CN112630180B - 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 - Google Patents
水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 Download PDFInfo
- Publication number
- CN112630180B CN112630180B CN202011472405.7A CN202011472405A CN112630180B CN 112630180 B CN112630180 B CN 112630180B CN 202011472405 A CN202011472405 A CN 202011472405A CN 112630180 B CN112630180 B CN 112630180B
- Authority
- CN
- China
- Prior art keywords
- organophosphorus pesticide
- concentration
- visible light
- ultraviolet
- absorption spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003987 organophosphate pesticide Substances 0.000 title claims abstract description 108
- 238000000862 absorption spectrum Methods 0.000 title claims abstract description 44
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 41
- 230000031700 light absorption Effects 0.000 title claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 31
- 230000003595 spectral effect Effects 0.000 claims abstract description 26
- 238000002835 absorbance Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 20
- 239000000575 pesticide Substances 0.000 claims description 18
- 239000005944 Chlorpyrifos Substances 0.000 claims description 15
- SBPBAQFWLVIOKP-UHFFFAOYSA-N chlorpyrifos Chemical compound CCOP(=S)(OCC)OC1=NC(Cl)=C(Cl)C=C1Cl SBPBAQFWLVIOKP-UHFFFAOYSA-N 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 11
- 239000005949 Malathion Substances 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 9
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 claims description 9
- 229960000453 malathion Drugs 0.000 claims description 9
- RLBIQVVOMOPOHC-UHFFFAOYSA-N parathion-methyl Chemical compound COP(=S)(OC)OC1=CC=C([N+]([O-])=O)C=C1 RLBIQVVOMOPOHC-UHFFFAOYSA-N 0.000 claims description 9
- 239000005947 Dimethoate Substances 0.000 claims description 8
- YASYVMFAVPKPKE-UHFFFAOYSA-N acephate Chemical group COP(=O)(SC)NC(C)=O YASYVMFAVPKPKE-UHFFFAOYSA-N 0.000 claims description 8
- OEBRKCOSUFCWJD-UHFFFAOYSA-N dichlorvos Chemical compound COP(=O)(OC)OC=C(Cl)Cl OEBRKCOSUFCWJD-UHFFFAOYSA-N 0.000 claims description 8
- 229950001327 dichlorvos Drugs 0.000 claims description 8
- MCWXGJITAZMZEV-UHFFFAOYSA-N dimethoate Chemical compound CNC(=O)CSP(=S)(OC)OC MCWXGJITAZMZEV-UHFFFAOYSA-N 0.000 claims description 8
- NFACJZMKEDPNKN-UHFFFAOYSA-N trichlorfon Chemical compound COP(=O)(OC)C(O)C(Cl)(Cl)Cl NFACJZMKEDPNKN-UHFFFAOYSA-N 0.000 claims description 8
- PNVJTZOFSHSLTO-UHFFFAOYSA-N Fenthion Chemical compound COP(=S)(OC)OC1=CC=C(SC)C(C)=C1 PNVJTZOFSHSLTO-UHFFFAOYSA-N 0.000 claims description 7
- ATROHALUCMTWTB-OWBHPGMISA-N phoxim Chemical compound CCOP(=S)(OCC)O\N=C(\C#N)C1=CC=CC=C1 ATROHALUCMTWTB-OWBHPGMISA-N 0.000 claims description 7
- 229950001664 phoxim Drugs 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- QYMMJNLHFKGANY-UHFFFAOYSA-N profenofos Chemical compound CCCSP(=O)(OCC)OC1=CC=C(Br)C=C1Cl QYMMJNLHFKGANY-UHFFFAOYSA-N 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 229960001952 metrifonate Drugs 0.000 claims description 4
- YZCKVEUIGOORGS-OUBTZVSYSA-N Deuterium Chemical compound [2H] YZCKVEUIGOORGS-OUBTZVSYSA-N 0.000 claims description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 229910052805 deuterium Inorganic materials 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 229910052721 tungsten Inorganic materials 0.000 claims description 3
- 239000010937 tungsten Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 230000000361 pesticidal effect Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000012086 standard solution Substances 0.000 description 2
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 2
- 238000001134 F-test Methods 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 239000003085 diluting agent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N2021/3129—Determining multicomponents by multiwavelength light
- G01N2021/3133—Determining multicomponents by multiwavelength light with selection of wavelengths before the sample
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出一种水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型，所述的光谱模型表达式为
其中Y表示有机磷农药浓度，Xn为有机磷农药在特征波长点n处的吸光度值，m为特征波长点的个数，an为有机磷农药在特征波长点n处浓度预测模型系数；所述模型通过便携式紫外/可见光吸光度测量仪获取待测样品光谱信息后，利用相应的水体有机磷农药浓度预测模型，可以快速确定待测样品有机磷农药浓度；本发明只需要一套便携式紫外/可见光吸光度测量仪与计算机构成的光谱采集分析系统，即可对待测的有机磷农药样品进行分析，极大减低对分析员的专业技能要求，减低人为误差，同时耗时短，可实现对水体有机磷农药的快速检测。
Description
技术领域
本发明涉及农田典型面源污染物快速检测技术领域，特别涉及水体有机磷农药浓度快速检测技术。
背景技术
有机磷农药作为一种高效的防虫害化学试剂已被广泛应用于农田中。在具体喷施农药时，农民会通过喷施过量的有机磷农药以确保药效，防止因虫害而造成的损失。但是过量喷施的有机磷农药会残留在农田中，在降水和径流冲刷作用下，通过农田地表径流、农田排水和地下渗漏、淋溶，大量的磷污染物进入到水体中，造成水体面源污染。为了有效控制水体有机磷污染，必需对水体有机磷农药含量进行检测。
目前，我国对水质中有机磷农药的测定标准为气相色谱法。国家标准(GB/T13192-1991)仅对水质中甲基对硫磷、对硫磷、敌敌畏、敌百虫、马拉硫磷和乐果6种有机磷农药进行检测，气相色谱法对水质中有机磷农药的测定需要耗费大量材料与时间，且需要专业的实验分析人员才可以操作，只适用于在实验室对少量水质样本进行测定，不适合大规模现场快速检测。
对于现有水体有机磷农药测定技术中的不足，提出利用便携式紫外/可见光吸光度计对水体样本中有机磷农药进行快速测定。紫外/可见光光谱检测技术日臻成熟，不需要对样品进行繁杂预处理、对样品无破坏性以及具有现场可在线检测等特点，符合对水体有机磷农药快速测定的需求。
发明内容
为克服现有技术的缺点与不足，本发明提供了一种水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型，对水体中常见的十种有机磷农药浓度进行快速测定。
为了实现上述任务，本发明采用以下技术方案：
一种水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型，所述的光谱模型表达式为
其中Y表示有机磷农药浓度，Xn为有机磷农药在特征波长点n处的吸光度值，m为特征波长点的个数，an为有机磷农药在特征波长点n处浓度预测模型系数；
所述水体中有机磷农药为乙酰甲胺磷、甲基对硫磷、敌百虫、敌敌畏、丙溴磷、毒死蜱、马拉硫磷、乐果、倍硫磷、辛硫磷时，所述紫外/可见光吸收光谱模型分别为：
乙酰甲胺磷：
Y＝45.45*X227.09+40.11*X228.98+38.18*X229.36+35.34*X229.74–57.11*X241.84–56.97*X243.73–55.39*X245.61–41.44*X307.66；
甲基对硫磷：
Y＝85.13*X230.12-57.77*X231.25-87.27*X231.63+47.17*X244.48+44.96*X244.86+141.13*X305.81-76.05*X316.54-89.12*X317.65-123.62*X322.45；
敌百虫：
Y＝88.67*X200.08-137.45*X201.99+75.02*X222.54+70.27*X224.05+60.72*X238.82+57.60*X239.2+53.29*X239.57-36.26*X259.16-37.70*X259.54-70.38*X277.15-70.92*X277.52-70.61*X277.9-58.29*X340.84-57.74*X341.21-58.66*X348.9；
敌敌畏：
Y＝28.67*X200.08-25.06*X215.32-25.10*X215.7-25.04*X216.08+37.51*X231.63+38.08*X232.01+37.95*X232.39+35.59*X233.15-26.97*X312.11-27.01*X312.48-27.02*X312.85-27.07*X313.22-27.08*X313.58-27.05*X314.32-26.98*X314.69；
丙溴磷：
Y＝63.90*X201.61-85.63*X205.04+131.83*X215.32-136.81*X222.54+111.42*X229.74-76.94*X238.06-109.59*X238.44-233.83*X240.33+77.11*X259.16+82.81*X259.54+86.05*X259.91+87.49*X260.29+84.47*X260.66+93.33*X274.16+93.16*X274.53+92.01*X276.03+93.72*X276.4-103.29*X334.6-90.24*X358.4-93.51*X359.86-84.81*X366.05-78.99*X366.41-83.33*X370.41-69.69*X380.21-80.08*X402.59+85.52*X522.65+91.57*X523+91.93*X523.34-79.93*X700.07-84.76*X700.7-81.91*X701.02+89.80*X727.26；
毒死蜱：
Y＝20.27*X201.61-17.72*X209.99-20.41*X210.37+8.54*X239.2+31.10*X240.33-13.26*X255.78-13.46*X256.15-13.62*X256.53-13.47*X261.04+12.25*X262.92-11.88*X263.29+21.14*X282.38+21.07*X282.75+20.88*X283.12
马拉硫磷：
Y＝-223.29*X227.47+52.92*X227.85+297.52*X228.22-283.06*X706.11；
乐果：
Y＝242.50*X221.02-419.50*X223.67+179.06*X226.71+365.39*X264.79-419.70*X315.43-362.53*X315.8+437.17*X494.95+435.04*X495.3+251.02*X496+362.90*X612.6+317.86*X613.6-798.99*X731.02；
倍硫磷：
Y＝89.34*X214.18-167.75*X215.7+164.27*X221.78+183.05*X222.54-143.40*X224.43-147.76*X224.81-91.02*X250.51+170.90*X252.39-207.25*X258.41+164.18*X263.29+178.51*X263.67-129.74*X295.79-128.76*X296.16-140.77*X298.39+151.81*X503.99；
辛硫磷：
Y＝196.36*X232.01-236.08*X232.39-104.29*X254.27+21.25*X254.65+112.97*X255.03+85.27*X255.4+25.64*X255.78-23.04*X256.15-29.46*X256.53-31.68*X319.87+11.69*X320.24+35.85*X320.6-9.31*X322.82。
一种水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型的构建方法，包括以下步骤：
配制每一种有机磷农药不同浓度的多组样品，通过便携式紫外/可见光吸光度计测定有机磷农药样品的原始光谱数据，其中紫外/可见光波段范围为：190nm-850nm；
将有机磷农药不同样品的原始光谱数据绘制成原始光谱曲线；
将有机磷农药不同样品的原始光谱数据按照浓度梯度从低到高进行排序，划分建模集和预测集，并对原始光谱数据进行重新排序；
对原始光谱数据进行主成分分析并剔除异常样本；对剔除异常样本后有机磷农药原始吸收光谱进行预处理，获得预处理后的有机磷农药吸收光谱数据；
通过设置不同的潜变数量，对预处理后的有机磷农药吸收光谱数据和浓度进行PLS建模，对建模结果采用留一交叉验证，筛选出最佳潜变量数；
结合所确定的最佳潜变量数，从预处理后的有机磷农药吸收光谱数据中提取特征波长，进而获取有机磷农药特征波长对应的吸光度数据；
对有机磷农药特征波长对应的吸光度数据与有机磷农药浓度数据进行建模，得到紫外/可见光吸收光谱模型。
进一步地，所述的便携式紫外/可见光吸光度计的光源为复合氘灯-卤钨灯光源，比色皿光程为10mm；紫外/可见光波段为200nm～750nm。
进一步地，所述结合所确定的最佳潜变量数，从预处理后的有机磷吸收光谱数据中提取特征波长，包括：
对从预处理后的有机磷吸收光谱数据进行多次蒙特卡洛采样，获得多个不同的子集；通过所述最佳潜变量数，对不同子集分别建立PLS子模型并且通过留一交叉验证法获得子集的交叉验证均方根误差，均方根误差最小时所对应的子集就是特征波长的集合，由此得到特征波长。
进一步地，所述对有机磷农药特征波长对应的吸光度数据与有机磷农药浓度数据进行建模，包括：
采用PLS算法，对特征波长所对应的吸光度数据和浓度建立有机磷农药浓度预测模型；采用决定系数、均方根误差和预测残差作为模型评价指标。
进一步地，所述有机磷农药不同浓度的吸收光谱测定时，配制每一种有机磷农药不同浓度的多组样品分别为：0.01ppm、0.05ppm、0.1ppm～1ppm、1ppm～10ppm、10ppm～20ppm、20～50ppm和50ppm～100ppm；
其中，0.1ppm～1ppm的浓度梯度为0.1ppm，1ppm～10ppm的浓度梯度为0.5ppm，10ppm～20ppm的浓度梯度为1ppm，20～50ppm的浓度梯度为2ppm，50ppm～100ppm的浓度梯度为5ppm，每种有机磷农药合计65组样品。
进一步地，所述对剔除异常样本后有机磷农药原始吸收光谱进行预处理的方法为S-G卷积平滑预处理；在S-G卷积平滑预处理的最佳参数中，多项式次数均为二次；
所述从预处理后的有机磷吸收光谱数据中提取特征波长采用CARS算法，筛选出来的特征波长点数、特征波长点以及对应的S-G窗口宽度如下表：
本发明进一步提供了一种利用水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型对已知农药种类的待测样品中的有机磷农药浓度进行预测的方法，包括以下步骤：
通过便携式紫外/可见光吸光度计获取待测样品原始光谱数据；
通过已知的农药种类信息获取预处理的最佳参数，对待测样品原始数据进行S-G卷积平滑预处理；
通过已知的农药种类信息获取有机磷农药特征波长，从所述预处理后的待测样品光谱数据中提取有机磷农药特征波长所对应的吸光度数据；
通过所述水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型，及所述吸光度数据预测待测样品有机磷农药浓度。
与现有技术相比较，本发明的优点及效果是：
本发明提出的紫外/可见光吸收光谱模型，通过便携式紫外/可见光吸光度测量仪获取待测样品光谱信息后，利用相应的水体有机磷农药浓度预测模型，可以快速确定待测样品有机磷农药浓度。与传统水体有机磷农药测定方法相比，本发明只需要一套便携式紫外/可见光吸光度测量仪与计算机构成的光谱采集分析系统，无需其他仪器设备和试剂，即可对待测的有机磷农药样品进行快速分析，极大减低对分析员的专业技能要求，减低人为误差，同时耗时短，可实现对水体有机磷农药的快速检测。
附图说明
图1是乙酰甲胺磷原始光谱曲线；
图2是甲基对硫磷原始光谱曲线；
图3是敌百虫原始光谱曲线；
图4是敌敌畏原始光谱曲线；
图5是丙溴磷原始光谱曲线；
图6是毒死蜱原始光谱曲线；
图7是马拉硫磷原始光谱曲线；
图8是乐果原始光谱曲线；
图9是倍硫磷原始光谱曲线；
图10是辛硫磷原始光谱曲线；
图11是乙酰甲胺磷建模集模型预测结果；
图12是甲基对硫磷建模集模型预测结果；
图13是敌百虫建模集模型预测结果；
图14是敌敌畏建模集模型预测结果；
图15是丙溴磷建模集模型预测结果；
图16是毒死蜱建模集模型预测结果；
图17是马拉硫磷建模集模型预测结果；
图18是乐果建模集模型预测结果；
图19是倍硫磷建模集模型预测结果；
图20是辛硫磷建模集模型预测结果；
图21是乙酰甲胺磷预测集模型预测结果；
图22是甲基对硫磷预测集模型预测结果；
图23是敌百虫预测集模型预测结果；
图24是敌敌畏预测集模型预测结果；
图25是丙溴磷预测集模型预测结果；
图26是毒死蜱预测集模型预测结果；
图27是马拉硫磷预测集模型预测结果；
图28是乐果预测集模型预测结果；
图29是倍硫磷预测集模型预测结果；
图30是辛硫磷预测集模型预测结果；
图31是毒死蜱待测样品原始光谱图及预处理后光谱图。
具体实现方式
下面结合具体实例及附图对本发明作进一步详细的描述，但本发明的实施方式不局限于此。
本发明提供了一种水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型，主要对10种水体常见的有机磷农药浓度进行快速预测；其中有机磷农药信息如下表1所示。
表1 10种有机磷农药信息
本发明所提出的水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型的构建方法，包括以下步骤：
步骤1，配制实验标准样品
配制100ppm的有机磷农药标准液，以纯净水为有机磷农药标准液稀释剂，配制65个浓度梯度的有机磷农药实验样本。65个实验样本的浓度梯度分别为：0.01ppm、0.05ppm、0.1ppm～1ppm(浓度梯度为0.1ppm)、1ppm～10ppm(浓度梯度为0.5ppm)、10ppm～20ppm(浓度梯度为1ppm)、20～50ppm(浓度梯度为2ppm)和50ppm～100ppm(浓度梯度为5ppm)。
步骤2，获取实验样本原始光谱数据
通过便携式紫外/可见光吸光度计(FLAME-CHEM-UV-VIS)获取有机磷农药实验样本的原始光谱数据。吸光度计的光源为复合氘灯-卤钨灯光源，比色皿光程为10mm，光谱范围为：190nm～850nm，积分时间设定为25ms，每个样本平均扫描次数为20次，平滑度为2。
步骤3，绘制实验样本原始光谱曲线
将获得的有机磷农药实验样本原始光谱数据存放在Excel电子表格中。通过OriginPro8.5绘制有机磷农药原始光谱曲线。
步骤4，划分样本集
将有机磷农药实验样本原始光谱数据按浓度梯度从低到高排序，每间隔2个样本抽取1个样本作为预测集数据，剩余样本作为建模集数据，此时建模集：预测集＝44：21。对原始光谱数据重新排序，重新排序后的光谱数据前44个样本为建模集，后21个样本为预测集。
步骤5，剔除异常样本
将重新排序后的光谱数据导入到TheUnscrambler X 10.4并进行主成分分析，并采用霍特林统计量(Hotelling’s t2)以及F检验残差(F-Residuals)剔除异常样本。
步骤6，S-G卷积平滑预处理
对剔除异常样本后的光谱数据进行S-G卷积平滑预处理。通过调整S-G卷积平滑滤波的多项式参数以及窗口宽度，尽可能消除光谱数据中的噪声，同时也要保持原始光谱曲线形状。有机磷农药实验样本S-G卷积滤波最佳参数(即S-G平滑窗口宽度)如表2所示。
步骤7，筛选最佳潜变量数
通过步骤6获取到预处理后的有机磷农药实验样本光谱数据。通过设置不同的潜变量数(Latent variables，LVs)，对预处理后的建模集光谱数据和浓度进行PLS建模，对建模结果采用留一交叉验证，筛选出最佳潜变量数。
步骤8，筛选实验样本特征波长
采用CARS算法筛选有机磷农药实验样本特征波长。具体流程为：对有机磷农药实验样本建模集光谱数据进行100次蒙特卡洛采样，获得100个不同的子集。通过步骤7获得的最佳潜变量数，对不同子集分别建立PLS子模型并且通过留一交叉验证法获得子集的交叉验证均方根误差(Root Mean Square Error of Cross Validation，RMSECV)。RMSECV最小时所对应的子集就是特征波长的集合。
表2S-G卷积滤波最佳参数及特征波长信息
步骤9，建立有机磷农药浓度预测模型
采用PLS算法，对建模集特征波长所对应的吸光度数据和浓度建立有机磷农药浓度预测模型，其预测模型见表3。采用决定系数R2、均方根误差RMSE和预测残差RPD作为模型评价指标。其中，R2是表征模型拟合程度的指标，其值越接近1表明模型拟合程度越高；RMSE可以表示模型的预测能力，其值越小表明模型精度越高；RPD体现模型的分辨能力和稳健性，其值越大表示模型预测能力越好。综上，一个鲁棒性好的模型，应该具有接近1的R2、较低的RMSE和尽可能高的RPD。
本发明实施例建立的10种水体有机磷农药浓度模型预测结果如表4所示。由表4可得，10种有机磷农药浓度检测模型的R2(包括R2c和R2p)均大于0.99，表明模型的拟合程度高。模型的RMSEC均小于1。除乙酰甲胺磷、甲基对硫磷和马拉硫磷以外的有机磷农药浓度检测模型的RMSEP均小于1，表明模型的精度高，预测能力好。根据ICC等国际分析组织规定，RPD≥3则表示模型预测能力好。10种有机磷农药浓度检查模型的RPD远远大于3，表明模型具有较好的分辨能力和稳健性。
表3有机磷农药吸收光谱模型
表4有机磷农药建模集预测结果
检测实例
根据上述建立的吸收光谱模型，对毒死蜱待测样品有机磷农药浓度进行预测，包括以下步骤：
a.配制4组毒死蜱样品，其浓度分别为3ppm、4ppm、5ppm和6ppm；
b.通过便携式紫外/可见光吸光度计Flame-CHEM-UV-VIS获取毒死蜱待测样品原始光谱数据，通过Origin绘制毒死蜱待测样品原始光谱曲线，如图31所示；
c.对待测样品原始光谱数据进行S-G卷积平滑预处理。由表2可得毒死蜱预处理参数为：多项式次数为二次，窗口宽度为15，预处理后待测样品光谱图如图31所示；
d.根据毒死蜱吸收光谱模型Y＝20.27*X201.61-17.72*X209.99-20.41*X210.37+8.54*X239.2+31.10*X240.33-13.26*X255.78-13.46*X256.15-13.62*X256.53-13.47*X261.04+12.25*X262.92-11.88*X263.29+21.14*X282.38+21.07*X282.75+20.88*X283.12可算得待测样品的毒死蜱浓度，结果见表5。
表5测量得到的待测样品毒死蜱浓度
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (7)
1.一种水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型，其特征在于，所述的光谱模型表达式为
其中Y表示有机磷农药浓度，Xn为有机磷农药在特征波长点n处的吸光度值，m为特征波长点的个数，an为有机磷农药在特征波长点n处浓度预测模型系数；
所述水体中有机磷农药为乙酰甲胺磷、甲基对硫磷、敌百虫、敌敌畏、丙溴磷、毒死蜱、马拉硫磷、乐果、倍硫磷、辛硫磷时，所述紫外/可见光吸收光谱模型分别为：
乙酰甲胺磷：
Y＝45.45*X227.09+40.11*X228.98+38.18*X229.36+35.34*X229.74–57.11*X241.84–56.97*X243.73–55.39*X245.61–41.44*X307.66；
甲基对硫磷：
Y＝85.13*X230.12-57.77*X231.25-87.27*X231.63+47.17*X244.48+44.96*X244.86+141.13*X305.81-76.05*X316.54-89.12*X317.65-123.62*X322.45；
敌百虫：
Y＝88.67*X200.08-137.45*X201.99+75.02*X222.54+70.27*X224.05+60.72*X238.82+57.60*X239.2+53.29*X239.57-36.26*X259.16-37.70*X259.54-70.38*X277.15-70.92*X277.52-70.61*X277.9-58.29*X340.84-57.74*X341.21-58.66*X348.9；
敌敌畏：
Y＝28.67*X200.08-25.06*X215.32-25.10*X215.7-25.04*X216.08+37.51*X231.63+38.08*X232.01+37.95*X232.39+35.59*X233.15-26.97*X312.11-27.01*X312.48-27.02*X312.85-27.07*X313.22-27.08*X313.58-27.05*X314.32-26.98*X314.69；
丙溴磷：
Y＝63.90*X201.61-85.63*X205.04+131.83*X215.32-136.81*X222.54+111.42*X229.74-76.94*X238.06-109.59*X238.44- 233.83*X240.33+77.11*X259.16+82.81*X259.54+86.05*X259.91+87.49*X260.29+84.47*X260.66+93.33*X274.16+93.16*X274.53+92.01*X276.03+93.72*X276.4-103.29*X334.6-90.24*X358.4-93.51*X359.86-84.81*X366.05-78.99*X366.41-83.33*X370.41-69.69*X380.21-80.08*X402.59+85.52*X522.65+91.57*X523+91.93*X523.34-79.93*X700.07-84.76*X700.7-81.91*X701.02+89.80*X727.26；
毒死蜱：
Y＝20.27*X201.61-17.72*X209.99-20.41*X210.37+8.54*X239.2+31.10*X240.33-13.26*X255.78-13.46*X256.15-13.62*X256.53-13.47*X261.04+12.25*X262.92-11.88*X263.29+21.14*X282.38+21.07*X282.75+20.88*X283.12；
马拉硫磷：
Y＝-223.29*X227.47+52.92*X227.85+297.52*X228.22-283.06*X706.11；
乐果：
Y＝242.50*X221.02-419.50*X223.67+179.06*X226.71+365.39*X264.79-419.70*X315.43-362.53*X315.8+437.17*X494.95+435.04*X495.3+251.02*X496+362.90*X612.6+317.86*X613.6-798.99*X731.02；
倍硫磷：
Y＝89.34*X214.18-167.75*X215.7+164.27*X221.78+183.05*X222.54-143.40*X224.43-147.76*X224.81-91.02*X250.51+170.90*X252.39-207.25*X258.41+164.18*X263.29+178.51*X263.67-129.74*X295.79-128.76*X296.16-140.77*X298.39+151.81*X503.99；
辛硫磷：
Y＝196.36*X232.01-236.08*X232.39-104.29*X254.27+21.25*X254.65+112.97*X255.03+85.27*X255.4+25.64*X255.78-23.04*X256.15-29.46*X256.53-31.68*X319.87+11.69*X320.24+35.85*X320.6-9.31*X322.82。
2.根据权利要求1所述的水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型，其特征在于，利用所述光谱模型对已知农药种类的待测样品中的有机磷农药浓度进行预测的方法为：
通过便携式紫外/可见光吸光度计获取待测样品原始光谱数据；
通过已知的农药种类信息获取预处理的最佳参数，对待测样品原始数据进行S-G卷积平滑预处理；
通过已知的农药种类信息获取有机磷农药特征波长，从所述预处理后的待测样品光谱数据中提取有机磷农药特征波长所对应的吸光度数据；
通过所述水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型，及所述吸光度数据预测待测样品有机磷农药浓度。
3.一种水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型的构建方法，其特征在于，包括以下步骤：
配制每一种有机磷农药不同浓度的多组样品，通过便携式紫外/可见光吸光度计测定有机磷农药样品的原始光谱数据，其中紫外/可见光波段范围为：190nm-850nm；
将有机磷农药不同样品的原始光谱数据绘制成原始光谱曲线；
将有机磷农药不同样品的原始光谱数据按照浓度梯度从低到高进行排序，划分建模集和预测集，并对原始光谱数据进行重新排序；
对原始光谱数据进行主成分分析并剔除异常样本；对剔除异常样本后有机磷农药原始吸收光谱进行预处理，获得预处理后的有机磷农药吸收光谱数据；
通过设置不同的潜变数量，对预处理后的有机磷农药吸收光谱数据和浓度进行PLS建模，对建模结果采用留一交叉验证，筛选出最佳潜变量数；
结合所确定的最佳潜变量数，从预处理后的有机磷农药吸收光谱数据中提取特征波长，进而获取有机磷农药特征波长对应的吸光度数据；
对有机磷农药特征波长对应的吸光度数据与有机磷农药浓度数据进行建模，得到紫外/可见光吸收光谱模型；
其中：
所述对剔除异常样本后有机磷农药原始吸收光谱进行预处理的方法为S-G卷积平滑预处理；在S-G卷积平滑预处理的最佳参数中，多项式次数均为二次；
所述从预处理后的有机磷农药吸收光谱数据中提取特征波长采用CARS算法，筛选出来的特征波长点数、特征波长点以及对应的S-G窗口宽度如下表：
4.根据权利要求3所述的水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型的构建方法，其特征在于，所述的便携式紫外/可见光吸光度计的光源为复合氘灯-卤钨灯光源，比色皿光程为10mm；紫外/可见光波段范围为200nm～750nm。
5.根据权利要求3所述的水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型的构建方法，其特征在于，所述结合所确定的最佳潜变量数，从预处理后的有机磷农药吸收光谱数据中提取特征波长，包括：
对预处理后的有机磷农药吸收光谱数据进行多次蒙特卡洛采样，获得多个不同的子集；通过所述最佳潜变量数，对不同子集分别建立PLS子模型并且通过留一交叉验证法获得子集的交叉验证均方根误差，均方根误差最小时所对应的子集就是特征波长的集合，由此得到特征波长。
6.根据权利要求3所述的水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型的构建方法，其特征在于，所述对有机磷农药特征波长对应的吸光度数据与有机磷农药浓度数据进行建模，包括：
采用PLS算法，对特征波长所对应的吸光度数据和浓度建立有机磷农药浓度预测模型；采用决定系数、均方根误差和预测残差作为模型评价指标。
7.根据权利要求3所述的水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型的构建方法，其特征在于，所述有机磷农药不同浓度的吸收光谱测定时，配制每一种有机磷农药不同浓度的多组样品分别为：0.01ppm、0.05ppm、0.1ppm～1ppm、1ppm～10ppm、10ppm～20ppm、20～50ppm和50ppm～100ppm；
其中，0.1ppm～1ppm的浓度梯度为0.1ppm，1ppm～10ppm的浓度梯度为0.5ppm，10ppm～20ppm的浓度梯度为1ppm，20～50ppm的浓度梯度为2ppm，50ppm～100ppm的浓度梯度为5ppm，每种有机磷农药合计65组样品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011472405.7A CN112630180B (zh) | 2020-12-14 | 2020-12-14 | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011472405.7A CN112630180B (zh) | 2020-12-14 | 2020-12-14 | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112630180A CN112630180A (zh) | 2021-04-09 |
| CN112630180B true CN112630180B (zh) | 2022-02-08 |
Family
ID=75312690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011472405.7A Active CN112630180B (zh) | 2020-12-14 | 2020-12-14 | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112630180B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114486780B (zh) * | 2022-01-27 | 2023-08-29 | 华南农业大学 | 自然环境水体中有机磷农药含量快速检测方法 |
| CN117848985A (zh) * | 2024-03-06 | 2024-04-09 | 杭州泽天春来科技股份有限公司 | 气体浓度分析方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104076010A (zh) * | 2013-03-27 | 2014-10-01 | 北京中医药大学 | 一种炼制过程中对蜂蜜的质量检测方法 |
| CN103528979A (zh) * | 2013-10-31 | 2014-01-22 | 天津工业大学 | 一种经济、智能的水中多种重金属离子同时检测的方法 |
| CN105181643B (zh) * | 2015-10-12 | 2018-03-02 | 华中农业大学 | 一种稻米品质的近红外检测方法与应用 |
| CN109799207A (zh) * | 2019-01-15 | 2019-05-24 | 上海交通大学 | 基于近红外光谱分析的白芷中掺滑石粉的定量检测方法 |
| CN111504942A (zh) * | 2020-04-26 | 2020-08-07 | 长春理工大学 | 一种提高牛奶中蛋白质预测精度的近红外光谱分析方法 |
-
2020
- 2020-12-14 CN CN202011472405.7A patent/CN112630180B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112630180A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107478580B (zh) | 基于高光谱遥感的土壤重金属含量估算方法及装置 | |
| Mignot et al. | From the shape of the vertical profile of in vivo fluorescence to Chlorophyll-a concentration | |
| Huang et al. | Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves | |
| CN112630180B (zh) | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 | |
| dos Santos et al. | Predicting carbon and nitrogen by visible near-infrared (Vis-NIR) and mid-infrared (MIR) spectroscopy in soils of Northeast Brazil | |
| CN109187392B (zh) | 一种基于分区建模的锌液痕量金属离子浓度预测方法 | |
| CN111488926B (zh) | 一种基于优化模型的土壤有机质测定方法 | |
| CN106644978A (zh) | 可判定精度的基于光谱特征波长分析土壤养分含量检测法 | |
| Nunes et al. | On the challenges of using field spectroscopy to measure the impact of soil type on leaf traits | |
| CN109060771B (zh) | 一种基于光谱不同特征集的共识模型构建方法 | |
| CN108801950A (zh) | 一种基于滑动窗多尺度主元分析的紫外光谱水质异常检测方法 | |
| Yu et al. | Prediction of soil properties based on characteristic wavelengths with optimal spectral resolution by using Vis-NIR spectroscopy | |
| CN115221927A (zh) | 一种紫外-可见光谱的溶解有机碳检测方法 | |
| Tormena et al. | Potential biomonitoring of atmospheric carbon dioxide in Coffea arabica leaves using near-infrared spectroscopy and partial least squares discriminant analysis | |
| CN115420707A (zh) | 一种污水近红外光谱的化学需氧量评估方法及系统 | |
| CN114486786A (zh) | 土壤有机质测定方法及测定系统 | |
| Zhao et al. | Laser-induced breakdown spectroscopy (LIBS) for the detection of exogenous contamination of metal elements in lily bulbs | |
| CN113049499A (zh) | 水体总氮浓度间接遥感反演方法、存储介质和终端设备 | |
| Wang et al. | SVM classification method of waxy corn seeds with different vitality levels based on hyperspectral imaging | |
| CN112881333B (zh) | 一种基于改进免疫遗传算法的近红外光谱波长筛选方法 | |
| CN101650306A (zh) | 快速检测分析绢云母质量的方法 | |
| Huang | Chemometric methods in analytical spectroscopy technology | |
| CN112326574B (zh) | 一种基于贝叶斯分类的光谱波长选择方法 | |
| Ye et al. | Water chemical oxygen demand prediction model based on the CNN and ultraviolet-visible spectroscopy | |
| Lu et al. | Prediction performance optimization of different resolution and spectral band ranges for characterizing coco-peat substrate available nitrogen |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |