物质会产生光谱特征差异。 另一方面, 出于统计分析的考虑, 有目的缩小了背景噪声等异常数据干扰, 并进行了分类辨析, 在元素谱线归属的基础上进行了特征谱线提取, 实现了利用多元统计分析进行快速分类的目的。 分析结果表明, 与泥质陶相比, 羼植物陶器和羼细砂类样品, LIBS光谱特征具有良好的辨识度, 可以进行有效区分。 其他类型羼和料根据实际情况不同, 则需要配合其他手段进行综合判断。 相关研究结果可对南方地区新石器时期陶器的快速鉴定和类型归属等工作, 提供了科学支持和有益借鉴。

建立液液萃取-石墨炉原子吸收法测定生物样品中Cu(Ⅰ)方法。 200 μL血清及细胞匀浆、 细胞膜液等样本与200 μL 30%三氯乙酸混匀后, 离心去蛋白, 取上清液400与1 500 μLpH为12.5的甘氨酸-NaOH-缓冲溶液混至pH约为9, 加入含1 000 μL 0.05% 2,2′-联喹啉的正戊醇溶液, 旋涡振荡1 min, 静置分层后取有机层500 μL置于2 mL特氟隆消化管, 于95 ℃烘箱烘6 h挥发有机溶剂, 冷却至室温后分别加入200 μL硝酸和双氧水, 80 ℃水浴消化, 室温加入600 μL 1%硝酸后用石墨炉原子吸收法, 测定的结果为Cu(Ⅰ)含量。 另取100 μL血清（200 μL细胞匀浆、 细胞膜液）置于2 mL特氟隆消化管, 于80 ℃烘箱烘5 h至样品干燥, 冷却至室温分别加入200 μL硝酸和双氧水, 80 ℃水浴消化后, 室温用1%硝酸稀释成1 000 μL, 用石墨炉原子吸收法测定总铜含量。 方法检测限： 0.04 μg·L-1, 相对偏差＜5%。 回收率： 95%～102%。 用此法检测了一些无机样品和生物样品。 测定的结果表明, 宫颈癌患者血清Cu(Ⅰ)比正常人要高, 总铜含量差别不大。 一些无机样品如自来水、 农夫山泉水、 尿液含Cu(Ⅱ)离子不含Cu(Ⅰ)离子, 而生物样品如肝细胞及肝细胞膜含有Cu(Ⅰ)离子不含Cu(Ⅱ)离子。 本法可以在混有Cu(Ⅱ)离子的情况下测定Cu(Ⅰ)离子, 且10倍Cu(Ⅱ)离子浓度存在下测定痕量Cu(Ⅰ)离子无干扰。

陕西汉中三堰（山河堰、 五门堰、 杨填堰）在2017年10月被确认成功申报世界灌溉工程遗产并授牌, 其中山河堰是汉中地区最早的灌溉工程。 20世纪80年代, 在水文考古普查时发现, 山河堰砌体以木桩砌石为骨架, 使用可能加入桐油、 糯米浆的黄泥、 沙、 石灰搅拌而成的三合土作为填充物。 为深入探究山河堰灰浆的成分和科学机理, 对山河堰的灰浆样品进行了成分分析, 并检测了样品的年代信息。 该研究在山河堰二堰东堤和羊头堰取样, 利用X射线衍射分析（XRD）、 傅里叶变换红外光谱分析（FTIR）、 差热分析、 扫描电镜、 岩相等科技手段, 检测分析样品的组成成分。 另外, 利用碳-14检测对山河堰二堰灰浆进行断代分析。 分析结果表明, 山河堰二堰东堤石条粘合物经年轮校正后的年代为公元1150年—1226年（南宋时期）, 山河堰二堰东堤粘合物和夯土以及羊头堰粘合物的无机成分主要为方解石、 石英及少量长石。 其中, 粘合物中石灰的添加量较高, 夯土中石灰的添加量较低。 红外分析和热分析结果表明, 粘合物和夯土中似乎添加了某种有机物, 结合文献资料分析该有机物很有可能为糯米浆。 热分析结果显示, 800 ℃以上出现的放热峰为水化硅酸钙的特征峰, 推测石灰与水发生反应生成水化硅酸钙。 水化硅酸钙能在水中或潮湿的环境中更好地硬化, 它是水利工程可以保存数千年的主要原因。 电镜检测结果显示, 样品中尚未被碳化的消石灰（Ca(OH)2）脱水形成羟钙石晶体。 另外, 灰浆中加入的有机物和灰浆的缓慢碳化都有助于增强灰浆砌体的自我修复能力和抗风化能力, 延长水利工程的使用期限。 采用各种科学手段对山河堰灰浆进行科学研究, 有助于探明水利工程灰浆材料的组成及其科学机理, 为山河堰等水利工程遗产的保护修缮奠定科学基础, 并可为现代水利工程材料的改良提升提供有益的启示。

微型光谱仪在检测高浓度比背景下多种痕量重金属离子浓度时, 光谱吸收信号易受外部环境和内部电路的随机噪声干扰, 多种痕量重金属离子的光谱吸收信号微弱易被噪声所淹没, 严重影响了光谱定量分析结果的准确性和重复性, 需要对光谱吸收信号进行去噪预处理。 然而, 大多数光谱去噪算法的一些关键细节参数的设置不仅需要通过反复的实验进行测试验证, 还取决于研究者的现有经验和待解决对象的特征。 针对这些关键参数对滤波效果影响大、 选择难的问题, 提出了一种基于sigmoid误差约束的改进型LMS自适应去噪算法。 首先对标准LMS算法原理进行了分析, 并结合微型光谱仪的数据干扰情况对标准LMS算法的滤波器结构进行优化改进, 利用sigmoid函数具有误差约束的特性, 对标准LMS算法的误差计算模块进行优化改进, 降低算法对噪声敏感性； 然后针对改进后的最小均方误差损失函数是一个非凸函数, 提出了一种类交叉熵损失函数, 将非凸问题转化为一个凸优化问题, 在利用梯度下降法逐步最小化损失函数时, 保证了局部最优解也是全局最优解, 同时结合Adam算法来自适应地调整学习率因子, 保证了算法具有较快的收敛速度； 最后为了验证改进后的自适应去噪算法具有较强的去噪性能, 通过交叉验证进行实验验证。 对四种金属离子混合溶液的实测光谱吸收信号, 添加不同信噪比的随机噪声后使用该改进的算法进行测试验证, 实验结果表明： 在处理信噪比低的吸收光谱信号过程中, 所提方法相对于标准LMS算法、 SG去噪算法、 小波软阈值算法、 小波硬阈值算法, 信噪比分别提高了9.225%, 19.678%, 7.591%和12.042%； 均方误差分别降低了59.647%, 63.070%, 53.600%和57.793%。 该方法不仅能够有效地抑制强噪声, 还原了光谱信号中的一些重要真实细节特征, 而且也避免了关键细节参数需要依靠主观判断选择的问题, 为分析低信噪比下的光谱信号提供了一种新的解决思路。

当金属-分布式Bragg反射镜-金属（M1-DBR-M2）结构中的DBR周期数比较大时, M1-DBR-M2中的两光学Tamm态（OTS）发生弱耦合。 通过研究M1-DBR-M2结构中OTS弱耦合情况下的反射光谱和OTS本征波长电场分布, 揭示了弱耦合情况下的OTS和光隧穿效应。 研究结果表明： 在弱耦合情况下, 金属薄膜M1的厚度影响了OTS的本征波长, 而金属薄膜M2的厚度对OTS的本征波长没影响。 虽然弱耦合情况下只能激发M1-DBR交界面处的OTS1, 但电场局域现象并不是仅仅发生在M1-DBR交界面处, 光可以穿过DBR到达并被局域在DBR-M2交界面处, 存在光的隧穿效应。 光隧穿效应的强弱与两OTS的本征波长失谐量大小有关, 本征波长失谐量越小, 光隧穿效应越强。 两OTS的本征波长失谐量的大小, 也影响了光在M1-DBR-M2结构中局域的强弱, 本征波长失谐量越小, 光的局域现象越强, 反射光谱中凹峰处的反射率越小。

矮新星是一类特殊而稀少的半相接双星。 发现更多的矮新星对于深入研究物质转移理论、 理解密近双星演化过程意义深远。 利用深度学习技术提取天体光谱特征并进而分类是天文数据处理领域的研究热点。 传统的自编码器是仅包含一个隐层的经典神经网络模型, 编码能力有限, 数据表征学习能力不足。 模块化拓宽神经网络的深度能够驱使网络继承地学习到天体光谱的特征, 通过对底层特征的逐渐抽象学习获得高层特征, 进而提高光谱的分类准确率。 以自编码器为基础构建了由输入层、 若干隐藏层和输出层组成的基于多层感知器架构的深度前馈堆栈式自编码器网络, 用于处理海量的光谱数据集, 挖掘隐藏在光谱内部具有区分度的深度结构特征, 实现对矮新星光谱的准确分类。 鉴于深度架构网络的参数设置会严重影响所构建网络的性能, 将网络参数的优化分为逐层训练和反向传播两个过程。 预处理后的光谱数据先由输入层进入网络, 再经自编码器算法和权值共享实现对网络参数的逐层训练。 反向传播阶段将初始样本数据再次输入网络, 以逐层训练所得的权值对网络初始化, 再把网络各层的局部优化训练结果融合起来, 根据所设置的输出误差代价函数调整网络参数。 反复地逐层训练和反向传播, 直到获得全局最优的网络参数。 最后由末隐层作为重构层搭建支持向量机分类器, 实现对矮新星的特征提取与分类。 网络参数优化过程中利用均值网络思想使网络隐层单元输出按照dropout系数衰减, 并由反向传播算法微调整个网络, 从而防止发生深度过拟合现象, 减少因隐层神经元间的相互节制而学习到重复的数据表征, 提高网络的泛化能力。 该网络分布式的多层次架构能够提供有效的数据抽象和表征学习能力, 其特征检测层可从无标注数据中隐式地学习到深度结构特征, 有效刻画光谱数据的非线性和随机波动性, 避免了光谱特征的显式提取, 体现出较强的数据拟合和泛化能力。 不同层之间的权值共享能够减少冗余信息的干扰, 有效化解传统多层次架构网络易陷入权值局部最小化的风险。 实验表明, 该深度架构网络在矮新星分类任务中能达到95.81%的准确率, 超过了经典的LM-BP网络。