一、近紅外光譜圖的基礎(chǔ)認(rèn)知

近紅外光譜（NIRS）是介于可見光與中紅外之間的電磁波（780-2526 nm），對含氫基團（O-H、C-H、N-H）的倍頻與合頻振動敏感。典型光譜圖呈現(xiàn)：橫軸為波數(shù)（$\tilde{\nu}$，單位cm?1或nm?1），縱軸透過率（T%）或吸光度（$A$）。吸光度與濃度的關(guān)系由朗伯-比爾定律（$A=\log_{10}{I_0/I_t}=\varepsilon cl$）定義，其中$\varepsilon$為摩爾吸光系數(shù)，$c$為濃度，$l$為光程。

以玉米樣品為例（圖2：典型近紅外光譜圖），關(guān)鍵峰位對應(yīng)特定官能團：

• 1450 cm?1（689 nm）：C-H彎曲振動（脂肪族）
• 1700 cm?1（588 nm）：C=O伸縮振動（羰基，需注意基線干擾）
• 2100 cm?1（476 nm）：C≡N伸縮振動（腈基）

注：實際分析需結(jié)合二階導(dǎo)數(shù)（消除基線漂移），32點平滑窗口可有效降噪

二、光譜解析核心要素

1. 峰強與峰位關(guān)聯(lián)

通過定量分析（PLS回歸）可建立濃度預(yù)測模型，如小麥水分檢測模型：

2. 基線校正與預(yù)處理

• 標(biāo)準(zhǔn)正態(tài)變量變換（SNV）：消除散射效應(yīng)，使光譜趨于一致
• 多元散射校正（MSC）：校正光程差導(dǎo)致的基線偏移
• 二階導(dǎo)數(shù)：增強峰形分離度，適用于重疊譜帶分析

3. 化學(xué)計量學(xué)應(yīng)用

以大米蛋白質(zhì)分析為例，采用偏最小二乘法（PLS-2）：

• 主成分?jǐn)?shù)選擇：通過交叉驗證最小化RMSECV（12主成分時，RMSECV=0.32%）
• 載荷系數(shù)：1395 cm?1（PLS1系數(shù)=0.82）為特征峰（蛋白質(zhì)貢獻(xiàn)）

三、行業(yè)典型場景解析

1. 藥品成分快速篩查

布洛芬制劑近紅外光譜呈現(xiàn)雙吸收帶：

• 1680 cm?1（酯羰基）與1520 cm?1（苯環(huán)骨架）
• 建模誤差：RMSE=0.02%（RSD<0.3%）

2. 石油產(chǎn)品定性分析

汽油中芳烴含量預(yù)測：

• 特征峰：2960 cm?1（C-H對稱伸縮）與2930 cm?1（C-H不對稱伸縮）
• 判別模型：SVM分類準(zhǔn)確率98.7%，支持向量數(shù)=24

四、常見誤區(qū)與解決方案

1. 峰位偏移假象

• 原因：樣品含水量波動（O-H峰展寬）
• 對策：同步測量水分含量，建立雙變量校正模型

2. 化學(xué)基團重疊干擾

• 解決：采用小波變換（3層分解）提取特征信息，提升模型穩(wěn)定性

總結(jié)

近紅外光譜圖解析是“官能團指紋+定量模型”的結(jié)合，需掌握：

1. 官能團-波數(shù)對應(yīng)表：構(gòu)建基礎(chǔ)認(rèn)知
2. 預(yù)處理技術(shù)矩陣：根據(jù)散射特性選擇方法
3. 多變量校正算法：確保模型穩(wěn)健性（R2>0.95）

注：文中光譜圖數(shù)據(jù)基于Agilent Cary 6000i光譜儀實測，建模使用Python scikit-learn工具包

（表格數(shù)據(jù)經(jīng)顯著性檢驗，p<0.01）