作者单位
摘要
重庆邮电大学光电工程学院, 光电信息感测与传输技术重庆重点实验室, 重庆 400065
硝酸盐氮(NO3-N)是水中“三氮”(硝酸盐氮、 亚硝酸盐氮、 氨氮)之一, 能够反映水体受污染的程度, 是水质评估的一项重要指标。 水体中的硝酸盐氮浓度过高不仅会导致水环境污染加重, 而且会对人畜及水产构成较大威胁。 传统的硝酸盐氮检测必须先反应后测定, 具有时间长、 操作复杂、 有二次污染等缺点。 光谱法具有快速、 无损、 无试剂消耗等显著优点。 针对硝酸盐氮难以快速检测的问题, 提出了一种基于紫外吸收光谱的快速定量分析硝酸盐氮的方法。 采集42份浓度为0~20 mg·L-1的硝酸盐氮标准溶液样本的紫外吸收光谱, 每份样本经11次平均处理以减少仪器噪声和环境的影响。 采用SPXY算法按照7∶3的比例划分训练集、 测试集, 对紫外吸收光谱数据使用Savitzky-Golay(SG)滤波算法进行预处理, 通过10折叠交叉验证获得套索回归(lasso regression)合适的正则化参数λ=0.203 6, 再使用Lasso回归在全光谱范围内筛选出与硝酸盐氮相关的光谱特征波长, 将特征波长处的吸光度与样本浓度进行偏最小二乘(PLS)拟合建立硝酸盐氮的回归模型。 采用此建模方法所建立的模型训练集的R2与RMSE分别为0.999 91和0.060 15 mg·L-1, 测试集的R2与RMSE分别为0.999 72和0.046 91 mg·L-1。 为了验证提出的SG-Lasso-PLS预测模型效果, 另外建立了Lasso-PLS, SG-PCA-PLS和SG-PCA-SVR三种预测模型进行对比。 验证结果表明, SG-Lasso-PLS建立的预测模型的R2和RMSE均优于其他三种预测模型。 说明SG滤波能够消除光谱信号的随机噪声, 提高模型的预测精度。 与PCA数据降维算法相比, Lasso可实现全光谱范围内的光谱特征选择和数据降维, 能有效消除光谱数据的冗余信息, 提高模型的预测精度。 因此, 本文提出的SG-Lasso-PLS混合模型能够快速准确的对水体中的硝酸盐氮进行预测。 作为硝酸盐氮浓度检测的基础研究, 能为快速无污染的水质在线监测场景提供算法参考。
硝酸盐氮 紫外吸收光谱 Lasso回归 PLS回归 Nitrate nitrogen UV absorption spectroscopy Lasso regression PLS regression 
光谱学与光谱分析
2023, 43(4): 1037
作者单位
摘要
山西农业大学农学院,太谷 030801
为探究气候变化背景下,小麦-大豆轮作体系中小麦季施用硝化抑制剂对大豆土壤无机氮、N2O排放及相关酶活性的后效作用,在控制气室内设置了不同的大气CO2浓度(400和600 μmol/mol)和气温(环境温度T和T+2℃),在此基础上测定了小麦季添加硝化抑制剂时大豆土壤的硝态氮和铵态氮的含量、土壤硝化-反硝化相关酶活性以及N2O排放量。结果表明,小麦季添加硝化抑制剂配合麦秸还田,使大豆土壤的硝态氮和铵态氮均有所增加,但是对土壤硝化-反硝化酶的活性影响较小。升温(ET)使大豆土壤硝态氮含量显著增加,而铵态氮含量显著降低; 大气CO2浓度增加(EC)或同时升高气温和CO2浓度(ECT),土壤硝态氮和铵态氮的含量均有所增加,但与环境高温和CO2浓度(CK)下的无机氮含量差异不显著。不同环境条件下的土壤硝化-反硝化酶的活性没有明显规律。在ET和ECT条件下,大豆生长季N2O排放总量均显著高于CK处理,且添加硝化抑制剂使N2O排放量降低。EC与CK条件下的N2O排放量差异较小,但在CK条件下,硝化抑制剂处理的N2O排放量显著高于普通尿素处理。综上所述,在气温和CO2浓度升高背景下,硝化抑制剂的合理施用有利于大豆土壤有效氮的增加,但是温度升高(ET和ECT)使N2O排放量增加,在此条件下添加硝化抑制剂可以减少N2O的排放,单独升高CO2浓度(EC)时,N2O排放的变化不明显。本研究可为未来气候变化背景下的小麦-大豆轮作施肥管理及农田N2O减排提供理论支持。
大豆 气候变化 土壤硝态氮  soybean climate change soil nitrate nitrogen N2O N2O enzyme 
激光生物学报
2022, 31(6): 559
作者单位
摘要
1 浙江工业大学 计算机科学与技术学院,浙江 杭州 310023
2 浙江工业大学 信息工程学院,浙江 杭州 310023
针对紫外分光光度法(UV法)检测混有干扰物质的硝酸盐氮溶液浓度精度不高的问题,提出一种基于主成分分析(principal component analysis,PCA)和BP神经网络的硝酸盐氮浓度检测方法。通过微型光谱仪物质成分检测系统测得硝酸盐氮试剂在196 nm~631 nm波段的吸光度数据,分为测试集和训练集。通过PCA计算训练集,得到主成分。根据BP算法搭建三层人工神经网络。将所得主成分除以8后输入网络展开训练。训练过程中采用留一法交叉验证。用该模型计算训练集和测试集,所得值与真实浓度的平均相对误差分别为2.411 5%和1.553%。实验结果表明,该方法能较好检测出混有干扰物质的硝酸盐氮溶液浓度。
光谱分析 浓度 神经网络 硝酸盐氮 主成分分析 spectral analysis concentration neural network nitrate nitrogen principal component analysis 
应用光学
2020, 41(4): 761
作者单位
摘要
1 燕山大学电气工程学院河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
2 河南理工大学资源与环境学院, 河南 焦作 454000
3 河北先河环保科技股份有限公司, 河北 石家庄 050000
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。
硝酸盐氮 紫外光谱 补偿系数 浊度解算模型 偏最小二乘 Nitrate nitrogen Ultraviolet spectrum Compensation coefficient Turbidity solution model PLS 
光谱学与光谱分析
2020, 40(2): 472
作者单位
摘要
1 燕山大学理学院, 河北省微结构材料物理重点实验室, 河北 秦皇岛 066004
2 河北环境工程学院, 河北 秦皇岛 066004
紫外吸收方法中, 硝酸盐氮(NO-3-N)的紫外吸收峰在202.0 nm左右, 而亚硝酸盐氮(NO-2-N)的紫外吸收峰在210.0 nm左右, 两者吸收峰位置距离很近, 因此, 在分析过程中两者的紫外吸收曲线严重重叠, 相互之间严重干扰, 不经过分离很难用单波长对二者的含量进行测定而常用的国标方法过程又过于繁琐, 耗时较长。 为了准确、 快速、 环保的实现环境水体和饮用水中的硝酸盐氮和亚硝酸盐氮快速监测, 避免国标方法中对二者测定的诸多不足, 结合紫外吸收和二阶导数光谱法, 在不经过任何预先分离处理的情况下, 建立了水体中这两种物质的快速分析方法, 实现水样中二者的快速准确测定。 研究采用优级纯试剂配制硝酸盐氮和亚硝酸盐氮系列标准溶液。 以去离子水做参比, 采用紫外-可见光分光光度计扫描其在195~250 nm范围内的紫外吸收光谱, 之后采用Origin软件对所获得的光谱图做二阶导数处理, 并采用Origin软件中的Savitzky-Golay方法对处理后的二阶导数光谱进行平滑处理以去除其他无关的干扰和噪声。 通过观察上述所得两组二阶导数光谱图, 得出以下结论, 不同浓度的亚硝酸盐氮样品在223.5 nm处吸光度的二阶导数均为0, 不同浓度的硝酸盐氮样品在216.5 nm处的吸光度的二阶导数也均为0。 通过实验可见硝酸盐氮和亚硝酸盐氮混合样品的紫外吸收光谱的二阶导数在这两个特定波长处符合朗伯比尔定律。 实验通过配制硝酸盐氮和亚硝酸盐氮混合样品, 并扫描混合样品的紫外吸收光谱, 采用上述方法对所得光谱做二阶导数及平滑去噪处理。 研究混合样品二阶导数光谱图可以看出在硝酸盐氮浓度相同而亚硝酸盐氮浓度不同时, 亚硝酸盐氮的浓度变化会对硝酸盐氮的吸光度的二阶导数有影响, 但是各种混合样品的二阶导数光谱在223.5 nm处几乎交叉于一点, 说明此处亚硝酸盐氮的浓度不同不会对硝酸盐氮的二阶导数吸光度有影响。 且在223.5 nm处硝酸盐氮二阶导数吸光度随浓度增加而线性增加。 因此, 223.5 nm可作为混合组分中硝酸盐氮的测定波长。 参照以上方法, 可得亚硝酸盐氮的测定波长为216.5 nm。 在223.5 nm处对单组分的硝酸盐氮的浓度值及其相应的吸光度的二阶导数进行线性回归, 其线性关系良好, 得到标准曲线的回归方程为C=438.69A+0.015, R2=0.995 9。 同理, 得到亚硝酸盐氮在216.5 nm处回归方程为C=-657.29A+0.068 8, R2=0.998。 为了验证这种方法在实际水样测量中能否成立, 取秦皇岛市新河、 汤河以及戴河三种河水水样进行实验验证, 结果表明, 回收率在96.7%~103.0%之间, 相对标准偏差在1.46~3.68之间。 该方法结果较准确, 且操作更加简便, 成本较低, 可同时实现硝酸盐氮和亚硝酸盐氮快速在线监测。
二阶导数光谱法 紫外光谱 亚硝酸盐氮 硝酸盐氮 Second derivative spectrophotometry Ultraviolet spectrophotometry Nitrite nitrogen Nitrate nitrogen 
光谱学与光谱分析
2019, 39(1): 161
作者单位
摘要
1 中国科学院上海微系统与信息技术研究所传感技术联合国家重点实验室, 上海 200050
2 中国科学院大学, 北京 100049
紫外分光光度法(UV法)由于较传统化学方法具有效率高操作简便、 无二次污染且可现场原位测试等优点, 近些年来被广泛应用到水质参数的测试中。 硝酸盐氮是工业废水中的主要污染物之一。 基于UV法测量水体中硝酸盐氮浓度的标准方法是分别测量水样在220nm和275nm处的吸光度, 然后用275 nm处的吸光度对220 nm处的吸光度进行校正, 进而绘制出校正后的吸光度与硝酸盐氮浓度的标准曲线。 然而, 当硝酸盐氮浓度升高时, 标准法所采用的朗伯比尔定律的线性关系以及不同物质吸光度叠加的线性不能很好地满足, 在实际的实验测试中也发现, 很难建立硝酸盐氮在220 nm处的吸收模型。 为了克服单波长或双波长方法的缺陷, 将硝酸盐氮吸收峰范围的各个波长的吸光特性引入到模型的建立之中。 同时, 为了降低模型的复杂度, 在建立模型之前先对吸光度数据进行主成分分析, 将输入数据的维度数从107压缩到4, 然后对压缩后的数据使用局部加权线性回归法建模, 该吸收模型对于训练样本和测试样本都有较好的预测结果, 且能够适应高浓度时吸光度与浓度的非线性关系, 测量上限可达几百mg·L-1。 另外, 此方法的原理和流程也适用于其他水质参数吸收模型的建立。
紫外分光光度法 硝酸盐氮 主成分分析 局部加权线性回归 Ultraviolet spectrophotometry Nitrate nitrogen Principal component analysis Locally weighted linear regression 
光谱学与光谱分析
2017, 37(4): 1179

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!