建立了基于近红外光谱技术的生物炭组分快速定量分析方法。采集了163个样品在10000~3800cm^(-1)范围内的近红外光图谱,测定了样品中的固定碳(Fixed carbon,FC)、挥发分(Volatile matter,VM)和灰分(Ash)3种组分含量。在优化建模波段,确...建立了基于近红外光谱技术的生物炭组分快速定量分析方法。采集了163个样品在10000~3800cm^(-1)范围内的近红外光图谱,测定了样品中的固定碳(Fixed carbon,FC)、挥发分(Volatile matter,VM)和灰分(Ash)3种组分含量。在优化建模波段,确定最佳因子数,采用多元散射校正与二阶导数光谱法对原始光谱预处理后,利用偏最小二乘法(Partial least squares,PLS)构建了生物炭样品中3种组分的模型,并对模型的预测性能进行了评价。结果表明,PLS模型具有良好的预测能力,FC、VM和Ash的真实值和预测值的相关系数(Predicted coefficient,R_p^2)分别达到0.9423,0.9517和0.9265,预测均方差(Root mean square error of prediction,RMSEP)值分别为0.1074,0.1201和0.1243,相对预测误差(Ratio of prediction to deviation,RPD)值分别为3.51,4.28和2.03。模型对FC和VM的精度较高,可以作为定量分析方法。根据RPD值,模型对Ash的预测精度较差,需要进一步提高模型预测精准度。本方法为生物炭组分的定量分析提供一种快速有效的技术手段。展开更多
文摘建立了基于近红外光谱技术的生物炭组分快速定量分析方法。采集了163个样品在10000~3800cm^(-1)范围内的近红外光图谱,测定了样品中的固定碳(Fixed carbon,FC)、挥发分(Volatile matter,VM)和灰分(Ash)3种组分含量。在优化建模波段,确定最佳因子数,采用多元散射校正与二阶导数光谱法对原始光谱预处理后,利用偏最小二乘法(Partial least squares,PLS)构建了生物炭样品中3种组分的模型,并对模型的预测性能进行了评价。结果表明,PLS模型具有良好的预测能力,FC、VM和Ash的真实值和预测值的相关系数(Predicted coefficient,R_p^2)分别达到0.9423,0.9517和0.9265,预测均方差(Root mean square error of prediction,RMSEP)值分别为0.1074,0.1201和0.1243,相对预测误差(Ratio of prediction to deviation,RPD)值分别为3.51,4.28和2.03。模型对FC和VM的精度较高,可以作为定量分析方法。根据RPD值,模型对Ash的预测精度较差,需要进一步提高模型预测精准度。本方法为生物炭组分的定量分析提供一种快速有效的技术手段。