博士毕业论文答辩PPT样板.ppt

2011-9-4多维校正方法及在植物激素与农药定量分析中的应用研究博士学位论文答辩博士学位论文答辩答答辩人人：李元娜：李元娜导师：吴海：吴海龙 教授教授本论文主要内容第二部分第二部分 三三维校正方法用于复校正方法用于复杂农业体系中体系中植物激素的定量分析植物激素的定量分析（第（第2-4章）章）第三部分第三部分 三三维校正方法用于复校正方法用于复杂环境体系中境体系中 除草除草剂的定量分析的定量分析（第（第5-6章）章）第四部分第四部分 非四非四线性的四性的四维数据解析方法研究数据解析方法研究（第（第7章）章）第一部分第一部分 绪论（第（第1章）章）第1章绪论1.1 化学计量学及其研究范畴化学计量学是一门化学与数学、统计学、计算 机 科 学 交 叉 而产生 的 化 学 学 科 分 支。它综合应用各个相关学科的理论与方法，进行和选择最优的测量过程和实验方案，通过对化学数据的分析最大限度地获取化学信息。试验设计与优化采样理论与方法计算机模拟与仿真信号处理多多维校正校正与分辨与分辨模式识别QSAR化学专家系统研究范畴 1.2 多多维数据分辨与校正数据分辨与校正 ScalarMatrix Array Vector Single sample dataVector (One-way)Matrix (Two-way)Array (Three-way)(Four-way)Array Sample data set数数据据类型型校正校正类型型一一维校正校正（零（零阶校正）校正）二二维校正校正（一（一阶校正）校正）三三维校正校正（二（二阶校正）校正）四四维校正校正（三（三阶校正）校正）三维校正方法直接求解方法GRAM、DTLD降维处理方法BLLS/RBL迭代方法 不适用于多样本中多于三个组分的分析体系具具有有 二二阶 优 势对组分分数数不不敏敏感感PARAFACATLD,SWATLD对组分分数数敏敏感感收收敛速速度度慢慢收收敛速速度度快快适用于多组分多样本的分析体系第2章 三维荧光光谱结合化学计量学方法用于 土壤样品中吲哚乙酸的定量分析2.1 引言 吲哚乙酸（IAA）是第一个被发现的植物激素，且影响着植物生长的全过程；IAA在植物中的含量很低，但它在低浓度时就具有高活性；IAA存在于植物的嫩芽、枝干和种子中，同时，土壤中的微生物通过生物合成也可产生植物激素；亟需建立简单、高灵敏度的新方法用于测定土壤样品中的吲哚乙酸图2.1 IAA在选定波长范围内的三维荧光图：（A）纯IAA样品、（B）土壤样品随着荧光仪的发展，高灵敏的荧光分析方法越来越受到关注；IAA具有较强的荧光强度，但是与土壤背景荧光光谱相重叠；阻碍了直接荧光分析法用于土壤样品中IAA的测定。幸运地，化学计量学迅速发展，产生了一系列具有“二阶优势”的二阶校正方法，如交替三线性分解（ATLD）、自 加权交 替 三线性 分 解（SWATLD）、平 行 因 子 分 析（PARAFAC）算法等。该方法运用“数学分离”增强或代替化学物理分离，在感兴趣组分与背景干扰物质的响应信号相互重叠的情况下，仍能实现感兴趣组分的直接快速定量分析。本章运用三维荧光光谱结合基于ATLD和SWATLD算法的二阶校正方法建立了一种简便、快速的土壤样品中吲哚乙酸的定量分析方法。2.2 理论部分图2.2 三维荧光数据阵的三线性成分模型(2.1)ATLD算法以切片矩阵进行运算，降低了计算所需内存，提高了运算效率，具有快速收敛的性质，并且该算法因采用基于切尾奇异值分解的Moore-Penrose广义逆计算和取对角元的操作使其对组分数不敏感，只要所选取的组分数大于或等于体系真实的组分数，ATLD算法均能获得满意的结果，简便了使用该算法的过程。SWATLD算法采用切片矩阵及其转置来补偿ATLD仅仅使用一个切片矩阵时的信息流失，且用权重的思路对变量进行加权，加重了有效信息所占的比重。它具有ATLD算法的优点，如对组分数不敏感和较快的收敛速度，一般迭代100次以内就可以收敛。同时，它具有了自己的优点，即对噪声不太敏感，因为它有求平均值计算步骤。2.3 实验部分1.试剂和溶液 吲哚乙酸购买自美国Sigma公司，其他试剂均是分析纯。配制了pH为9.0的磷酸缓冲溶液。把吲哚乙酸溶解于少量乙醇中，用超纯水稀释至100 mL棕色容量瓶的刻度线，获得浓度为105 g mL-1的吲哚乙酸储备液，并避光于4 的冰箱中储存，其稳定性可保持一个月。土壤采集晾干，磨成粉末无水乙醇提取离心，过滤储存冰箱备用土壤采集2.仪器和软件所有样本均在装有150-W氙灯的F-4500荧光分光光度计（Hitachi，日本）上进行荧光测定。所有检测均使用1 cm石英比色皿。荧光光谱扫描参数设置：激发波长范围为240至310 nm，间隔2 nm；发射波长范围为310至470 nm，间隔5 nm。扫描速度为1200 nm/min，激发光和发射光的狭缝宽度均为5 nm。所有程序在Matlab环境下编写，所有计算都是在Windows XP操作系统下运行。ATLD算法和SWATLD算法的程序为本实验室自编。3.实验方法验证集是为了验证所建立的模型是否适合该体系校正集是被分析物的标准品配制，是建立校正方程的依据预测集是加入一定量背景干扰，预测感兴趣组分的浓度校正集验证集预测集吲哚乙酸在浓度低至10-8 mol L-1，即1.75 ng mL-1时，仍具有活性，故采用ng mL-1作为浓度单位。吲哚乙酸的浓度在0-200 ng mL-1之间，8个具有不同浓度的样本作为校正集；8个具有不同浓度的样本T1-T8作为验证集，吲哚乙酸在pH0时，不产生荧光，其荧光强度随着pH值升高逐渐增强，在pH=6至pH=11时，达到了最高平台。在土壤实际样品中，土壤样品的酸度可能会影响吲哚乙酸的荧光强度，故在校正集和预测集中均加入1.0 mL pH=9的磷酸缓冲溶液。2.4 结果与讨论1.验证集表2.1 验证集解析获得的IAA浓度及回收率图2.3 采样两种算法解析验证集中IAA的椭圆置信区间检验图：ATLD（实线）和SWATLD（*线）；五角星（）表示理想点（0,1）。另外，预测残差均方根（RMSEP）为1.3 ng mL-1，相对预测残差（REP）为1.2%。结果表明对于人工合成的验证集样品，这两个算法均有很好的预测能力，且这两个算法的预测结果几乎一致。对于理想的三线性数据，不同算法给出相同的结果，说明二阶校正方法具有较好的稳定性。2.土壤样品测定表2.2 运用二阶校正方法对土壤样品进行分析获得的IAA回收率图2.4用组分数为2或3时，ATLD算法解析土壤样品得到IAA的分辨光谱图图2.5 组分数为2或3时，SWATLD算法解析土壤样品得到IAA的分辨光谱图 从图中可以看出，两种算法在组分数选取2或者3时所分辨获得的吲哚乙酸的激发或发射光谱图与其真实的激发或发射光谱是非常吻合。该结果表明本方法所得结果是准确和可靠的，该两种算法都具有“二阶优势”，能够在土壤样品中干扰存在下，实现了吲哚乙酸的定量分析。另外，通过实际实验数据证明，该两种算法对组分数不敏感。3.品质因子灵敏度为单位浓度的纯分析信号，选择性是指灵敏度与总信号的比值。检测下限和定量下限的计算公式如下：LOD=3.3s(0)LOQ=10s(0)表2.3 ALTD和SWATLD算法用于土壤样品中IAA检测的品质因子2.5 小结本章提出了一种高灵敏的定量分析方法用于本章提出了一种高灵敏的定量分析方法用于测定土壤定土壤样品中品中吲哚乙酸的含量；乙酸的含量；验证集表明，理想的三集表明，理想的三线性数据，不同算法性数据，不同算法给出相出相同的同的结果，果，说明二明二阶校正方法具有校正方法具有较好的好的稳定性；定性；从从实际应用的角度用的角度证明，明，ATLD和和SWATLD算法具算法具有有对组分数不敏感的性分数不敏感的性质。第3章 基于氧化衍生反应的三维荧光光谱结合二阶校正用于植物提取液样中脱落酸和赤霉素的测定3.1 引言植物激素可分为四大类别，分别是茁长素、赤霉素、细胞分裂素及生长抑制剂 赤霉素（GA）是植物自身产生的生长促进剂 脱落酸（ABA）是最主要的植物生长抑制剂 植物激素的主要来源是顶端分生组织和树叶 3.2 实验部分1.试剂和溶液 赤霉素（GA）和脱落酸（ABA）购于Sigma公司（美国），分别溶解于少量乙醇中，用超纯水稀释获得储备液，并避光于4 下储存，其稳定性可保持一个月。2.氧化衍生过程赤霉素储备液缓慢加入浓H2SO4水浴加热35 min迅速冷却至室温30 min后，用35%的硫酸溶液定容3.植物样品和萃取过程银杏叶和芽采集存于-20冰箱冷冻过的80%甲醇离心，过滤储存冰箱备用4.分析方法银杏树叶提取液中GA和ABA的同时定量测定 在GA共存下的银杏芽提取液中ABA的定量分析 5.化学计量学方法平行因子分析（PARAFAC）算法的解是基于最小二乘原理的，具有较好的统计特性，在选择正确的组分数情况下可以解析出比较平滑的光谱。该算法在分析化学领域已得到广泛应用。交替归一加权残差（ANWE）算法是我们实验室新近提出的一种算法，它具有“二阶优势”，并且与PARAFAC算法一样可以处理多个标准样品。作者运用模拟数据和一定量的简单实验数据对ANWE算法进行了测试，结果与PARAFAC算法相近。3.3 结果与讨论1.光谱特征与稳定性图3.1 样品在选定波长范围内的三维荧光光谱图：（a）ABA标准溶液、（b）GA标准溶液。2.分析方法分析方法银杏树叶提取液中GA和ABA的同时定量测定 表3.1 银杏叶提取液样品(P1-P5)中ABA和GA进行分析得到的预测结果（N=3）图3.2 组分数N=3时，采用PARAFAC算法解析银杏叶提取液样品得到的分辨光谱曲线及归一化的真实光谱曲线：（a）激发光谱、（b）发射光谱。其中实线、长虚线和短虚线分别表示分解得到的ABA的光谱曲线、GA的光谱曲线和银杏叶提取液基质干扰的光谱曲线，点线代表真实的ABA和GA光谱曲线。图3.3 组分数N=3时，采用ANWE算法解析银杏叶提取液样品得到的分辨光谱曲线及归一化的真实光谱曲线：（a）激发光谱、（b）发射光谱。其中实线、长虚线和短虚线分别表示分解得到的ABA的光谱曲线、GA的光谱曲线和银杏叶提取液基质干扰的光谱曲线，点线代表真实的ABA和GA光谱曲线。在GA共存下的银杏芽提取液中ABA的定量分析 表3.2 银杏芽提取液样品(P1-P5)中ABA进行分析得到的预测结果（N=3）灵敏度为单位浓度的纯分析信号，选择性是指灵敏度与总信号的比值。检测限、检测量的计算采用以下公式：3.品品质因子因子表3.3 PARAFAC和ANWE算法用于银杏叶提取液样品中ABAL和GA检测和银杏芽提取液中ABAB检测结果的品质因子选择PARAFAC和ANWE两种不同的算法或者解析银杏叶和芽提取液等不同的复杂基体中的感兴趣组分，分辨得到的脱落酸激发发射光谱均与其相应的真实激发发射光谱图相同。二阶校正方法不仅可以测定植物提取液中赤霉素和脱落酸的浓度，还可以从不同的复杂体系中提取两种植物激素的光谱信息。图3.8 植物提取液中ABA的椭圆置信区间(EJCR)检验分析图：实线和点线的椭圆分别代表PARAFAC和ANWE算法解析银杏叶提取液样品获得的椭圆，虚线和点划线的椭圆分别代表PARAFAC和ANWE算法解析银杏芽提取液样品获得的椭圆，其中星号(*)表示理想点(0,1)。3.4 小结二二阶校正方法与激校正方法与激发-发射矩射矩阵荧光光测定相定相结合，建合，建立了用于植物提取液中赤霉素和脱落酸含量的同立了用于植物提取液中赤霉素和脱落酸含量的同时测定的有效方法定的有效方法 二二阶校正方法可以从校正方法可以从银杏叶和芽提取液等不同杏叶和芽提取液等不同的复的复杂基体中提取两种植物激素的光基体中提取两种植物激素的光谱信息。信息。从植物提取液复从植物提取液复杂体系研究表明，本体系研究表明，本实验室最近室最近提出的交替提出的交替归一加一加权残差（残差（ANWE）算法性能稍）算法性能稍优于或者至少是接近被广泛接受的于或者至少是接近被广泛接受的PARAFAC算法。算法。第4章 HPLC-DAD结合自加权交替三线性分解算法测定植物提取液和土壤中的三种植物生长调节剂4.1 前言三种植物生长调节剂激动素（KT）、6-苄氨基嘌呤（6-BAP）和秋水仙素（COL），在果蔬保鲜、植物育种和农作物生长方面发挥了一定的作用。由于它们本身具有一定的毒性，在使用过程中可能造成过量，累积在土壤中，对下茬农作物的生长造成影响。因此，有必要在植物提取液和土壤中检测这三种植物生长调节剂。4.2 理论部分图4.1 HPLC-DAD数据数据阵的三的三线性成分模型性成分模型SWATLD算法算法4.3 实验部分1.试剂和溶液和溶液 激动素（KT）、6-苄氨基嘌呤（6-BAP）和秋水仙素（COL）的标准品均购自中国药物公司。适量的三种植物生长调节剂标准品，用甲醇溶解然后移入棕色容量瓶中，用超纯水定容，获得储备液，并存放在4 的冰箱中备用。2.样品采集和制品采集和制备黄豆黄豆豆芽土壤磨碎甲醇超声旋转蒸发黄豆0.45m过滤3.仪器和色器和色谱条件条件高效液相色谱仪（Shimadzu LC-20AT）柱温：30检测波长范围:200 nm-300 nmShimpack VP-ODS C18色谱柱流动相为甲醇/pH=3醋酸水溶液（75/25，V/V）流速：1.0 ml min-14.分析分析过程程校正校正样品的配制品的配制表4.1 校正样品中KT、6-BAP和COL的浓度预测样品集的配制品集的配制4.4 结果与讨论1.高效液相色谱分析图4.2 样本在波长为260 nm处的色谱图：校正样本C9、黄豆芽样本Y3、黄豆样本Z2和土壤样本S3。2.定量分析黄豆芽与黄豆提取液、土壤样品中的 三种植物生长调节剂图4.3 当组分数为5时，采用SWATLD算法解析得到的归一化谱图及三种植物生长调节剂的真实谱图：（a）色谱图；（b）光谱谱；其中实线代表KT，双点划线表示COL，点划线表示6-BAP，（c）相对浓度图，实点表示KT，五角星表示COL，叉号表示6-BAP。表4.2 用SWATLD算法对多种基质预测样（Y为黄豆芽样，Z为黄豆样，S为土壤样）进行分析，预测得到的KT、6-BAP和COL的浓度和回收率3.品质因子表4.3 采用SWATLD算法对多种不同基质预测样（Y为黄豆芽样，Z为黄豆样，S为土壤样）中的KT、6-BAP和COL的进行定量分析的品质因子图4.4 采用SWATLD算法分析黄豆芽、黄豆提取液和土壤样本中三种植物生长调节剂的椭圆置信区间检验（EJCR）分析图：a是激动素、b是秋水仙素、c是6-苄氨基嘌呤。4.5 小结HPLC-DAD与基于与基于SWATLD算法的二算法的二阶校正方法相校正方法相结合，在被分析物与背景或干合，在被分析物与背景或干扰严重重叠的情况下，重重叠的情况下，成功地同成功地同时检测了豆芽与豆子提取液、土壤了豆芽与豆子提取液、土壤样品中的品中的激激动素、素、6-苄氨基氨基嘌呤和秋水仙素的含量。呤和秋水仙素的含量。该方法不必使用梯度洗脱，大大的降低了方法不必使用梯度洗脱，大大的降低了实验时间和和实验操作的复操作的复杂程度。在同一个程度。在同一个较简单的色的色谱流流动相和快速出峰的条件下，同相和快速出峰的条件下，同时定量分析了三种不同背定量分析了三种不同背景基景基质中的三种植物生中的三种植物生长调节剂，这充分体充分体现了二了二阶校正方法的校正方法的“二二阶优势”，并，并进一步丰富了其内涵。一步丰富了其内涵。第5章 二阶校正优势的保持：激发发射矩阵荧光光谱结合二阶校正方法定量分析多种环境样品中敌草胺含量 5.1 前言二阶优势在一种基质样品中同时测定多种感兴趣组分 用于多种不同基质样品中感兴趣组分的同时定量分析 通过总模型策略证明了PARAFAC模型应用于不同天、不同实验人员测定光数据解析时，获得了准确的预测结果。以校正集的大小、干扰物的数目与重叠程度和噪声的类型与强弱建立函数，考察了二阶校正方法的预测能力，并且给出了其使用方针。敌草胺，是一种高效广谱的选择性芽前除草剂 它具有一定的毒性，且半衰期（大约70天）比较长，土壤中敌草胺的残留可能影响下一轮农作物的生长。敌草胺在土壤中中度的吸附和解吸附作用使得它容易随雨水流动，因此会造成在污水、河水和河水淤泥中累积。需要建立高灵敏的分析方法用来检测不同基质环境，如土壤、污水、河水和河流淤泥样品中敌草胺的含量。5.2 理论部分三线性成分模型交替惩罚三线性分解（APTLD）算法 APTLD算法兼具ATLD与PARAFAC算法的优点，它在以PARAFAC算法的目标函数为原型的基础上引入了惩罚函数，将目标最小化过程转化为约束问题，再采用较大的惩罚因子将约束问题转化为无约束问题进行解析三维数据阵。品质因子5.3 实验部分1.试剂和溶液2.仪器和软件 3.环境样品的采集和制备 敌草胺（NAP）标准品购自Dr.Ehrenstorfer公司（德国），精确称量适量的敌草胺标准品，用乙腈溶解配制敌草胺储备液，取适量敌草胺储备液用超纯水稀释配制成所需浓度的工作液。配制了pH为2.2的0.1 mol L-1柠檬酸钠-盐酸缓冲溶液。4.分析方法配制了9个校正样本作为第一个校正集，同时配制了6个土壤样本和4个淤泥样本作为预测集。第二天，重新配制了8个校正样本（分析浓度与第一个校正集几乎相同）作为第二个校正集，另外，分别取适量的污水和河水样品与不同量的敌草胺标准溶液混合，配制了6个污水样本和6个河水样。所有的荧光光谱信号的测定都是在F-4500荧光分光光度计（Hitachi，日本），激发波长为250-310 nm，间隔2 nm；发射波长为320-396 nm，间隔2 nm的范围内扫描。5.4 结果与讨论1.单基质模型 土壤样品：6个土壤样品与第一个校正集样品相结合，形成了大小为393115的三维数据阵，并用APTLD算法对其进行分解。河流淤泥样品：为了分析河流淤泥样品，得到了大小为393113的三维数据阵。污水样品：6个污水样品与第二个校正集中8个校正样品相结合，形成了大小为393114的三维数据阵，并用APTLD算法对其进行处理。河水样品：为了定量分析河水样品中敌草胺的含量，得到了一个大小为393114的三维数据阵。表 5.1 基于APTLD算法的单基质模型用于土壤(S)样品、淤泥(D)样品、污水(W)样品和河水(R)样品中敌草胺(NAP)测定的预测结果图5.1 采用基于APTLD算法的单基质模型解析土壤、淤泥、污水和河水样品得到的分辨光谱曲线及归一化的真实光谱曲线：（a）激发光谱、（b）发射光谱。其中实线、长虚线、短虚线、双点划线和单点划线分别表示分解得到的NAP的光谱曲线、土壤、淤泥、污水和河水样品基质干扰的光谱曲线，点线代表真实的NAP光谱曲线。5.4.2 同天多基质模型土壤和淤泥样品：我们尝试着将含有9个校正样品的第一个校正集样品与6个土壤样品和4个淤泥样品相结合，形成了一个大小为393119的三维数据阵，并用APTLD算法对其进行分解。污水和河水样品：在第二天配制并测量了含有8个校正样品的第二个校正集、6个污水样品和6个河水样品。形成了一个大小为393120的三维数据阵，并用APTLD算法对其进行分解。表5.2 基于APTLD算法的同天多基质模型用于土壤样品（S）、淤泥样品（D）、污水样品（W）和河水样品（R）中敌草胺（NAP）检测的预测结果5.4.3 总（不同天多基质）模型把两个校正集和四个不同基质的环境样品集结合起来，我们获得了一个总模型，该模型包含了不同天数据间的差异和不同基质样品的变异，并建立了一个大小为393139的三维数据阵。由于四个不同基质的环境样品比较复杂，为了保证所用方法的预测能力，用核一致诊断（CORCONDIA）法估计该体系中的组分数。表明在该体系中合适的组分数是2。虽然不同基质的环境样品的成分互不相同，但是所提取的物质可能会相似，且具有高度相似的荧光性质，所用方法不能将它们分辨为不同的组分。因此2个组分分别表示敌草胺和环境样品中的干扰物。图5.5 采用基于APTLD算法的总模型解析不同基质环境样品得到的分辨光谱曲线及归一化的真实光谱曲线：（a）激发光谱、（b）发射光谱。其中实线、中虚线、分别表示分解得到的敌草胺的光谱曲线和环境样品基质干扰的光谱曲线，点线代表真实的敌草胺光谱曲线。5.3 基于APTLD算法的总(不同天多基质)模型用于土壤（S）样品、淤泥样品（D）、污水样品（W）和河水样品（R）中敌草胺（NAP）测定的预测结果图5.6 基于APTLD算法的三种模型在环境样品分析中预测结果的EJCR检验图：（a）土壤样、（b）淤泥样、（c）污水样 和（d）河水样。长虚线、点线和实线的椭圆分别代表单基质模型、同天多基质模型和总模型所对应的椭圆，其中星号（*）表示理想点（0,1）。基于APTLD算法的三种类型模型能够准确定量测定土壤、淤泥、污水和河水等环境样品中敌草胺的含量，并且单基质模型和同天多基质模型的预测能力优于总模型。这个结果可以归于两个原因：一方面是在总模型中，不同天的数据同时处理，仪器性能在不同天存在差异；另一方面，校正集大小与预测集大小的比例影响其预测能力，对于同一个校正集，预测集样品数目越多，预测误差将会越大。5.5 小结发展了一种快速、展了一种快速、简单和高灵敏的分析方法直接和高灵敏的分析方法直接测定土壤、淤泥、定土壤、淤泥、污水和河水等水和河水等环境境样品中品中敌草胺草胺的含量。的含量。研究了基于研究了基于APTLD算法的二算法的二阶校正方法中校正方法中单基基质模型、同天多基模型、同天多基质模型和模型和总(不同天多基不同天多基质)模模型型对其其预测能力的影响，能力的影响，这证明了二明了二阶校正方法校正方法用于同用于同时定量分析多个基定量分析多个基质环境境样品中的感品中的感兴趣趣组分分时，保持了其，保持了其“二二阶优势”，并，并进一步丰富一步丰富了了“二二阶优势”的内涵。的内涵。第第6章章 HPLC-DAD结合基于合基于APTLD算法的二算法的二阶校正方法定量分析校正方法定量分析环境境样中的三中的三嗪类除草除草剂6.1 前言三嗪类除草剂，如莠去津（ATR）、莠灭净（AME）和扑草净(PRO)，常用于玉米、小麦和水稻等农田中芽前和芽后杂草控制。有研究表明只有0.1%的除草剂作用于目标杂草,而大部分残留于环境中。莠去津是一种致癌物质。6.2 实验部分6.2.1 试剂和化学品莠去津（ATR）、莠灭净（AME）和扑草净（PRO）均购自中国药物公司，标准储备液分别用甲醇配制，存于4 的冰箱中，工作液用超纯水稀释。6.2.2 仪器和色谱条件采用等度洗脱，流动相组成为甲醇（85，V/V）和水（15，V/V），样品进样前均使用0.45 m纤维素微孔滤膜过滤以除去微小的颗粒。6.2.3 样品采集和制备萃取剂为甲醇：乙腈=1：1（V/V）6.2.4 分析过程校正集和验证集 构建12个校正样（C1-C12）和7个验证样（T1-T7）同时测定环境样中的莠去津、莠灭净和扑草净 1.土壤样 构建6个土壤样品（S1-S6）2.淤泥样 定量分析7个淤泥样（D1-D7）3.污水样 构建5个污水样（W1-W5）6.2.5 化学计量学分析二阶校正三线性成分模型 交替惩罚三线性分解（APTLD）算法 6.3 结果与讨论6.3.1 高效液相色谱分析图6.1 样品在波长为220 nm处的色谱图：校正样品C10、土壤样品S4、河流淤泥样品D6、污水样品W3和前一天的校正样品C9e。6.3.2 分析过程校正集和验证集 表6.1 校正集样品和测试集样品中莠去津（ATR）、莠灭净（AME）和扑草净（PRO）的浓度同时测定环境样中的莠去津、莠灭净和扑草净 1.土壤样表6.2 基于APTLD算法的土壤样品（S1-S6）中莠去津（ATR）、莠灭净（AME）和扑草净（PRO）检测的预测结果2.淤泥样表6.3 基于APTLD算法的河流淤泥样品（D1-D7）中莠去津（ATR）、莠灭净（AME）和扑草净（PRO）检测的预测结果黑色点线代表分析物的真实谱图绿色线代表莠去津深蓝线代表莠灭净红色线代表扑草净浅蓝线为淤泥干扰1紫色线为淤泥干扰2图6.2 采用APTLD算法解析河流淤泥样品得到的归一化谱图及三种除草剂的真实谱图：(a)色谱图、(b)ATR和AME的光谱图、(c)PRO的光谱图。其中实线、点划线和双点划线分别代表ATR、AME和PRO的谱图，点线表示三种除草剂的真实谱图，长虚线和短线分别表示河流淤泥样品中的干扰。3.污水样表6.4 基于APTLD算法的污水样品（W1-W5）中莠去津（ATR）、莠灭净（AME）和扑草净（PRO）检测的预测结果黑色点线代表分析物的真实谱图绿色线代表莠去津深蓝线代表莠灭净红色线代表扑草净浅蓝线为淤泥干扰1紫色线为淤泥干扰2图6.6 采用APTLD算法解析污水样品得到的归一化谱图及三种除草剂的真实谱图：(a)色谱图、(b)ATR和AME的光谱图、(c)PRO的光谱图。其中实线、点划线和双点划线分别代表ATR、AME和PRO的谱图，点线表示三种除草剂的真实谱图，长虚线和短线分别表示污水样品中的干扰。6.3.3 品质因子表 6.5 采用APTLD算法用于土壤样品（S）、淤泥样品（D）、污水样品（W）中莠去津（ATR）、莠灭净（AME）和扑草净（PRO）同时检测的品质因子定量定量分析分析色色谱条件条件通用性通用性实用性用性实现了土壤、淤泥和污水样品中莠去津、莠灭净和扑草净的同时定量分析该种简单、灵敏的方法可以推广为复杂环境样品中多种有害物质的同时定量分析该方法不需要梯度洗脱,且流出时间比较短,降低实验时间,简化实验过程,节约实验试剂 通过对污水-土壤-淤泥整体系统的了解，为环境的改善和管理提供了可靠的科学依据6.4 小结7.1 前言第7章 非四线性的四维数据解析方法二维色谱与多通道检测器联用技术的迅速发展，运用激发发射矩阵荧光光谱解析药物代谢、化学反应以及物质浓度随pH值变化等一些动态过程，产生了大量的四维数据。发展了一系列四维数据阵的分解算法，如4-PLS、四线性平行因子分析（4-PARAFAC）算法及四线性最小二乘（DLLS），交替惩罚四线性分解（APQLD）算法和交替加权残差约束四线性分解（AWPCQLD）算法。Trends in Analytical Chemistry发表了一篇综述，指出多线性偏离的原因可以归为三类：（1）分析物的浓度与其信号之间是非线性关系；（2）某一个样本的信号是非多线性；（3）在不同的在不同的样本之本之间组分的分的轮廓不一致。廓不一致。二维色谱联用仪器用于复杂样品分析时，由于分离周期往往较长，样品组成成分复杂，同时样品注射时间的不易控制、压强和温度的波动，极易发生时间漂移现象,时间漂移的存在而偏离线性；动力学数据的一维为pH或者是反应时间，由于pH值的不可重复性或者反应过程中温度、时间的变化造成样本间的该维轮廓变动。7.2 理论部分三维数据解析中，为了解决色谱保留时间的漂移问题，有一种思路是将三维数据阵铺展为二维数据，消除了漂移问题，这样 失去了“二阶优势”，需要一些约束条件，才能保证分解的唯一性。在四维数据中，当一维出现非线性时，同样可以展开为三维数据。但这样却能够保留三线性分解的唯一性和“二阶优势”。7.2.1 设计思路7.2.3 非四线性四维数据的分解的理论推导四线性成分模型的一个切片矩阵表达为：沿着L方向排开 相应的公式表达为公式可以总结为：可以以下面的数据形式表示：当数据具有四线性结构时，等于新的B；当数据结构不满足四线性时，则第二个数据形式具有更好的通用性，可以把矩阵D、B沿着其中一个方向展开，作为一个新的方向，这就是三线性成分模型中切片矩阵的表达形式。7.2.4 非四线性四维数据分解方法3.从展开的扩展矩阵中，通过对单个样本进行逐列归一化，提取出浓度矩阵D，对其进行回归分析，从而实现定量分析。1.将四维数据，沿着非线性的一维方向展开，形成一个展开的三维数据阵；2.对三维数据阵，进行组分数估计，选择合适的三线性三维数据算法进行分解,获得A、B、C三个矩阵；7.2.5 四线性平行因子分析（4-PARAFAC）算法求解四线性模型提供了一种有效途径，具有较好的统计特性，但它收敛速度慢、对组分数敏感，当模型偏离严格的四线性结构时，结果出现较大偏差。7.3 模拟数据和实验数据7.3.1 模拟的LC-LC-DAD数据模拟带有二极管阵列检测器（DAD）的二维液相色谱仪（LCLC）对包含4种组分的10个样本进行检测；在第二维色谱中，以第一个样本为基准，由randi命令随机产生的整数，使样本之间存在色谱保留时间的漂移；得到一个维数为53304010（保留时间1保留时间2波长数样本数）的模拟四维响应数据阵。7.3.2 模拟Excitation-Emission-Kinetic数据一个维数为60584010（发射光谱1激发光谱2时间点样本数）的模拟四维响应数据阵。7.3.3 实验数据1.试剂和溶液 西维因（carbaryl）购自中国长沙某一药品公司，NaH2PO4、H3PO4和Na2HPO4配制而成 pH=9.3的磷酸盐缓冲溶液。2.样品处理 农用污水过滤灭菌3.实验过程 配制了含有6个样本的校正集，验证集包括三个样本预测集包括4个样品，由5 mL的污水、不同量的西维因和2 mL的缓冲液配制而成。当碱性缓冲液与西维因混合时，水解反应就会开始，扫描时刻为2分钟，9分钟，16分钟，51分钟，58分钟，65分钟。所有的13个样品最终会产生一个大小为22191013（发射波长激发波长时间样品）的四维数据阵。7.4 结果与讨论7.4.1 LC-LC-DAD模拟数据111I1J1KX1X2XXL图7.2 四维数据沿着J方向展开为扩展的三维数据阵的示意图。图7.3 用新方法对模拟的LCLC-DAD数据进行解析得到的分辨图：图a是单个样本的第一维色谱图，b是一系列样本的第二维色谱，c是单个样本的光谱图，d是样本的相对浓度图。其中实线是分辨得到的，虚线是模拟的真实图。图d中，实线和*是分辨的相对浓度，虚线和O表示模拟的真实浓度。图7.4 模拟的LCLC-DAD数据中单个样本的第二维色谱图：样本4（S4）、样本6（S6）、样本8（S8）和样本10（S10）。图7.5 用新方法对模拟的LCLC-DAD数据进行解析得到的分辨图：a是单个样本的第一维色谱图，b是预测集样本的第二维色谱，c是单个样本的光谱图，d是样本的相对浓度图。其中实线是分辨得到的，虚线是模拟的真实图。图d中，实线和*是分辨的相对浓度，虚线和O表示模拟的真实浓度。尝试着运用4-PARAFAC算法在选取正确组数时，对该模拟的LCLC-DAD四维数据阵进行解析，但它不能正确分辨，分辨结果与实际真实谱图不符合，特别是第二维色谱，杂乱无章、出现负值。7.4.2 Excitation Emission-Kinetic 模拟数据在该组模拟的激发-发射-动力学过程四维数据中，在时间维，即K方向存在非线性，所以每个浓度样本所对应的激发-发射-时间三维阵，应该沿着时间方向，即K方向展开，形成一个扩展的三维数据阵。运用合适的三线性算法对其进行解析。图7.6 用新方法对模拟的EX-EM-Time数据进行解析得到的分辨图：a是激发光谱图，b是发射光谱图，c是预测集中样本的时间变化图，d是样本的相对浓度图。其中实线是分辨得到的，虚线是模拟的真实图。图d中，实线和*是分辨的相对浓度，虚线和O表示模拟的真实浓度。图7.7 用4-PARAFAC算法对模拟的EX-EM-Time数据进行解析得到的分辨图：a是激发光谱图，b是发射光谱图，c是时间变化图，d是样本的相对浓度图。其中实线是分辨得到的，虚线是模拟的真实图。图d中，实线和*是分辨的相对浓度，虚线和O表示模拟的真实浓度。7.4.3 实验数据表7.1 校正样和验证样中西维因浓度及验证集的预测浓度及回收率图7.8 用新方法对实验数据进行解析得到的分辨图：a是激发光谱，b是发射光谱，c是西维因在不同样本中的时间变化图，实线是分辨得到的西维因光谱，点线是真实的西维因光谱，虚线是干扰组分的谱图，d是样本的相对浓度，实线和是分辨的西维因相对浓度变化图，虚线表示干扰物质的浓度变化图。图7.10 用4-PARAFAC算法对实验数据进行解析得到的分辨图：a是激发光谱，b是发射光谱，c是西维因的时间变化图，其中实线是分辨得到的西维因谱图，点线是真实的西维因光谱图，虚线是干扰组分的谱图,d是样本的相对浓度图，实线和是分辨的西维因相对浓度变化图，虚线表示干扰物质的浓度变化图。表7.2 预测样中西维因的浓度及其预测浓度NQFWD方法与用三线性算法单独解析具有三线性结构的单样本相比，一方面考虑到了多样本的信息总量，所获得的结果具有统计特性。另一方面，单样本解析具有组分排列不确定性，在后面的校正分析中，造成计算效率降低。7.5小结针对四四维数据不具有四数据不具有四线性性结构的构的现象，提出了一种象，提出了一种解决方法解决方法非四非四线性四性四维数据分解（数据分解（NQFWD）方法）方法该方法在方法在处理非四理非四线性的四性的四维数据中，数据中，发挥了巨大的了巨大的优势，保持了二，保持了二阶优势，是一种具有特殊性能的方法，在，是一种具有特殊性能的方法，在数据存在色数据存在色谱漂移或者漂移或者时间控制偏移控制偏移时，方法，方法给出了出了满意的意的结果。果。NQFWD方法与用三方法与用三线性算法性算法单独解析具有三独解析具有三线性性结构构的的单样本相比，既能兼本相比，既能兼顾各各样本中共有信息，又能反映本中共有信息，又能反映样本本间的差的差别，同，同时保保证解析解析过程的快速高效。程的快速高效。通过激发-发射矩阵荧光与二阶校正方法相结合，运用高灵敏的荧光分析方法用于直接快速测定复杂土壤样品中植物激素吲哚乙酸的含量。结 论运用基于氧化衍生反应的激发发射荧光光谱测定了银杏叶和银杏芽提取液样，利用二阶校正方法处理光谱重叠和背景干扰的问题，同时定量分析了其赤霉素和脱落酸含量。通过高效液相色谱-二极管阵列检测与二阶校正方法相结合，在较简单的流动相、等梯度的色谱条件下快速的测定了土壤、河泥和污水样品中莠去津、莠灭净和扑草净的含量以及黄豆芽、黄豆提取液和土壤样品中三种植物生长调节剂激动素、6-苄氨基嘌呤和秋水仙素的含量。从实际应用的角度，以不同基质的环境样如土壤、淤泥、河水和污水中除草剂敌草胺含量的检测为实例，通过建立不同实际测量模型及方式，如单基质模型（一个校正集和含有一个基质的样品集）、同天测定的多基质模型（同天测定的一个校正集结合多个不同基质的样品集）、不同天的多基质模型（不同天测定的两个校正集结合多个不同基质的样品集）等，考察了二阶校正方法在建立的不同模型间的预测能力，进一步丰富了二阶校正方法的“二阶优势”的内涵。针对非四线性的四维数据，开发一种新的方法用于该类型数据解析。该方法思路是将非四线性的四维数据，沿着非线性的一维展开，形成一个扩展的三维数据阵，然后选择合适的三线性分解算法进行分解。对扩展的一维，按照每单个样本进行逐列归一化，得到样本的相对浓度，实现对非四线性的四维数据进行解析。感谢导师吴海龙教授的谆谆教诲！感谢俞汝勤教授和沈国励教授、蒋健晖教授、张晓兵教授、吴朝阳教授、楚霞教授、陈增萍教授、宦双燕副教授的悉心指导！感谢实验室师兄师姐师弟师妹们的讨论帮助感谢父母双亲的恩养抚育感谢论文的评审专家和答辩委员会主席以及各 位评委！致 谢Thanks for your attention！