欢迎访问爱发表,线上期刊服务咨询

光谱学与光谱学分析8篇

时间:2023-05-28 08:21:51

绪论:在寻找写作灵感吗?爱发表网为您精选了8篇光谱学与光谱学分析,愿这些内容能够启迪您的思维,激发您的创作热情,欢迎您的阅读与分享!

光谱学与光谱学分析

篇1

[关键词] 拉曼光谱;定量分析;实验教学

[中图分类号] G642

[文献标识码] A

[文章编号] 2095-3712(2014)22-0058-03[ZW(N]

[作者简介]张焕君(1982―),女,河南许昌人,硕士,郑州轻工业学院教师;程学瑞(1982―),男,河南安阳人,博士,郑州轻工业学院副教授,研究方向:材料物理。

拉曼光谱的强度、频移、线宽、特征峰数目以及退偏度与分子的振动能态、转动能态、对称性等特性有紧密的联系,即与分子的结构紧密相关。而且拉曼光谱具有制样简单,分析快速、无损,所检测的样品仅需微量即可满足测量要求等诸多优点,因而成为研究分子结构的强有力工具,广泛地应用于分子的鉴别、分子结构的研究、分析化学、石油化工催化和环境科学等各个领域[1-2]。然而,相对于气相、液相色谱法的较高精度而言,较大的分析误差率限制了拉曼光谱定量分析的应用。在实际应用中,拉曼光谱分析技术多用于样品的定性分析,尤其是在实验教学当中,更多的是强调其定性分析的作用,而忽略其定量分析的功能[3-4]。尤其是对具有强荧光背景物质,如乙醇及其混合溶液的定量分析,更是拉曼光谱定量分析中的难点问题。

为帮助学生克服这样单一的认识,我们在教学实验环节增加了相关实验内容,采用拉曼光谱对乙醇溶液的浓度进行定量分析。在教学过程中,我们向学生介绍了拉曼光谱定量分析的理论依据、分析过程,并着重分析了误差来源,以加深学生对拉曼光谱的认识,尤其是让学生对其定量分析功能有了进一步的了解。

一、理论依据

拉曼光谱定量分析的理论依据为:

I=KΦC∫b[]0e([WTBZ]ln[WTBX]10)(k+k)zh(z)dz

在上式中,I为光学系统所收集到的样品表面拉曼信号强度;K为分子的拉曼散射截面积;Φ为样品表面的激光入射功率;k、k′分别是入射光和散射光的吸收系数;Z为入射光和散射光通过的距离;h(z)为光学系统的传输函数;b为样品池的厚度。由上式可以看出,在一定条件下,拉曼信号强度与产生拉曼散射的待测物浓度成正比,即I∝C。

二、实验过程

实验样品材料为国药集团化学试剂有限公司生产的浓度不低于99.7%的分析纯乙醇、四氯化碳和去离子水。把不同体积的去离子水加入乙醇样品中,配制成不同浓度的乙醇-水二元体系溶液;用激光功率为50mW(100%)的拉曼光谱仪采集纯乙醇溶液、水、四氯化碳溶液的拉曼光谱图;用拉曼光谱仪采集不同浓度的乙醇溶液的拉曼光谱图,对每种浓度的样品重复扫描3次,试验结果取三次扫描的平均值。

三、结果讨论

把配制好的不同浓度的乙醇溶液加入未受污染的样品池,把不同浓度的样品分别放在拉曼光谱仪上测出其拉曼光谱。荧光背底扣除后不同浓度的乙醇-水溶液的拉曼光谱图如图1所示。

图1荧光背底扣除后不同浓度的乙醇-水溶液的拉曼光谱图

表1中的数据进一步显示出,随着乙醇浓度的增加,特征峰强度的比值在不断增加。纯水的3200cm-1峰的强度I2与不同浓度乙醇的884cm-1峰的强度I1之比R1和面积比R2与乙醇浓度的关系见表1。拟合图如图2所示,R1和R2与乙醇浓度有较好的线性关系,其线性相关系数分别为0.98554和0.97558。

四、误差分析

激光功率、样品池、聚焦位置等因素会对定量分析结构有重要影响。

(一)激光功率的影响

不改变聚焦样品的位置,激光功率分别选取100%、50%、10%、5%、1%和0.5%(100%为50mW),对50%的乙醇-四氯化碳溶液进行测试,结果如表2所示。

由表2可以看出,随着激光功率的改变,两个特征峰(峰459cm-1和884cm-1)的强度比值基本上在2.3左右,面积比值基本上在3.0左右。然而可以看出,当激光功率很小时(1%或0.5%),由于激发光源本身很弱,导致散射的拉曼信号强度本身也非常弱,而且信噪比很大,所以相对误差比较大。而且当激光功率很强(100%功率)时,两个特征峰的强度比值和面积比值都稍微偏离2.3和3.0,其原因可能是,激光功率很强时,其信号强度和荧光信号也比较强,而荧光对拉曼散射的干扰非常大,导致在扣除荧光背底过程中出现较大的偏差。

(二)样品池的影响

如图4是毛细管样品池的拉曼光谱图,实验过程中用毛细管吸取待测溶液。毛细管作为样品容器,在激光激发下也存在拉曼光谱和荧光背底,在基线处理和背底扣除过程中难以完全消除其影响,进而产生误差。

图4毛细管样品池的拉曼光谱图

(三)聚焦位置的影响

在同一样品不同点进行多次测量,分析结果发现,混合溶液的特征峰强度的比值存在较大的偏差,主要原因可能是本次试验使用的是显微共聚焦激光拉曼光谱仪,3次测量的聚焦位置不同,以及数据处理过程当中荧光背底的扣除都会引起较大的误差。对同一浓度的溶液测量3次,所得强度之比的不确定度为0.117,相对强度之比与乙醇浓度拟合直线的不确定度为0.024,相对面积比与乙醇浓度拟合直线的不确定度为0.858。

综上所述,激光功率、样品池、聚焦位置等因素会对拉曼光谱定量分析结构产生一定的影响。另外,乙醇的挥发、激光功率的稳定性、实验仪器的固有误差等因素也会对测试结果带来影响。然而,拉曼光谱定量分析的结果仍然有较大的可信度,可以作为一种有效的定量分析方法。

参考文献:

[1]谭红琳,李智东,张鹏翔,等.乙醇、甲醇、食用酒及工业酒精的拉曼光谱测定[J].云南工业大学学报,1999(2).

[2]杨丹,徐文艺.CuCl2-H2O体系和FeCl3-H2O体系络合物拉曼光谱研究与溶液拉曼定量分析探索[J].光谱学与光谱分析,2011(10).

篇2

关键词:吉首市 阳光体育 现状 建议

1.1 研究对象

以吉首市普通中学阳光体育运动开展现状为研究对象,结合随机与整群抽样的方法抽取吉首市一中,四中,雅思中学三所学校中的学生共600人为调查对象,其中男生315人,女生285人,体育教师共28人。

1.2 研究方法

文献资料法;访谈法;问卷调查法;数理统计法;逻辑分析法

2.研究结果与分析

2.1吉首市普通中学开展阳光体育运动现状调查

2.1.1吉首市普通中学师资力量现状调查

体育教师是学校体育活动的主导者,是“阳光体育”运动运行好坏的“指挥棒”,因此学校体育的师资情况直接关系到学生“阳光体育”的落实情况,教师学历的高低、体育教师的数量从一定程度上影响着教学质量的提高,从调查来看吉首市普通中学教师学历有待提高, 96%的体育教师均为大学本科,而硕士研究生仅占一小部分,其中大部分学校体育老师兼双职。此外由于体育教师的结构性缺编,体育教师和在校学生比例严重失调。这给阳光体育的开展造成一定影响。

2.1.2吉首市普通中学师生对阳光体育运动的了解程度调查

从调查得知,大部分体育教师对阳光体育这一概念还是比较了解,但学生对阳光体育的了解却不容乐观。在调查中有36% 的学生完全不了解这个概念;46% 的中学生只是基本了解;真正比较了解“阳光体育运动”的仅有18%。由此可知学生对阳光体育这一概念不清晰,学校和体育教师应加大宣传力度,使学生理解阳光体育的真正含义,自愿参与阳光体育运动,把身体锻炼得更好。

2.1.3吉首市普通中学学生参加体育锻炼时间的情况

从表1可以知,大部分学生不同程度地参加了体育活动,只是每周运动的次数偏低,每次活动的时间大部分都在三十分钟以下。其中每周活动五次以上的仅占一小部分。离我们“每天活动1 h”的要求还有一定的差距。

2.1.4 吉首市普通中学有无阳光体育运动专项拨款的调查

据调查得知,没有专项拨款的学校达到64%,而有专项拨款的为35%。在资金方面,大部分学校还不到位,这直接影响到学校阳光运动的开展。通过访谈得知,小部分学校有一定的体育活动经费,可资金很少。这是导致阳光体育未能很好实施的一个重要原因,原因主要是学校领导对阳光体育运动的不重视,把大量的人力,物力和财力用在其他科目上。

2.1.5吉首市普通中学场地器材现状情况调查

据调查可知,学生进行体育活动的主要场所与器材的配备明显不足,这与教育部规定的每生活动场地面积为3平方米相比,明显不成比例,通过我们对老师和学生的交谈得知学校的体育器材比较缺乏,并且有些体育器材已经比较陈旧,学校没有进行及时的更新体育设备。学校应在体育的硬件和软件上进行改善。使学校体育能更好的发展。让学生能有更加宽敞的活动环境和更加标准的体育场地。

2.2 影响吉首市普通中学阳光体育运动开展的原因分析

2.2.1 吉首市普通中学学校领导对开展“阳光体育”运动的态度

学校领导对“阳光体育”运动的重视程度,直接影响到学校体育活动的组织和开展,因此学校领导对开展“阳光体育”运动的态度是影响吉首市普通中学阳光体育运动开展的一个直接原因。

2.2.2 吉首市普通中学体育教师师资力量状况

目前吉首市普通中学体育教师存在结构性失调,体育教师的数量无法满足学生的需要;因此,吉首市政府要加大教师人事改革,增大体育教师数量,注入年轻新力量,改革管理机制,以便更好的开展阳光体育运动。

2.2.3 吉首市普通中学学校场地器材配备及资金情况

阳光体育运动的开展必须依赖于体育场地和器材,而体育器材的使用频率高,需要投入大量的资金作为购买器材和维修,通过访谈与调查发现吉首市普通中学缺乏资金保障,体育器材得不到更新.因而使阳光体育运动没有收到预期的效果.

3.结果与建议

3.1 结果

3.1.1吉首市普通中学的体育师资力量不足,体育教师和学生对阳光体育运动了解不透彻。每天的体育活动时间达不到一小时。

3.1.2学校领导对阳光体育运动在校园的开展,还没有形成足够的重视,学校的场地器材条件有限。

3.1.3学校对开展阳光体育运动的经费缺乏;没有充足的资金保障,另外,体育教师工作量大,新生力量补充不足。

3.2 建议

3.2.1学校领导重视关心阳光体育运动,各级部门加强宣传,制定详细和长远的实施方案,设立专项资金,为阳光体育运动进一步开展提供条件保障。

3.2.2教育部门重视,建立和完善学校体育的管理制度,将学生每天一小时体育活动纳入学校督导内容及评估体系,把学生体质健康状况作为评价教育工作的重要指标。

3.2.3继续升化学校体育改革,加大课程资源开发与利用,把课外体育活动开展得丰富多彩,使之成为全体学生参与实践阳光体育运动的主要形式。(作者单位:1.上海体育学院,体育教育训练学院;2.上海体育学院,中国乒乓球学院)

参考文献

[1] 教育部、国家体育总局、.关于全面启动全国亿万学生阳光体育运动的通知[Z].教体艺[2006]6 号,2006-12-20.

[2] 苗秀丽.开展亿万学生阳光体育运动的认识与思考[J].哈尔滨体育学院学报,2002(2):43-44.

[3] 朱志军.阳光体育”伴新世纪青少年健康成长[J].管理论坛,2007(8):47-48.

篇3

关键词关键词:极限学习机;模式识别;高光谱遥感图像;判别信息

DOIDOI:10.11907/rjdk.162600

中图分类号:TP317.4文献标识码:A文章编号文章编号:16727800(2017)001016105

对于连续狭窄的光谱带,高光谱成像传感器能够捕获详细和丰富的光谱信息。近年来,随着图像处理技术的发展,高光谱图像得到广泛应用,在高光谱图像应用中最重要的任务是对图像进行分类。然而,在高光谱遥感图像分类问题中存在一些挑战。例如有限训练样本之间的不平衡和高维度,高光谱遥感图像几何形状复杂,高光谱遥感图像分类计算复杂度高。为使高光谱遥感图像分类取得良好效果,近年来,机器学习方法在高光谱图像分类中得到广泛应用,例如人工神经网络(Artificial neural networks,ANNs)[1]、支持向量机(Support vector machine,SVM)[2]、多项逻辑回归(Multinomial logistic regression,MLR)[3]、主动学习(Active learning,AL)[4]等,其它方法如利用稀疏表示[5]以及谱聚类[6]对高光谱进行分离也得到广泛应用。然而,由于高光谱遥感图像具有{维度以及复杂性,通过机器学习算法寻找最优的参数来进行分类通常非常困难,并且耗时,实现高光谱遥感图像高效快速分类已成为遥感图像领域的重要问题。

近年来,Huang等[7]基于单隐层前馈神经网络(Single-hidden layer feedforward networks,SLFNs)结构提出了极限学习机(Extreme learning machine,ELM)。ELM随机产生隐层节点的输入权值和偏置值,所有参数中仅有输出权值经过分析确定。ELM将传统神经网络的求解过程转化为一个线性模型,ELM随机选择输入权值和分析确定SLFNs的输出权值,避免了传统神经网络学习方法收敛速度慢及陷入局部极小解的可能,具有更好的泛化能力和更快的学习速度。文献[7]指出ELM通过随机产生隐层节点的输入权值和偏置值分析确定输出权值,保持了SLFNs的通用逼近能力,同时能够得到一个全局最优解。由于ELM良好的泛化能力,使得ELM应用在不同的领域中。在高光谱遥感图像领域,Pal等[8]将ELM应用到土地覆盖分类中,与BP[9]神经网络和支持向量机相比,ELM取得了更好的分类效果,并且ELM算法的计算复杂度远远小于BP和支持向量机。Bazi等[10]利用差分进化方法优化核ELM算法的参数,提高了高光谱遥感图像的分类效果。为了提高ELM算法在高光谱遥感图像分类中的稳定性,Samat等[11]基于Bagging 和 AdaBoost算法提出了集成的极限学习机算法(Ensemble extreme learning machine,E2LM)。

虽然针对高光谱遥感图像分类问题,研究人员在ELM算法的基础上提出了改进,然而 ELM及其改进算法并未充分考虑数据样本间的几何特征和数据蕴含的判别信息。知道样本之间具有某些相似的属性和分布特征,样本之间的相似属性和分布特征能够弥补ELM学习不够充分的问题,进而可以提高ELM的泛化能力,因而数据样本的几何特征和数据蕴含的判别信息对ELM的分类性能具有重要作用。

基于以上分析,本文提出一种基于判别信息极端学习机(Discriminative information regularized extreme learning machine,IELM),对于分类问题,IELM同时考虑到数据样本的几何特征和数据蕴含的判别信息,通过最大化异类离散度和最小化同类离散度,优化极端学习机的输出权值,从而在一定程度上提高ELM的分类性能和泛化能力。IELM方法的优势在于:①继承了ELM的优点,在一定程度上避免了ELM学习不充分的问题;②将异类离散度和同类离散度引入到ELM中,充分利用数据样本的判别信息;③利用MMC[12]方法有效解决最大化异类离散度和最小化同类离散度矩阵奇异问题。

为评价和验证本文提出的基于判别信息极端学习机的高光谱遥感图像分类方法,实验使用Indian Pines,Salinas scene两个高光谱遥感图像数据,将本文所提出的方法与ELM、支持向量机(Support vector machine,SVM)、最近邻分类器协作表示(Collaborative representation nearest neighbor classifier,CRNN)[13]进行对比,实验结果表明本文提出的算法能够取得较好的分类效果。

实验环境为惠普工作站处理器:Intel(R)Xeon(R) CPU E5-1603 0 @2.80 GHz,安装内存:8.00GB ,系统类型:64位操作系统,版本:win7,语言开发环境采用 Matlab 2010b。

第一组实验数据为Indian Pines遥感图像数据,Indian Pines数据是AVIRIS传感器在萨利纳斯山谷收集的数据,该图像包含200个波段,图像大小为145×145,地表真实分类如图1所示,Indian Pines数据集属性设置如表1所示。

第二组实验数据为Salinas scene遥感图像数据,Salinas scene数据是AVIRIS传感器在萨利纳斯山谷收集的数据,该图像包含204个波段,图像大小为512×217,地表真实分类如图2所示, Salinas scene数据集属性设置如表2所示。

实验中,对于Indian Pines和Salinas scene图像数据,随机选取1%的数据样本作为训练集,剩下部分为测试集,使用总体精度(OA),Kappa系数,平均准确率(AA)衡量不同算法的性能。

(1)体精度。总体精度(overall accuracy,OA)是对分类结果质量的总体评价,等于被正确分类的像素总和除 以总的像素个数。被正确分类的像素沿着混淆矩阵的对角线分布,它显示了被正确分类到真实分类中的像元数。根据混淆矩阵可得OA的计算式为:p=∑ci=1miiN(21)其中,c表示类别数目,mii表示混淆矩阵对角线上的元素,N=∑ci=1∑cj=1mij表示测试样本的总数。

(2)Kappa系数。Kappa系数采用一种多元离散分析技术,反映分类结果与参考数据之间的吻合程度,它考虑了混淆矩阵的所有因子,是一种更为客观的评价指标,其定义为:k=N∑ci=1mii-∑ci=1(mi+m+i)N2-∑ci=1(mi+m+i)(22)其中,mi+,m+i分别表示混淆矩阵第i行的总和、第i列的总和,c表示类别数目,N为测试样本总数,mii表示混淆矩阵对角线上的元素,Kappa系数越大分类精度越高。

(3)平均精度。平均精度(average accuracy,AA)定义为每类分类准确率相加除以类别总数。AA=∑ci=1accic(23)其中,c表示类别数目,acci表示每类的分类准确率。

4.2实验结果及分析

将IELM与ELM,SVM,CRNN进行对比,SVM采用libsvm工具箱,核函数采用径向基核函数(Radial basis function,RBF),惩罚参数c=0.02,核函数参数g=0.02,IELM与ELM均采用Sigmoid函数作为激活函数,隐层节点个数设置为500,惩罚参数c=20。

5结语

本文提出了一种基于判别信息极端学习机的高光谱遥感图像分类方法,创新之外在于考虑到光谱遥感图像数据的联系和差异信息。IELM引入同类离散度和异类离散度的概念,体现了输入空间数据的判别信息,通过最大化异类离散度和最小化同类离散度,优化极端学习机的输出权值。与NN,SVM, ELM算法的对比实验表明,本文所提出方法的分类效果优于NN,SVM,ELM算法。

参考文献:

[1]Q SAMI UL HAQ,L TAO.Neural network based adaboosting approach for hyperspectral data classication[J].International Conference on Computer Science and Network Technology(ICCSNT),2011:241245.

[2]J A GUALTI,R F CROMP.Support vector machines for hyperspectral remote sensing classification[J].in Proc.SPIE 27th AIPR Workshop:put.Assisted Recognit.Int.Soc.Opt.Photonics,Washington,DC,USA,1999:221232.

[3]J Li,J BIOUCASDIAS,A.PLAZA.Semisupervised hyperspectral image classification using soft sparse multinomial logistic regression[J].IEEE Geosci.Remote Sens.Lett,2013,10(2):318322.

[4]W DI,MM CRAWFORD.Active learning via multiview and local proximity coregularization for hyperspectral image classification[J].IEEE Journal of Selected Topics in Signal Processing,2011,5(3):618628.

[5]J BIOUCASDIAS,M A T.FIGUEIREDO.Alternating direction algorithms for constrained sparse regression:application to hyperspectral unmixing[J].Hyperspectral Image and Signal Processing:Evolution in Remote Sensing (WHISPERS),2010:14.

[6]Y TARABALKA,J A BENEDIKTSSON,J CHANUSSOT.Spectralspatial classification of hyperspectral imagery based on partitional clustering techniques[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(8):29732987.

[7]GB HUANG,H ZHOU,X DING,et al.Extreme learning machine for regression and multiclass classification[J].IEEE Trans.Syst Man Cybern B,2012,42(2):51329.

[8]M PAL,A E MAXWELL,T A WARNER.Kernelbased extreme learning machine for remotesensing image classification[J].Remote Sens.Lett,2013,4(9):853862.

[9]D RUMELHART,G HINTON,R WILLIAMS.Learning by backpropagating errors[J].Nature,1986,323(6088):533536.

[10]Y BAZI.Differential evolution extreme learning machine for the classification of hyperspectral images[J].IEEE Geosci.Remote Sens.Lett,2014,11(6):10661070.

[11]A SAMAT,P DU,S LIU,et al.E2LMs:ensemble extreme learning machines for hyperspectral image classification[J].IEEE J.Sel.Topics Appl.Earth Observ.Remote Sens,2014,7(4):10601069.

[12]H LI,T JIANG,K ZHANG.Efficient robust feature extraction by maximum margin criterion[J].IEEE Transactions on Neural Networks ,2006,17(1):157165.

篇4

关键词高浓度U胁迫;空心莲子草;落葵;菊苣;FTIR;半定量分析

中图分类号O657.3 文献标识码A 文章编号10002537(2013)05005906

核能利用的发展促进了铀矿的大量开发,铀矿的开发和加工,导致铀尾矿及铀废物的大量污染.我国湖南铀尾矿库矿渣及土壤的U含量变化[15]在26.11~122.1 mg·kg-1.污染环境中的铀,因生物富集作用在人体中积累,人体肾中铀含量超 3 mg·kg-1,就会产生损害[6].人们通过各种技术来治理铀污染,植物修复是最简洁有效并对环境污染最小的生物修复技术[7].植物在吸收和富集铀的同时,铀对植物种子萌发、幼苗生长和酶活性[810]以及叶绿素含量、植株体积大小等产生影响[11],但对植物体内物质成分有无影响,目前尚未见报道.

傅里叶变换红外光谱法(FTIR)是一种基于化合物中官能团和极性键振动的结构分析技术,可以帮助判断分子中含有何种官能团,更重要的是可以比较不同样品的红外光谱差异,从而反映样品在植物化学组成上的差异程度[12].目前,FTIR已广泛应用于许多研究领域,如中药材的质量鉴别[13]、高等植物的系统分类研究[14]以及重金属胁迫对植物的影响[1518].本研究采用FTIR法分析高浓度U胁迫下空心莲子草、落葵和菊苣茎叶和根系的化学组成变化,探讨高浓度U胁迫对植物物质成分的生物学效应,为铀污染土壤的植物修复提供相关参考.

1研究材料与方法

1.1实验材料

苋科的空心莲子草(Alternanthera philoxeroides),落葵科的落葵(Basella rubra),菊科的菊苣(Cichorium intybus L.).U以UO2(CH3CO3)2·2H2O的形式加入.

1.2实验方法

盆栽试验,每盆土壤1 kg.按U元素含量500 mg·kg-1土壤溶解于350 mL水(预备试验得到的土壤饱和持水量)中,均匀浇淋于每盆,以清水为对照(control),重复5次.在阴凉干燥处放置8周[19],待土壤充分吸附后播种,播种2个半月后分茎叶和根系收获,在105 ℃下杀青20 min,80 ℃烘干至恒重,研磨粉碎.

1.3测定方法

1.3.1FTIR测定在西南科技大学分析测试中心,准确称取1.5 mg样品粉末与300 mg KBr在玛瑙研钵中混匀研磨,全部转移到模具中用压片机制备出均匀、透明锭片,用美国P.E.公司的Spectrum one FTIR (扫描范围4 000~400 cm-1,分辨率为4 cm-1)测定3种植物茎叶和根系的傅里叶变换红外光谱信息.

1.3.2U含量测定将干燥碾磨好的样品,准确称取0.3 g,加入7 mL浓硝酸,2 mL 30%双氧水,于微波消解仪中(Mars,美国CEM 公司)消解,消解好的样品,在西南科技大学分析测试中心采用ICPMS(Agilent 7700x,美国安捷伦公司)测定U含量.

1.4数据分析

根据空心莲子草、落葵、菊苣吸收峰的吸光度值特点筛选出11个比较典型的吸收峰,并记录不同波数的吸光度.原始数据采用Origin 7.5软件作图, Nicolet Omnic 8.0软件对不同样品的FTIR谱图进行数据处理.

2结果与分析

2.13种植物茎叶和根系的FTIR图谱分析

红外光谱分析(FTIR)显示,空心莲子草在高浓度U处理和对照组的峰形基本保持不变,茎叶和根系的吸光度在高浓度U胁迫下都低于对照,根系的吸光度低于茎叶(图1);落葵(图2)和菊苣(图3)与空心莲子草类似.

3结论

(1)空心莲子草、落葵和菊苣在高浓度U胁迫下和对照相比,吸收峰峰形基本未发生较大改变,吸收峰波数相对固定,说明高浓度U胁迫并未改变3种植物的基本化学组分,但吸光度有较大差异,说明高浓度U对3种植物各化学成分含量有所影响.

(2)3种植物的羟基、空心莲子草和菊苣的孤立羧基、3种植物的酰胺基吸收峰发生了明显位移;半定量分析发现:空心莲子草、菊苣的羟基含量增加,空心莲子草、落葵的孤立羧基含量减少,落葵的蛋白质二级结构中肽键间氢键的结合力减弱、蛋白质含量减少,菊苣的蛋白质二级结构中肽键间氢键的结合力增强、蛋白质含量增加,说明这些基团与U的吸收、络合、运输密切相关.这些变化阐明了U对这3种植物物质成分的影响机理.

(3)空心莲子草和菊苣糖类物质降低,而落葵根系糖类物质大量增加,说明落葵抗高浓度U胁迫较其他两种植物更强,植物的耐高浓度U的能力越强,则通过生理生化反应来抵御不良环境的迫害能力也越强.

(4)FTIR能够作为探究植物对高浓度U胁迫下物质成分响应的一种快速、灵敏的检测手段,可以应用于U等核素对植物物质成分的生物效应研究.

致谢西南科技大学分析测试中心贾茹博士和王树民博士帮助进行样品测试,特表谢意.

参考文献:

[1]王瑞兰,易俗,陈康贵,等.夹竹桃(Nerium indicum)等四种植物放射性核素U、226Ra的含量研究[J].湘潭师范学院学报:自然科学版, 2002,24(2):7377.

[2]聂小琴,丁德馨,李广悦,等.某铀尾矿库土壤核素污染与优势植物累积特征[J].环境科学研究, 2010, 23(6):719725.

[3]向阳,向言词,冯涛.3种植物对铀尾渣的耐受性研究[J].矿业工程研究, 2009,24(3):7073.

[4]向言词,官春云,黄璜,等.在铀尾渣污染土壤中添加磷对植物生长及重金属积累的影响[J].作物学报, 2010,36(1):154162.

[5]黄德娟,徐卫东,罗明标,等.某铀矿九种优势草本植物铀的测定[J].环境科学与技术, 2011,34(3):2931.

[6]SHEPPARD SC, SHEPPARD M I, GALLERAND M O, et al. Derivation of ecotoxicity thresholds for uranium[J]. J Environ Radioact, 2005,79:5583.

[7]王校常,施卫明,曹志洪.重金属的植物修复——绿色清洁的污染治理技术[J].核农学报, 2000,14(5):315320.

[8]胡劲松,吴彦琼,谭清清,等.铀对蚕豆种子萌发及幼苗SOD和CAT活性的影响[J].湖南农业科学, 2009(10):1517.

[9]聂小琴,李广悦,吴彦琼,等.铀胁迫对大豆和玉米种子萌发和幼苗生长及SOD与POD活性的影响[J].农业环境科学学报, 2010,29(6):10571064.

[10]严明理,冯涛,向言词,等.铀尾沙对油菜幼苗生长和生理特征的影响[J].生态学报, 2009,29(8):42154222.

[11]SINGH S, MALHOTRA R, BAJWA B S. Uranium uptake studies in some plants[J]. Radiat Measurem, 2005,40:666669.

[12]李星,刘鹏,张志祥.两种水生植物处理重金属废水的FTIR比较研究[J].光谱学与光谱分析, 2009,29(8):945949.

[13]索婧侠,孙素琴,王文全.甘草的红外光谱研究[J].光谱学与光谱分析, 2010,30(5):12181223.

[14]徐晟翀,曹同,聂明.不同蒴齿类型藓类植物的FTIR光谱分析及系统学意义初探[J].光谱学与光谱分析, 2007,27(9):17101714.

[15]任立民,成则丰,刘鹏,等.美洲商陆对锰毒生理响应的FTIR研究[J].光谱学与光谱分析, 2008,28(3):582585.

[16]薛生国,黄艳红,王钧,等.采用FTIR法研究酸模叶蓼对锰胁迫生理响应的影响[J].中南大学学报:自然科学版, 2011,42(6):15281532.

[17]迟光宇,刘新会,刘素红,等.Cu污染与小麦特征光谱相关关系研究[J].光谱学与光谱分析, 2006,26(7):12721276.

[18]陈思宁,刘新会,侯娟,等.重金属锌胁迫的白菜叶片光谱响应研究[J].光谱学与光谱分析, 2007,27(9):17971801.

[19]唐永金,罗学刚. 植物吸收和富集核素的研究方法[J]. 核农学报, 2011,25(6):12921299.

[20]顾艳红,刘鹏,蔡琪敏,等.FTIR结合生理特性研究镉胁迫对果灰藓的影响[J].光谱学与光谱分析, 2009,29(3):620623.

篇5

关键词:近红外光谱技术;水果;品质检测;成熟期检测

中图分类号:TV219文献标识码:A文章编号:16749944(2013)10021504

1引言

我国虽然是水果生产大国, 但自1993年以来水果储藏能力只有10 % ,烂果率高达25 %,出口总量不到总产量的3%,远低于9%~10%的世界平均水平[1~3]。以上原因造成果农卖果难,增收难。要解决这些问题,必须发展水果深加工,扩大鲜果出口。阻碍我国鲜果出口的一个重要因素是果品分选、检测能力弱,检测速度慢,检测人员的素质低,果品筛选达不到国际上水果进出口市场的要求。国内早期的水果内部品质检测方法主要是化学分析法,该方法不仅可靠性和稳定性较差,而且在测试时还必须破坏水果,测试过程繁琐,只能通过少量样本的测定,来评价整批次水果的品质。鉴于以上原因,无损检测技术应运而生。无损检测技术具有无损、快速、准确性高和实时性强等特征。目前的无损检测技术主要有针对水果光学特性、电学特性、声学特性、力学振动特性等众多性质进行的各种检测,且大多还处于试验研究阶段[2]。

近红外光谱技术(Near Infrared Spectroscopy Technology, NIST)是一种利用物质对光的吸收、散射、反射和透射等特性来确定其成分含量的一种无损检测技术,具有快速、非破坏性、无试剂分析、安全、高效、低成本及同时测定多种组分等特点[4]。随着现代光谱技术的发展,且凭借其快速、方便、准确和无损伤等特点,应用近红外光谱分析技术对水果品质进行无损检测已成为近年来的研究热点。本文主要介绍2000年后,近红外光谱分析在果实成熟期检测和品质检测两方面的研究进展。

2近红外光谱技术在水果成熟期监测中

的应用研究近红外与可见光结合的无损检测技术具有适应性强、灵敏度高、对人体无害、成本低和容易实现等优点,被广泛用于水果成熟度的无损检测。2002年,McGlone等利用VIS/NIR技术,依据果实成熟过程中叶绿素减少的趋势,深入探测了“Royal Gala”苹果在采摘前和储藏后各品质指标,光谱图如图1所示,在苹果早采收、适中采收、晚采收的典型吸光度光谱对比中,发现在680nm波长处,叶绿素吸光度有明显的变化,早采收果实的吸光度明显高于适中采收和晚采收果实,因此认为该波长可用于区别苹果的成熟度[5]。Lur等人用近红外光谱检测苹果的硬度和含糖量,通过有损与无损相结合的方式建立了预测苹果内部品质的数学模型[6]。

2005年,Ann Peirs等人在前人研究的基础上研究了苹果自然特性对可见近红外模型预测采摘期成熟度精确性的影响。研究表明,近红外光谱与成熟度有一定相关关系,其Rr>0.94,RMSEP

2007年,Yongni Shao等人用可见光与近红外检测技术结合硬度、糖度和酸度等指标检测番茄的成熟度,得到了各自的相关系数,分别为0.83、0.81和0.83,表明可见光与近红外技术无损检测水果成熟度的方法是可行而且实用的[8]。

3近红外光谱技术在水果品质检测中的

应用研究利用近红外光谱(NIR)检测水果品质早已成为国际研究热点之一。2003年,Clark等利用700~900nm的透射光检测了褐心贝宾(Braeburn)苹果,探讨了投射测量时苹果的最佳位置[9]。国内的相关研究也如雨后春笋般涌现出来,研究的水果有柑橘、苹果、梨、桃、枇杷等,检测的品质涉及糖度、酸度、可溶性固形物、维生素、坚实度、色泽及单果重量、褐变、模式识别等。

3.1糖度检测

2006年,应义斌等利用小波变换结合近红外光谱技术检测水果糖度,小波变换滤波技术能有效地消除苹果近红外光谱中的噪声,在采用小波变换尺度为3时WT-SMLR法建立的校正模型精度明显优于采用SMLR法建立的模型 [10]。周文超等建立赣南脐橙内部糖度的近红外投射PLS模型,r=0.9032,RMSEP=0.2421[11]。刘春生等利用可见/近红外漫反射光谱结合PLS建立南丰蜜桔糖度校正模型,预测集r=0.9133,RMSEP=0.5577,平均预测偏差为-0.0656[12]。

3.2酸度检测

应义斌等建立苹果有效酸度的近红外漫反射PLS模型,最佳PC=3,r=0.959,SEC=0.076,SEP=0.525,Bias=0.073[13]。刘燕德等应用近红外漫反射光谱结合光线传感技术建立苹果有效酸度模型,预测值和真实值r=0.906,SEC=0.0562、SEP=0.0562,Bias=0.0115[14]。董一威等采用CCD近红外光谱系统结合偏最小二乘回归(PLSR)建立苹果酸度预测模型,r=0.8151,SEC=0.0120,SEP=0.0204[15]。

3.3可溶性固形物检测

2006年,李建平等应用近红外漫反射光谱定量分析技术对2个产地3个品种枇杷的可溶性固形物进行无损检测研究,发现在波长1400~1500nm和1900~2000nm两段范围,样品的可溶性固形物与光谱吸光度之间的相关系数较高,最终建立的可溶性固形物含量预测模型的校正集和预测集相关系数分别为0.96和0.95[16]。

2008年,刘燕德等应用近红外光谱(350~1800nm)及偏最小二乘法回归、主成分回归和多元线性回归对梨的可溶性固形物及逆行定量分析;在采用偏最小二乘法回归算法之前先用一阶微分对光谱数据进行预处理,研究表明果实中间部位的预测结果较为理想;近红外漫反射光谱可以作为一种准确、可靠和无损的检测方法用于评价梨果实内部指标可溶性固形物[17]。

2009年,周丽萍等采用可见光与近红外光结合技术对苹果的可溶性固形物含量的检测进行了研究,他们结合主成分分析(PCA)和BP神经网络技术,建立苹果SSC预测模型;采用DPS数据处理系统对苹果样本的漫反射光谱(345~1039nm波段),进行主成分分析,获得累计可信度大于95%的5个新主成分;建立一个3层BP神经网络模型,并将这5个新的主成分作为BP神经网络模型的输入量,其结果是98%以上预测样本的预测相对误差在5%以下[18]。

3.4坚实度检测

2006年,傅霞萍等采用傅里叶漫反射近红外光谱技术研究了水果坚实度的无损检测方法,他们对不同预处理方法和不同波段建模对模型的预测性能进行分析对比,建立了利用偏最小二乘法进行水果坚实度与漫反射光谱的无损检测数学模型,同时结果表明应用近红外漫反射光谱检测水果坚实度是可行的,为今后快速无损评价水果成熟度提供了理论依据[19]。

2009年,史波林等采用近红外光谱技术结合遗传算法分别对去皮前后苹果坚实度无损检测进行研究,他们采用光谱附加散射校正(MSC)、微分处理(Derivative)、直接正交信号校正(DOSC)等预处理方法和基于遗传算法(GA)的有效波段选择方法来消除果皮对模型精度的影响,结果表明,苹果果皮对近红外光谱分析模型的预测能力有很大影响,但仅通过常规的光谱预处理方法(MSC 、Derivative)很难有效消除。他们提出的遗传算法结合直接正交信号校正(GA-DOSC)方法能有效消除果皮的影响,不但使所建模型的波长点和最佳主因子数分别由1480和5降到36和1,相关系数r由0.753提高到0.805,更重要的是模型的预测相对误差RSDp从16.71%显著下降到12 .89%,并接近采用苹果果肉建模的预测性能(12.36%),达到对苹果硬度的近红外无损检测要求[20]。

3.5色泽及单果重量检测

3.8品种鉴别

赵杰文等采用支持向量机(SVM)建立苹果不同品种、不同产地的分类模型,预测识别率精度比传统的判别分析法提高5%左右,均达到100%;回判识别率分别为100%和87%[27]。何勇等提出了一种用近红外光谱技术快速鉴别苹果品种的新方法,该方法应用主成分分析结合人工神经网络建立了苹果品种鉴别的模型,该模型的预测效果很好,识别率达到100%[28]。

4存在的问题

近红外光谱技术具有检测速度快速、检测方法简便、检测准确性高及同时可测定多种成分的优点,使它在果品在线分选检测中有较好的应用前景。虽然近红外光谱技术在水果成熟期预测和内部品质检测方面的研究已有10年的时光,有些检测技术已趋于成熟,但目前来看该技术仍存在一些问题,比如怎样找出不同水果光谱的特性波段,怎样实现果品快速在线检测和分选,怎样实现对水果的成熟度、硬度、糖度和内部缺陷等同时检测,具体来说近红外光谱技术在水果品质或成熟期检测研究中主要存在以下几方面问题。

4.1水果成熟期预测中存在的问题

(1)近红外光谱技术在水果成熟期预测中,光谱波段的选择尤为重要;建立预测模型时有必要对光谱波段进行优选和组合[29]。

(2)利用近红外光谱预测果实成熟期时,既要保证预测模型的精确度,还需考虑模型的通用性,即还需进一步研究水果果实的不同光学特性与果实成熟期的相关性,提高预测的效率和准确性。

4.2水果品质检测中存在的问题

(1)在水果品质的光谱检测中,光谱仪自身的信噪比等性能会极大地影响预测模型的精确度。可见,在光谱预处理方面,选择合适的消噪方法将成为今后近红外光谱技术在水果内部品质及成熟期预测中的另一个研究重点[30]。

(2)在利用NIST对水果品质进行检测的过程中,建立数学模型是最困难的,因为近红外光谱很容易受到果品样本个体因素如温度、检测部位不同等因素的影响;同时由于检测环境条件、仪器的精度和稳定性等复杂因素的影响,使得数学模型适应性差。在线检测过程中,样品是运动的,近红外光谱受到很大的影响,如何在果品运动的状态下获得较稳定的近红外光谱仍是一个很大的难题。

(3)建立用于水果品质光谱分析的校正模型与开发用于水果品质检测的软件系统是近红外光谱技术能否用于水果品质检测的最关键问题,但当前大部分研究只是进行可行性探索,没有进行深入研究;在实际生产生活中使用的便携式水果品质无损检测仪器非常罕见。

5发展趋势

目前水果市场,或者水果生产者在田间分析水果品质都需要一种小型便捷的、可移动式的近红外光谱分析仪器。同时这些仪器还需要操作简单,对普通常见的水果都具有适用性。因此,便携式的、能够和电脑随时连接的类USB或PDA的近红外水果分析仪将会成为市场新宠。

当今水果加工过程中非常需要一种能够根据水果品质指标(如可溶性固形物、酸度、硬度等)进行快速在线分级.光纤技术与近红外技术结合必然使近红外在线检测技术广泛应用于水果以及其他各个领域,并在今后的发展中逐步形成成熟的在线检测装备投放于市场。随着近红外光谱分析技术的不断推广和深入应用,未来它将与网络技术结合,更方便快捷地实现分析模型的在线更新与升级。

目前,水果的近红外光谱无损检测中还存在检测指标单一、实时性差、检测效率低等问题。为了解决上述问题,开展高效并行图像处理算法和多指标综合检测技术的研究非常必要,并将成为研究热点。为了更快速、更准确地得到测量结果,结合近红外光谱分析技术、高光谱成像技术,及紫外、红外光技术,从多信息融合技术的不同层次:数据层、特征层和决策层选择最优的融合方法,在水果成熟期和品质检测领域将有广阔的研究前景。近红外光谱技术将会在更多领域更广泛范围为人类带来便利。

参考文献:

[1]林,近红外光谱分析技术在我国大宗水果品质无损检测中的应用研究[J].食品工业科技,2012,6(33):460~464.

[2]贺艳楠,水果成熟度无损检测技术研究进展[J].北方园艺,2010(3):208~212.

[3]莫润阳,无损检测技术在水果品质评价中的应用[J].物理学和高新技术,2004,33(11):848~851.

[4]毛莎莎,曾明,何绍兰,等,近红外光谱技术在水果成熟期预测中的应用(综述)[J].亚热带植物科学,2010,39(1):82~89.

[5]McGlone V A, et al. VIS/NIR estimation at harvest of pre- and post-storage quality indices for ‘Royal Gala’ apple [J]. Postharvest Biology and Technology,2002,25:135~144.

[6]Lu R, et al. A Near-infeared sensing technique for measuring internal quality of apple fruit[J]. Trans of the ASAE,2002,18(5):585~590.

[7]Ann Peirs, et al. Effect of natural variability among apples on the accuracy of VIS-NIR calibration model for optimal harvest date prediction[J]. Postharvest Biology and technology,2005,35:1~13.

[8]Yongni Shao,et al. Visible/near infrared spectrometric technique for nondestructive assessment of tomato quality characteristics[J]. Journal of Food Engineering,2007,81:672~678.

[9]Clark C J, McGlone V A, Jordan R B, et al. Detection of brown-heart in ‘braeburn’ apple by transmission NIR spectroscopy[J]. Post-harvest Biology and Technology, 2003(28):87~96.

[10]应义斌,基于小波变换的水果糖度近红外光谱检测研究[J].光谱学与光谱分析,2006, 26(1):63~66.

[11]周文超.近红外投射光谱无损检测赣南脐橙糖度的研究[J].农业化研究,2009(5):161~163.

[12]刘春生.偏最小二乘法——可见/近红外光谱测定南丰蜜桔糖度的研究[J].河北师范大学学报:自然科学版,2008,32(6):788~790,797.

[13]应义斌.苹果有效酸度的近红外漫反射无损检测[J].农业机械学报,2004,35(6):124~126,141.

[14]刘燕德.近红外漫反射用于检测苹果糖度及有效酸度的研究[J].光谱学与光谱分析,2005,25(11):1793~1796.

[15]董一威.苹果中糖酸度的CCD近红外光谱分析[J].食品科学,2007,28(8):376~380.

[16]李建平,傅霞萍,周莹.近红外光谱定量分析技术在枇杷可溶性固形物无损检测中的应用[J].光谱学与光谱分析,2006,26(9):1606~1609.

[17]刘燕德.近红外漫反射光谱检测梨内部指标可溶性固形物的研究[J].光谱学与光谱分析,2008,28(4):797~800.

[18]周丽萍.苹果可溶性固形物含量的检测方法[J].农业化研究,2009,4(4):104~106.

[19]傅霞萍.水果坚实度的近红外光谱检测分析实验研究[J].光谱学与光谱分析,2006,26(6):1038~1041.

[20]史波林.应用GA-DOSC算法消除果皮影响近红外漫反射光谱分析苹果硬度的研究[J].光谱学与光谱分析,2009,29(3):665~675.

[21] 刘燕德.梨子表面色泽的可见/近红外漫反射光谱无损检测研究[J].红外与毫米波学报,2008,27(4):266~268.

[22]李鑫.苹果梨单果重的近红外无损检测研究[J].安徽农业科学,2008,36(4):1297~1298.

[23]韩东海.苹果内部褐变的光学无损伤检测研究[J].农业机械学报,2006,37(6):86~88,93.

[24]王加华.基于可见/近红外能量光谱的苹果褐腐病和水心鉴别[J].光谱学与光谱分析,2008,28(9):2098~2102.

[25] 夏俊芳.基于小波变换的柑橘维生素C含量近红外光谱无损检测方法[J].农业工程学报,2007,23(6):170~174.

[26]刘燕德.可见/近红外漫反射光谱无损检测南丰蜜桔维生素C的研究[J].光谱学与光谱分析,2008,28(10):2310~2320.

[27] 赵杰文.支持向量机在苹果分类的近红外光谱模型中的应用[J].农业工程学报,2007,23(4):149~152.

[28]何勇.基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究[J].光谱学与光谱分析,2006,26(5):850~853.

篇6

本书是第二卷,由四部分组成,共25章:第一部分是“历史的综述”,含第1章:1. Aimé Cotton在1895年发现CD和ORD后的第一个十年;第二部分是“有机立体化学”,含2-12章:2. 一些天然的手性发色团――经验规则和量子化学计算;3. 用于测定苯和其它芳香族发色团绝对构型的电子CD;4. 电子CD激子手性方法:原理和应用;5. 手性扩展p-电子化合物的CD光谱:绝对立体化学和实验验证的理论确定;6. 利用固态电子圆二色性和量子力学计算来编配天然产物的绝对构型;7. 金属有机化合物的动态立体化学和旋光光谱学;8. 动态系统的圆二色性:开关分子及超分子的手性;9. 超分子系统的电子圆二色性;10. 利用有量子计算功能的HPLCECD进行手性化合物的在线立体化学分析;11. 用振动圆二色性进行手性天然产物的结构测定;12. 分子绝对构型的测定:选择适当旋光法的准则。第三部分是“无机立体化学”,含第13章:13. 电子圆二色性在无机立体化学中的应用。第四部分是“生物分子”,含第14-25章:14. 蛋白质的电子圆二色性;15. 肽的电子圆二色性;16. 拟肽的电子圆二色性;17. 核酸的电子圆二色性;18. 肽核酸及其类似物的电子圆二色性;19. 蛋白质与核酸相互作用的圆二色性;20. 用电子圆二色性来分析捆绑在核酸上的药物或天然产物;21. 用电子圆二色性来探索HSA和AGP药物捆绑位置;22. 生物高聚物、肽、蛋白质和核酸的构象研究――振动圆二色性的作用;23. 从拉曼光学活性来看生物分子的结构和行为;24. 糖类和复合糖的旋光、电子圆二色性以及振动圆二色性;25. 通过电子圆二色性来发现药物。本书以纪念已故的Carlo Rosini教授的短文开头。每章的结尾有参考书目,目录的前面有各章作者简介,结尾有主题索引。

本书第一编著贝罗娃博士是美国纽约哥伦比亚大学化学系的研究员。1998年以来,她一直是《手性》杂志的编委会成员。

本书可用做大学生或研究生的教科书,或学术和工业领域的研究工作者的参考书。

篇7

关键词:火焰原子吸收光谱;沼液;湿法消解;矿质营养元素

中图分类号:S182 文献标识码:A 文章编号:0439-8114(2013)12-2914-03

Determination of Mineral Nutrition Elements in Fermented Liquid by Temperature-Controlled Wet Digestion and Flame Atomic Absorption Spectrometry

JIANG Zhong-yuan1,HU Ming-hua1,AO Ke-hou1,WEI Jing-xu1,LUO Yan-wen2

(1.School of Chemistry and Chemical Engineering,Zunyi Normal College, Zunyi 563002,Guizhou,China;

2. Court of Zunyi Product Quality Inspection Detection, Zunyi 563002,Guizhou,China)

Abstract: Temperature-controlled HNO3-H2O2 wet digestion and flame atomic absorption spectrometry were employed for determination of mineral elements in the fermented liquid residue of livestock dung. The mineral elements, including K, Mg, Na, Fe, Ca, Mn, Cu and Zn in fermented liquid were analyzed. The results showed that the correlation coefficient(r) of each mineral element’s quantitative standard curve was above 0.999 3, the quantitation limit was 0.90~67.0 ng/L, the relative standard deviation was 0.79%~2.51%, and the standard addition recovery rate was 95%~103%. It was found that the average content of the 8 mineral elements in fermented liquid was in a descending order of K, Na, Ca, Mg, Fe, Mn, Zn and Cu.

Key words: flame atomic absorption spectrometry; fermented liquid; wet digestion; mineral element

随着低碳经济的发展,沼气技术的应用与推广日益广泛,沼气发酵残留物的开发应用问题也倍受人们关注。而沼液作为人畜粪便等有机物在厌氧条件下充分发酵后的液体残余物[1],不仅含有N、P、K等营养元素,而且含有丰富的腐殖酸、有机质、氨基酸、生长激素及有益菌群等营养物质,其营养全面,养分利用率高,是一种多元的速效复合肥[2]。沼液在作物种植中不仅能显著地改良土壤,确保农作物生长所需的良好微生物环境,还有利于增强作物抗冻、抗旱能力,减少病虫害,提高作物产量[3]。原料中含有的矿物元素在发酵过程中,参与了微生物代谢过程,但最后又残留于沼残液中。因此,开展针对沼液中矿质元素及其含量范围的分析研究,将有助于促进畜牧养殖粪污发酵残留物在肥料、饲料、浸种、植物生长激素和生物农药等方面的应用,并为相关应用提供科学参考。

必需矿质元素K、Na、Fe、Mn、Cu、Zn、Ca及Mg对动植物正常生长和生产不可或缺,在动植物体内具有重要的营养生理功能。目前,已建立了上述元素在环境、食品、医药、生物、地质等样品中的检测方法[4-11],但是温控湿法消解-火焰原子吸收光谱测定法应用于沼液的矿质元素及其含量检测方面的报道较少。本试验通过温控湿法消解-火焰原子吸收光谱,建立了沼液中多种矿质元素的分析方法,以期为腐熟水溶性速效肥中的矿质元素检测提供有益探索,也为肥料中矿质元素含量检测提供一种快速、便捷、灵敏的方法。

1 材料与方法

1.1 试剂

H2O2、HNO3、HCl均为优级纯试剂,购于国药试剂有限公司,试验用水为去离子水。

标准储备液: 1 000 μg/mL Mn、Cu、Zn、Ca、Mg、K、Na、Fe标准溶液(中国计量科学研究院)。

1.2 仪器

TAS-990型原子吸收分光光度计(北京普析通用仪器有限公司);电子天平(上海越平科学仪器有限公司生产);AKDL-II-16超纯水仪(成都康宁实验专用纯水设备厂)。所有器皿均用4 mol/L HCl浸泡24~48 h,然后用去离子水冲洗3~4次,待用。

1.3 方法

1.3.1 标准溶液的制备 取适量K、Na、Fe、Mn、Cu、Zn、Ca、Mg标准溶液,逐级稀释成标准系列工作溶液(表1),在仪器工作条件下测定各标准溶液的吸光度及样品溶液的吸光度。

1.3.2 样品采集及处理 将采集的不同地区沼液样品涡旋混匀,准确量取10 mL沼液样品于50 mL烧杯,用少许5%(m/V,下同)HNO3润洗移液管内壁并移入烧杯中,加入10 mL 30%(V/V)H2O2和20 mL浓HNO3,盖上表面皿,于控温电热板上逐渐升温至120 ℃。消解至消解液澄清、透明且无悬浮物,剩余溶液体积≤10 mL,取下冷却至室温,用5% HNO3定容于15 mL比色管中,过水系滤膜(?准=0.45 μm)后,按表2条件测定[12]。

2 结果与讨论

2.1 标准曲线

对1.3.1中标准系列工作溶液进行测定,由仪器自动绘制标准曲线和确定线性相关系数,确定检出限,结果见表3。

2.2 样品测定

对来自于4个地区畜牧养殖粪污经厌氧发酵的剩余沼液中的矿质元素含量进行了测定,结果见表4。

2.3 回收率和准确度分析

为考察方法的可靠性,采用标准品加入法测定各元素的平均回收率来确定方法的准确性。设定0.5、1.0、2.0 mg/kg 3个添加水平,按照优化条件检测,K、Na、Fe、Mn、Cu、Zn、Ca、Mg回收率都在96%~101%,相对标准偏差在1.56%~3.01%。结果表明,采用温控HNO3-H2O2湿法消解-火焰原子吸收光谱分析方法测定上述8种矿质元素稳定性好,结果可靠准确,能够满足检测要求。

2.4 精密度分析

按照1.3.2处理,对某地区沼液样品平行测定6次,计算测定方法的相对标准偏差。结果表明,相对标准偏差均小于3%,误差在痕量分析允许范围内,表明方法精密度良好。

3 结论

建立了沼液中矿质元素的温控HNO3-H2O2湿法消解-火焰原子吸收光谱检测8种矿质元素的分析方法。试验中采用强氧化性物质的氧化作用破坏样品中的有机物质,使待测元素溶解于溶液中,使混合酸与样品中有机物大分子作用完全,消化省时、彻底、不容易造成损失。由结果可知,在沼液中的矿质元素中K、Na、Ca含量较高,而Cu含量最低。该方法操作简便,分析速度快,精密度和准确度都符合要求,可为腐熟水溶性速效肥中矿质元素的检测提供有效的分析方法。

参考文献:

[1] RAVEN R P, GREGERSEN K H. Biogas plants in Denmark:Successes and setbacks [J]. Renewable and Sustainable Energy Reviews,2007, 11(1):116-132.

[2] 宋成芳,单胜道,张妙仙,等.畜禽养殖废弃物沼液的浓缩及其成分[J].农业工程学报, 2011,27(12):256-259.

[3] 樊文华,刘晋峰,王志伟,等.施用沼肥对温室土壤养分和重金属含量的影响[J].山西农业大学学报(自然科学版),2011,31(1):1-4.

[4] BAKIRCIOGLU D, KURTULUS Y B, UCAR G. Determination of some traces metal levels in cheese samples packaged in plastic and tin containers by ICP-OES after dry, wet and microwave digestion[J]. Food and Chemical Toxicoiogy,2011,49(1):202-207.

[5] 何晓文,许光泉,王伟宁.火焰原子吸收光谱法测定土壤中金属元素[J].理化检验(化学分册),2011,47(7):778-780.

[6] 高智席,吴艳红,薛永富.联合消解-原子吸收法测定垃圾中重金属元素含量[J].安徽农业科学,2009,37(31):15108-15109.

[7] 宁寻安,周 云,刘敬勇,等.微波消解-火焰原子吸收光谱法测定钢铁厂废旧除尘布袋中重金属[J].光谱学与光谱分析,2011,31(9):2565-2568.

[8] GAO Z X, WU Y H, ZHAO H J,et al. Concentration determination of new fungicide in river water by ultrasoundassisted emulsification micro-extraction and reversed-phase high performance liquid chromatography[J]. Anal Methods,2012,4(8):2365-2368.

[9] 孙妩娟.汉中元胡中8种金属元素含量的测定[J]. 光谱实验室,2011,28(6):2987-2990.

[10] 丁 锐,周长明,纪 宏,等.微波消解-原子吸收光谱法测定肠内营养粉(维沃)中八种金属元素的含量[J].光谱学与光谱分析,2011,31(9): 3130-3132.

篇8

关键词:透明质酸钠;傅里叶变换红外光谱;圆二色谱

中图分类号:Q657.33文献标识码:A文章编号:1672-979X(2007)10-0006-03

Research on Spectroscopy Properties of Sodium Hyaluronate

JIN Yan1,2, LING Pei-xue1,2, ZHANG Tian-min1,2

(1. School of Pharmacy, Shandong University, Jinan 250012, China; 2. Working Station for Postdoctoral Scientific Research, Institute of Biopharmaceuticals of Shandong Province, Jinan 250108, China)

Abstract:Objective To characterize the structure of sodium hyaluronate (SH). MethodsFTIR and CD spectra were used to analyze the structure of SH. Results The FTIR and CD spectra of SH were identical with the previous reports and the relative molecular mass of SH had no influence on the spectroscopy properties of SH. ConclusionFTIR and CD can characterize the primary and secondary structure of SH respectively and provide evidence for the structure study of SH.

Key words:sodium hyaluronate; FTIR; CD spectra

透明质酸(hyaluronic acid,HA),又名玻璃酸,是一种酸性黏多糖,1934年美国Meyer等首先从牛眼玻璃体中分离出该物质[1,2]。HA是由(13)-2-乙酰氨基-2-脱氧-β-D-葡萄糖-(14)-O-β-D-葡萄糖醛酸双糖重复单位所组成的直链多聚糖,其结构见图1。

HA广泛存在于脊椎动物的细胞间质中,如皮肤、脐带、关节滑液、软骨、眼玻璃体、鸡冠、鸡胚、卵细胞、血管壁等[2]。HA在体内主要以盐的形式存在,其产品主要为透明质酸钠(sodium hyaluronate,SH)。HA参与很多重要的生理、病理过程,如保水、关节、血管生成、创伤愈合、肿瘤转移等[3]。

HA多方面的生物活性与其结构密切相关。国内外已对其结构进行了深入研究,并提出了HA在不同状态下的多种结构模型[4]。商品SH的相对分子质量(Mr)范围为105~107,目前主要以发酵法生产。本文采用傅里叶变换红外光谱(FTIR)和圆二色谱(CD),对由发酵获得的不同Mr的SH进行结构表征,为其开发应用奠定基础。

1材料与仪器

SH(山东福瑞达生物化工有限公司,Mr分别为1.24×106,6.75×105,2.40×105,批号分别为0508202,0506091,0511281)。

NEXUS 470型傅里叶变换红外光谱仪(美国Nicolet公司);Chirascan型圆二色谱仪(英国Applied Photo Physics公司)。

2方法

2.1FTIR测定

取SH干粉0.5~1.0 mg与无水溴化钾300 mg混合研磨压片。扫描范围4 000~400 cm-1,分辨率0.5 cm-1,扫描次数:75次/s。

2.2CD测定

称取SH干粉1 mg,溶于10 mL水。于室温下进行扫描,波长范围为190~400 nm。

3结果

3.1FTIR分析

图2为SH(Mr 1.24×106)的FTIR光谱。SH的FTIR光谱与文献报道[5]相符。参照文献[5]对SH的特征吸收峰进行了归属,见表1。

从图2可见,3 385 cm-1左右的强峰为羟基吸收峰,其峰形宽而钝,显示SH分子内羟基通过分子内或分子间氢键缔合。1 615及1 407 cm-1 左右的强锐峰为羧基的反对称及对称伸缩振动峰。1 151,1 078,1 047及946 cm-1左右的吸收峰为糖的特征吸收峰。

从表1可见,不同Mr的SH,其特征吸收峰峰位及峰形都无明显差别,显示Mr对SH的FTIR性质无影响。

3.2CD分析

图3显示,SH在210 nm处有一明显的负峰,对应于SH分子中羧基的nπ跃迁及无规则卷曲[6],与文献[7,8]相吻合。不同Mr的SH,其CD图谱没有明显差别。

4讨论

光谱分析技术,包括FTIR,CD等,在生物大分子的结构研究中,发挥了重要作用。由FTIR光谱可获得SH中主要官能团的信息,对SH的一级结构进行表征。CD光谱能够检测由结构的不对称性引起的左、右偏振光的吸收差别。如化合物无规则结构,则其CD强度为零,而有序结构则会产生正信号及负信号。SH的CD图谱显示,SH具有有序结构。推断SH在水溶液(0.1 mg/mL)中主要的二级结构为无规则卷曲。

参考文献

[1]Meyer K, Palmer J W. The polysaccharide of the vitreous humor[J]. J Biol Chem, 1934, 107:629-634.

[2]郭学平,王春喜,凌沛学,等. 透明质酸及其发酵生产概述[J]. 中国生化药物杂志,1998,19(4):209-212.

[3] 凌沛学. 透明质酸[M]. 北京:中国轻工业出版社,2000: 53-83.

[4]凌沛学,贺艳丽,白若琬,等. 玻璃酸钠结构及理化性质的研究进展[J]. 中国生化药物杂志,2000,21(3):152-154.

[5]Gilli R, KacurákaováM, Mathouthi M, et al. FTIR studies of hyaluronate and its oligomers in the amphorphous solid phase and in aqueous solution[J]. Carbohydr Res 1994, 263(2): 315-326.

[6]Chen H X, Zhang M, Xie B J. Spectroscopy investigation on conformational transition of tea glycoconjugate from green tea[J]. Chin J Chem,2004, 22(11): 1387-1390.

[7]樊东辉,吴蓓蓓,徐政,等. 透明质酸钠的光谱学分析[J]. 中国生化药物杂志,2006,27(1):22-25.

推荐期刊