КОЛИЧЕСТВЕННЫЙ АНАЛИЗ СОДЕРЖАНИЯ АЗОТА В МОНОАММОНИЙФОСФАТНОМ УДОБРЕНИИ С ИСПОЛЬЗОВАНИЕМ ВИДИМОЙ И БЛИЖНЕЙ ИК СПЕКТРОСКОПИИ И МЕТОДА ОПОРНЫХ ВЕКТОРОВ И НАИМЕНЬШИХ КВАДРАТОВ

Wang L. S.; Wang R. J.; Lu C. P.; Wang J.; Huang W.; Jian Q.; Wang Y. B.; Lin L. Z.; Song L. T.

КОЛИЧЕСТВЕННЫЙ АНАЛИЗ СОДЕРЖАНИЯ АЗОТА В МОНОАММОНИЙФОСФАТНОМ УДОБРЕНИИ С ИСПОЛЬЗОВАНИЕМ ВИДИМОЙ И БЛИЖНЕЙ ИК СПЕКТРОСКОПИИ И МЕТОДА ОПОРНЫХ ВЕКТОРОВ И НАИМЕНЬШИХ КВАДРАТОВ

Wang L. S., Wang R. J., Lu C. P., Wang J. , Huang W. , Jian Q. , Wang Y. B., Lin L. Z., Song L. T.

2019

Предложен метод количественного определения содержания азота в моноаммонийфосфатных (MAP) удобрениях с использованием спектроскопии видимого-ближнего ИК диапазона (Vis-NIR) и методa опорных векторов и наименьших квадратов (LS-SVM). Для выделения калибровочного набора использовано разделение выборки по расстоянию между осями x-y (SPXY). Для обработки спектральных данных взяты 14 методов, в том числе сглаживание Савицкого-Голея (SG), нахождение первой (D1) и второй производных (D2) со сглаживанием SG, коррекция мультипликативного рассеяния (MSC), стандартная нормальная переменнуя (SNV), вейвлет-преобразование, а также и их комбинация. Разработана модель LS-SVM с радиальной базисной функцией, отвечающей наилучшему методу предварительной обработки. Ее производительность сравнивалась с моделью частичных наименьших квадратов (PLS). Калибровка LS-SVM с дискретным вейвлет-преобразованием показала наилучший прогноз для содержания азота в MAP-удобрении с R2 = 0.91, среднеквадратичной ошибкой прогноза RMSEP = 0.101 и отношением производительности к отклонению RPD = 3.34.

Wang L. S., Wang R. J., Lu C. P., Wang J. , Huang W. , Jian Q. , Wang Y. B., Lin L. Z., Song L. T. КОЛИЧЕСТВЕННЫЙ АНАЛИЗ СОДЕРЖАНИЯ АЗОТА В МОНОАММОНИЙФОСФАТНОМ УДОБРЕНИИ С ИСПОЛЬЗОВАНИЕМ ВИДИМОЙ И БЛИЖНЕЙ ИК СПЕКТРОСКОПИИ И МЕТОДА ОПОРНЫХ ВЕКТОРОВ И НАИМЕНЬШИХ КВАДРАТОВ. Журнал прикладной спектроскопии. 2019;86(3):433-437.

Цитирование

Список литературы

1. American Association of Cereal Chemists, Eds. P. C. Williams, K. H. Norris, St. Paul, Minnesota (2001).

2. J. U. Porep, D. R. Kammerer, R. Carle, Trends Food Sci. Technol., 46, 211–230 (2015).

3. W. I. Friesen, Appl. Spectrosc., 50, 1535–1540 (1996).

4. Y. Roggo, P. Chalus, L. Maurer, C. Lema-Martinez, A. Edmond, N. Jent, J. Pharm. Biomed. Anal., 44, 683–700 (2007).

5. H. Faraji, T. Crowe, R. Besant, S. Sokhansanj, H. Wood, Can. Biosys. Eng., 46, 45–48 (2004).

6. Z. Guo, H. F. Yuan, X. Zhang, C. F. Song, X. Y. Li, J. C. Xie, Spectrosc. Spectr. Anal., 31, 1521–1523 (2011).

7. L. Song, H. Zhang, X. Y. Ni, L. Wu, B. M. Liu, L. X. Yu, Q. Wang, Y. J. Wu, Spectrosc. Spectr. Anal., 34, 73–77 (2014).

8. J. A. Janse Van Vuuren, C. A. Groenewald, Commun. Soil Sci. Plant Anal., 44, 120–135 (2013).

9. M. Daszykowski, B. Walczak, D. L. Massart, Anal. Chim. Acta, 468, 91–103 (2002).

10. W. Wu, B. Walczak, D. L. Massart, S. Heuerding, F. Erni, I. R. Last, K. A. Prebble, Chemom. Intell. Lab. Syst., 33, 35–46 (1996).

11. R. K. Galvão, M. C. Araujo, G. E. José, M. J. Pontes, Talanta, 67, 736–740 (2005).

12. K. R. Kanduc, J. Zupan, N. Majcen, Chemom. Intell. Lab. Syst., 65, 221–229 (2003).

13. A. Savitzky, M. J. E Golay, Anal. Chem., 36, 1627–1639 (1964).

14. P. Geladi, B. R. Kowalski, Anal. Chim. Acta, 185, 1–17 (1986).

15. R. J. Barnes, M. S. Dhanoa, S. J. Lister, Appl. Spectrosc., 43, 772–777 (1989).

16. G. A. Blackburn, J. G. Ferwerda, Remote Sens. Environ., 112, 1614–1632 (2008).

17. H. Cen, Y. He, Trends Food Sci. Technol., 18, 72–83 (2007).

18. H. Swierenga, A. P. De Weijer, R. J. Van Wijk, L. M. C. Buydens, Chemom. Intell. Lab. Syst., 49, 1–17 (1999).

19. J. A. K. Suykens, T. Van Gestel, J. De Brabanter, B. De Moor, J. Vandewalle, Least Squares Support Vector Machines, World Scientific Publishing Co., Pte, Ltd., Singapore (2002).

20. J. De Brabanter, K. Karsmakers, P. Ojeda, F. Alzate, C. De Brabanter, J. Pelckmans, ESAT-SISTA Technical Report, 10–146 (2011).

21. A. M. Mouazen, J. D. Baerdemaeker, H. Ramon, J. Near Infrared Spectrosc., 14, 189–199 (2006).

22. M. E. Lafargue, M. Feinberg, J. J. Daudin, D. N. Rutledge, J. Near Infrared Spectrosc., 11, 109–122 (2003).

Источник

Информация

Автор

Wang L. S. Институт интеллектуальных машин Китайской АН
Wang R. J. Институт интеллектуальных машин Китайской АН
Lu C. P. Институт интеллектуальных машин Китайской АН
Wang J. Институт интеллектуальных машин Китайской АН
Huang W. Институт интеллектуальных машин Китайской АН
Jian Q. Институт интеллектуальных машин Китайской АН
Wang Y. B. Институт интеллектуальных машин Китайской АН
Lin L. Z. Институт электроники
Song L. T. Институт интеллектуальных машин Китайской АН

Страницы

433-437

Год издания

2019

Ключевые слова

Коллекции

Журнал прикладной спектроскопии

Похожие публикации

Источник

Информация