李衛(wèi)華，徐 玲，楊 英，嚴(yán)國(guó)兵，趙 慶，帥 磊

?

基于siPLS的強(qiáng)化生物除磷污泥胞內(nèi)糖原近紅外分析

李衛(wèi)華1,2，徐 玲1,2，楊 英1,2，嚴(yán)國(guó)兵1,2，趙 慶1，帥 磊1

（1.安徽建筑大學(xué) 環(huán)境與能源工程學(xué)院，安徽 合肥 230601；2.安徽建筑大學(xué) 水污染控制與廢水資源化安徽省重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230601）

為了快速、準(zhǔn)確地測(cè)定強(qiáng)化生物除磷（EBPR）過程中污泥胞內(nèi)糖原的含量，采用4種預(yù)處理方法分別對(duì)污泥近紅外光譜進(jìn)行預(yù)處理，并結(jié)合聯(lián)合區(qū)間偏最小二乘（siPLS）進(jìn)行變量?jī)?yōu)選，建立光譜吸光度數(shù)據(jù)與糖原含量的定量分析模型。結(jié)果表明，將一階S-G（Savitzky-Golay）平滑處理后的光譜等分為20個(gè)子區(qū)間，聯(lián)合子區(qū)間[10 13 16 19]建立的siPLS模型預(yù)測(cè)效果最優(yōu)，預(yù)測(cè)集的均方根誤差（RMSEP）和相關(guān)系數(shù)（p）分別達(dá)到0.0048、0.9105，且該模型的交互驗(yàn)證和外部驗(yàn)證相對(duì)分析誤差（RPD）均大于3.0。一階平滑處理后的光譜siPLS模型預(yù)測(cè)精度高、建模變量少，可實(shí)現(xiàn)糖原含量的快速測(cè)定。

強(qiáng)化生物除磷；糖原；近紅外光譜；Savitzky-Golay平滑法；聯(lián)合區(qū)間偏最小二乘

0 引言

強(qiáng)化生物除磷（enhanced biological phosphorus removal，EBPR）是污水生物處理的重要環(huán)節(jié)，糖原（glycogen）作為強(qiáng)化生物除磷過程中污泥胞內(nèi)主要的聚合物，在聚磷菌代謝過程中被不斷地循環(huán)利用和儲(chǔ)存[1-4]。糖原含量的測(cè)定通常采用蒽酮比色法，該操作過程復(fù)雜、耗時(shí)長(zhǎng)、偶然誤差大[5-6]。近年來，紅外光譜分析技術(shù)以分析速度快、分辨率高、無損檢驗(yàn)、成本低等優(yōu)點(diǎn)被廣泛地應(yīng)用于污水生物處理的相關(guān)領(lǐng)域[7-8]。中紅外技術(shù)結(jié)合計(jì)量學(xué)方法定量分析污泥胞內(nèi)聚合物已有相關(guān)報(bào)道[9-10]，但目前國(guó)內(nèi)外關(guān)于近紅外（near-infrared，NIR）定量分析生物活性污泥胞內(nèi)糖原含量的相關(guān)文獻(xiàn)報(bào)道較少。近紅外光譜吸收峰主要來源于含氫基團(tuán)倍頻和合頻的貢獻(xiàn)，吸收強(qiáng)度弱、譜帶較寬，易受噪聲和背景等非目標(biāo)因素的影響[11-12]。此外，強(qiáng)化生物除磷污泥是多組分的混合體系，NIR吸收峰來自污泥胞內(nèi)多種聚合物的貢獻(xiàn)，對(duì)單組分信息的提取干擾性強(qiáng)。因此，選擇恰當(dāng)?shù)亩嘧兞繑?shù)據(jù)分析（MVA）方法并對(duì)光譜進(jìn)行有效地預(yù)處理是污泥胞內(nèi)糖原NIR光譜優(yōu)化模型建立的關(guān)鍵。

常見的NIR光譜預(yù)處理方法有數(shù)據(jù)增強(qiáng)算法、多元散射校正、標(biāo)準(zhǔn)正態(tài)變換、微分求導(dǎo)、平滑處理等。不同預(yù)處理方法的優(yōu)化效果存在一定差異，需要進(jìn)行對(duì)比分析[13]。目前已有大量報(bào)道探討了不同的預(yù)處理方法或者預(yù)處理方法的不同組合形式對(duì)某一種物質(zhì)NIR光譜定量分析模型的影響。梁家杰等人探討了波段優(yōu)選對(duì)白砂糖NIR定量分析的影響，先后對(duì)各波段進(jìn)行MSC和S-G平滑求導(dǎo)預(yù)處理。發(fā)現(xiàn)780～1100nm波段一階導(dǎo)數(shù)譜的預(yù)測(cè)精度最高，表明平滑求導(dǎo)參數(shù)的合理設(shè)置和波段的恰當(dāng)選擇，可有效改善NIR光譜的分析效果[14]。Ravikanth等嘗試?yán)肗IR超光譜成像技術(shù)區(qū)分小麥和其中摻雜物，對(duì)比分析了5種光譜預(yù)處理技術(shù)和3種分類算法的各種組合形式對(duì)分類模型預(yù)測(cè)效果的影響，研究表明，當(dāng)采用k-NN分類算法并對(duì)光譜進(jìn)行SNV預(yù)處理時(shí)分類精度最高[15]。聯(lián)合區(qū)間偏最小二乘法（synergy interval partial least squares, siPLS）是一種基于偏最小二乘法（partial least squares, PLS）改進(jìn)的NIR光譜定標(biāo)建模方法。該方法有效地壓縮光譜建模變量數(shù)，可同時(shí)實(shí)現(xiàn)最佳建模區(qū)間的選擇和待測(cè)物質(zhì)含量的預(yù)測(cè)，有效過濾噪聲和去除無關(guān)信息變量，預(yù)測(cè)精度和穩(wěn)健性較PLS優(yōu)越[16]。Jiang等利用近紅外光譜技術(shù)結(jié)合siPLS測(cè)定小麥秸稈固態(tài)發(fā)酵過程中的PH值和含水率，PH和含水率NIR光譜建模預(yù)測(cè)集的RMSEP分別為0.0963、0.0149；相關(guān)系數(shù)p分別達(dá)到為0.9686、0.8684。表明采用近紅外技術(shù)快速測(cè)定上述工藝參數(shù)具有可行性[17]。Wang等利用siPLS對(duì)53個(gè)不同酒精含量待測(cè)樣品的NIR光譜進(jìn)行定量分析，所建模型的預(yù)測(cè)精度較高，預(yù)測(cè)效果較好[18]。本研究擬采用不同的預(yù)處理方法對(duì)強(qiáng)化生物除磷污泥NIR光譜數(shù)據(jù)進(jìn)行預(yù)處理，結(jié)合siPLS選擇最佳建模區(qū)間，建立污泥胞內(nèi)糖原含量與光譜吸光度數(shù)據(jù)的定量分析模型。對(duì)比分析不同預(yù)處理方法對(duì)建模預(yù)測(cè)能力和精度的影響，以期得到污泥近紅外光譜的最佳預(yù)測(cè)模型，實(shí)現(xiàn)污泥胞內(nèi)糖原含量的快速、準(zhǔn)確測(cè)定。

1 材料與方法

1.1 實(shí)驗(yàn)裝置、設(shè)備和檢測(cè)方法

1.1.1 實(shí)驗(yàn)裝置、設(shè)備

采用序批式活性污泥法（sequencing batch reactor,SBR）富集好氧聚磷菌。反應(yīng)器采用有效體積為4L的圓柱體有機(jī)玻璃容器，底部裝有攪拌葉片、微孔曝氣頭，配備蠕動(dòng)泵和電磁閥等設(shè)備。整個(gè)操作系統(tǒng)利用微電腦定時(shí)控制器實(shí)現(xiàn)進(jìn)水、攪拌、曝氣、沉淀、排水等過程的自動(dòng)轉(zhuǎn)換。污泥樣品取自反應(yīng)器的典型周期各個(gè)階段，每次取樣沉淀得到的污泥需先經(jīng)真空泵抽濾，再冷凍干燥22h，最后取出放在干燥皿中以備用。

1.1.2 糖原的化學(xué)測(cè)定

糖原的化學(xué)測(cè)定采用蒽酮比色法，包括硫酸消解、溶液稀釋、蒽酮比色反應(yīng)3個(gè)過程。具體步驟如下：稱取10mg冷凍干燥后的污泥樣品置于干燥的玻璃試管中，加入10mL 75%的硫酸溶液，搖勻后置于100℃的沸水浴中消解10min，取1mL稀釋兩次，每次稀釋10倍。然后加入5mL現(xiàn)配的蒽酮試劑，置于冰水浴冷卻再轉(zhuǎn)至沸水浴中加熱10min。最后，利用冰水浴冷卻至室溫，采用紫外分光光度計(jì)測(cè)定吸光度（波長(zhǎng)620nm）[7-8]。

1.1.3 污泥樣品的近紅外光譜采集

選用德國(guó)布魯克公司生產(chǎn)的MPA型傅里葉近紅外光譜儀，光譜的掃描范圍為12000～4000 cm－1，掃描次數(shù)為64次，分辨率為2cm－1。實(shí)驗(yàn)在較干燥的環(huán)境中進(jìn)行，室溫約26℃左右。每次測(cè)量前需將顆粒污泥研磨均勻并覆蓋測(cè)量專用瓶底部，測(cè)量時(shí)應(yīng)先測(cè)定背景值，再測(cè)污泥樣品光譜數(shù)據(jù)。每個(gè)待測(cè)污泥樣品平行測(cè)量3次，最終以3次測(cè)量的平均值作為該污泥樣品的理想光譜[19]。

1.2 NIR光譜數(shù)據(jù)的分析方法

1.2.1 NIR光譜預(yù)處理方法

綜合考慮NIR光譜吸收峰的特點(diǎn)和污泥樣品組分的構(gòu)成，擬采用0～1歸一化（normalization）、多元散射校正（multiplicative scatter correction，MSC）、標(biāo)準(zhǔn)正態(tài)變換（standard normal variate，SNV）、卷積平滑法（Savitzky-Golay smoothing，S-G）4種預(yù)處理方法對(duì)污泥胞內(nèi)糖原的近紅外光譜進(jìn)行預(yù)處理。

1）歸一化（0～1）

不同近紅外光譜儀的量綱單位各異，數(shù)據(jù)歸一化可以使數(shù)據(jù)標(biāo)準(zhǔn)化，剔除冗余信息、減小光程對(duì)NIR光譜定量建模的影響[13]，是常用的光譜數(shù)據(jù)增強(qiáng)方法，具體表達(dá)式如下：

x＝(x－x,min)/(x,max－x,min) (1)

式中：x為第條光譜第個(gè)波長(zhǎng)點(diǎn)對(duì)應(yīng)的吸光度數(shù)據(jù)；x,max為第條光譜所有波長(zhǎng)點(diǎn)對(duì)應(yīng)的吸光度數(shù)據(jù)最大值；x,min第條光譜所有波長(zhǎng)點(diǎn)對(duì)應(yīng)的吸光度數(shù)據(jù)最小值。

2）MSC

在散射系數(shù)不變的前提下，NIR光譜漫反射遵守Kubelka‐Munk定律，然而污泥顆粒大小、形狀、分布等因素都會(huì)對(duì)近紅外光的散射產(chǎn)生一定的影響，致使散射系數(shù)發(fā)生改變[20]。MSC、SNV是常見的校正散射效應(yīng)的預(yù)處理方法。MSC具體表達(dá)式如下：

①最小二乘線性擬合

式中：a、b為擬合系數(shù)；e為殘差光譜。

②光譜多元散射校正

經(jīng)MSC校正后的樣品光譜矩陣MSC為：

MSC＝(－b)/a(3)

3）SNV

假設(shè)每條光譜對(duì)應(yīng)的吸光度數(shù)滿足正態(tài)分布，通過對(duì)每條光譜吸光度數(shù)據(jù)標(biāo)準(zhǔn)化，即光譜矩陣按行標(biāo)準(zhǔn)正態(tài)化實(shí)現(xiàn)光譜校正[21]。表達(dá)式如下：

為經(jīng)標(biāo)準(zhǔn)正態(tài)變換校正后的第個(gè)波長(zhǎng)點(diǎn)對(duì)應(yīng)的吸光度；為每條光譜吸光度變量總數(shù)。

4）S-G平滑法

常用的光譜求導(dǎo)方法有S-G平滑和直接差分求導(dǎo)兩種，S-G平滑處理又被稱作“數(shù)字濾波器”，具有平滑處理和微分求導(dǎo)的雙重作用?？捎行V噪、提高信噪比、消除基線和背景等因素對(duì)光譜的干擾，是近紅外光譜定標(biāo)建模常用的預(yù)處理方法[14]。表達(dá)式為：

①對(duì)窗口內(nèi)的2＋1個(gè)吸光度數(shù)據(jù)點(diǎn)(x,y)進(jìn)行最小二乘線性擬合：

假設(shè)擬合曲線次多項(xiàng)式：

令：

r＝(x)－y；

當(dāng)＝min，?/?a＝0（＝0,1,2,…,）時(shí)，即可求得所有的多項(xiàng)式系數(shù)a，且唯一。

③對(duì)()求階導(dǎo)，計(jì)算窗口內(nèi)中心點(diǎn)的階導(dǎo)的導(dǎo)數(shù)值。

④每次窗口移動(dòng)一個(gè)數(shù)據(jù)點(diǎn)，在全光譜范圍內(nèi)移動(dòng)，得到平滑光譜和階導(dǎo)數(shù)光譜。

1.2.2 NIR光譜建模方法

近紅外光譜中包含大量與待測(cè)物質(zhì)無關(guān)的信息變量，適當(dāng)?shù)墓庾V信息篩選，將有助于進(jìn)一步提高優(yōu)化模型的靈敏度和精度。擬采用N?rgaard等開發(fā)的聯(lián)合區(qū)間偏最小二乘（siPLS）建立NIR光譜定標(biāo)分析模型，實(shí)現(xiàn)變量?jī)?yōu)選，壓縮變量數(shù)。siPLS的基本原理：將NIR光譜建模區(qū)間等份，利用自由組合C的原理（一般≤5），從個(gè)建模子區(qū)間中隨機(jī)的選擇個(gè)子區(qū)間建立糖原含量的PLS定量模型[22]。具體包括校正模型的建立和模型的驗(yàn)證兩部分。首先對(duì)已建立的C個(gè)PLS定量分析模型進(jìn)行自測(cè)，以交互驗(yàn)證均方根誤差（root mean square errors of cross-validation, RMSECV）、相關(guān)系數(shù)和交互驗(yàn)證相對(duì)分析誤差（relative percent deviation, RPD——SD(standard deviation)/RMSECV）作為自測(cè)效果優(yōu)劣的評(píng)價(jià)指標(biāo)，確定最佳校正模型；再利用該校正模型對(duì)待測(cè)污泥樣品胞內(nèi)糖原含量進(jìn)行預(yù)測(cè)，驗(yàn)證模型的最終評(píng)價(jià)指標(biāo)為預(yù)測(cè)集均方根誤差（root mean square errors of prediction, RMSEP）、相關(guān)系數(shù)p和外部驗(yàn)證相對(duì)分析誤差（relative percent deviation, RPD——SD/RMSEP）。

2 實(shí)驗(yàn)結(jié)果與討論

2.1 污泥NIR原始光譜解

36個(gè)待測(cè)污泥樣品的NIR光譜圖如圖1所示，由于污泥樣品的取樣時(shí)間點(diǎn)和取樣時(shí)反應(yīng)器運(yùn)行狀態(tài)都不完全相同，待測(cè)污泥樣品光譜存在較大差異。波數(shù)為9000～12000cm－1的光譜區(qū)域不存在明顯吸收峰，推測(cè)該波段基本不具有與待測(cè)污泥樣品胞內(nèi)糖原分子結(jié)構(gòu)中化學(xué)鍵相關(guān)的信息。光譜曲線平滑度較低，基線飄移現(xiàn)象明顯。

圖1 36個(gè)污泥樣品原始近紅外光譜圖

2.2 污泥NIR光譜預(yù)處理

污泥樣品原始光譜預(yù)處理后的效果如圖2所示，經(jīng)過歸一化處理后，光譜吸光度數(shù)據(jù)最終映射值在0～1范圍內(nèi)，較好地去除了無關(guān)信息變量對(duì)光譜的干擾。MSC和SNV預(yù)處理光譜圖相似，有效地消弱光譜的散射效應(yīng)，光譜束變窄、平滑度增強(qiáng)。S-G預(yù)處理效果隨著平滑參數(shù)的改變存在一定差異，零階平滑處理后的光譜圖沒有明顯變化，僅是平滑度略有增加。一階、二階平滑處理明顯的改善了基線飄移現(xiàn)象；重疊峰得到有效的分離，但隨著求導(dǎo)階數(shù)的增加，噪聲信息也被擴(kuò)大。相比之下，一階平滑處理可同時(shí)實(shí)現(xiàn)NIR光譜濾噪和重疊峰分離，與有關(guān)文獻(xiàn)中的描述相吻合[14-15,19]。

2.3 siPLS建模

2.3.1 污泥樣品校正集和預(yù)測(cè)集的劃分

有效地劃分校正樣品集和預(yù)測(cè)樣品集是定量模型建立的前提，本研究共獲得取自7個(gè)典型周期的63個(gè)待測(cè)污泥樣品，隨機(jī)選擇其中4個(gè)典型周期的36個(gè)污泥樣品作為校正集，剩下3個(gè)典型周期的27個(gè)污泥樣品作為預(yù)測(cè)集。校正集和預(yù)測(cè)集中胞內(nèi)糖原含量的分布情況如表1。

2.3.2 siPLS校正模型的建立

采用siPLS結(jié)合預(yù)處理后的污泥NIR光譜建立污泥胞內(nèi)糖原含量的定量分析模型，光譜等份數(shù)和聯(lián)合子區(qū)間數(shù)是建模的重要參數(shù)，當(dāng)值一定時(shí)，較大則計(jì)算量較大且有用信息大量丟失；小則難以有效地變量數(shù)壓縮[22]。本研究將整個(gè)光譜（4000～12000cm－1）劃分為20個(gè)子區(qū)間，聯(lián)合4個(gè)子區(qū)間建立局部PLS回歸模型。以交互驗(yàn)證均方根誤差（RMSECV）和相關(guān)系數(shù)作為評(píng)價(jià)指標(biāo)確定最佳建模子區(qū)間，確定最佳siPLS校正模型。并采用相對(duì)分析誤差RPD對(duì)校正模型進(jìn)行深入分析，當(dāng)1.5≤RPD＜2.0，表明模型具有一定的可行性；當(dāng)2.0≤RPD＜2.5，表明模型可以定量分析；2.5≤RPD＜3.0，表明模型預(yù)測(cè)效果較好；3≤RPD，表明模型預(yù)測(cè)效果很好[23-24]。

2.3.3 siPLS校正模型的分析

采用4個(gè)典型周期的36個(gè)污泥樣品建立校正模型，不同預(yù)處理后的NIR光譜建模的預(yù)測(cè)效果存在一定的差異，污泥樣品的近紅外光譜siPLS校正模型預(yù)測(cè)結(jié)果如表2所示。

由表2可知污泥胞內(nèi)糖原NIR光譜預(yù)測(cè)模型校正集的相關(guān)系數(shù)均大于0.8940，交互驗(yàn)證均方根誤差均小于0.0058，交互驗(yàn)證相對(duì)分析誤差RPD均大于2.5，說明校正模型相關(guān)性較好，利用NIR光譜結(jié)合siPLS建模對(duì)糖原含量進(jìn)行定量分析可行性較高。其中一階平滑處理后的siPLS校正模型對(duì)定標(biāo)集的擬合效果最好，圖3為該校正集中測(cè)量值和預(yù)測(cè)值相關(guān)性圖，校正集的均方根誤差RMSECV和相關(guān)系數(shù)分別達(dá)到0.0043、0.9292且RPD＞3.3。圖4為該校正模型定標(biāo)建模的最佳聯(lián)合區(qū)間，建模區(qū)間[10 13 16 19]對(duì)應(yīng)的光譜波數(shù)為4389～4775cm－1、5577～5970cm－1、6780～7174cm－1、7984～8377cm－1。NIR光譜的吸收峰來自待測(cè)物質(zhì)分子結(jié)構(gòu)中化學(xué)鍵的貢獻(xiàn)，4389～4775cm－1建模波段可能與糖原分子結(jié)構(gòu)中聚合體（?O—H和?O—C）的O—H鍵、C—O鍵伸縮組合頻密切相關(guān)。5577～5970cm－1波段的吸收峰可能來源于糖原聚合體分子結(jié)構(gòu)中亞甲基（?CH2）的C—H鍵的一級(jí)倍頻（2）貢獻(xiàn)。6780～7174cm－1可能歸屬于糖原分子結(jié)構(gòu)中聚合體（?O—H）的O—H鍵一級(jí)倍頻區(qū)域（2）[25]。建模的變量數(shù)由1037減少為203，壓縮80%光譜數(shù)據(jù)。有效去除無關(guān)信息變量，加快模型預(yù)測(cè)的速度。

圖2 不同預(yù)處理后的污泥近紅外光譜圖

表1 校正集和預(yù)測(cè)集中污泥胞內(nèi)糖原含量的分布范圍

2.3.4 siPLS模型驗(yàn)證

每一種預(yù)處理方法對(duì)糖原含量的定量分析模型的預(yù)測(cè)能力都會(huì)產(chǎn)生一定影響，不同預(yù)處理的NIR光譜siPLS建模預(yù)測(cè)效果對(duì)比分析見表3。

對(duì)比分析不同預(yù)處理對(duì)光譜siPLS建模預(yù)測(cè)結(jié)果的影響，僅有二階S-G平滑和歸一化處理后的NIR光譜siPLS模型的外部驗(yàn)證RPD值小于2.5，其他預(yù)處理后的模型外部驗(yàn)證RPD值均大于2.5，表明污泥樣品的siPLS模型預(yù)測(cè)結(jié)果較為理想。歸一化預(yù)處理后的建模預(yù)測(cè)集相關(guān)系數(shù)p＜0.8600，RMSEP達(dá)到0.0062，預(yù)測(cè)效果一般。SNV、MSC預(yù)處理后的siPLS建模預(yù)測(cè)效果較好。而S-G平滑處理建模效果與平滑參數(shù)密切相關(guān)，當(dāng)移動(dòng)窗口內(nèi)平滑點(diǎn)數(shù)、多項(xiàng)式次數(shù)不變時(shí)，求導(dǎo)階數(shù)的增加可能會(huì)導(dǎo)致參與建模的噪聲信息也相應(yīng)增多，從而影響模型預(yù)測(cè)能力。二階S-G平滑處理后的光譜建模效果較原始光譜差，零階S-G平滑處理的建模效果較好。一階S-G平滑處理后的光譜建模預(yù)測(cè)效果最佳，預(yù)測(cè)集的均方根誤差RMSEP和相關(guān)系數(shù)p分別達(dá)到0.0048、0.9105且外部驗(yàn)證RPD＞3.0。其相關(guān)性曲線如圖5所示，除了個(gè)別樣品點(diǎn)存在偏差，其他所有數(shù)據(jù)點(diǎn)預(yù)測(cè)精度較高，樣品點(diǎn)的分散度較低，均緊密分布在相關(guān)性曲線兩側(cè)。該模型預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比分析和殘差分析分別見圖6和圖7。

圖3 一階平滑處理后的光譜siPLS建模校正集中糖原測(cè)量值和預(yù)測(cè)值的相關(guān)性

圖4 一階平滑處理后的NIR光譜siPLS建模的最佳子區(qū)間

表2 不同預(yù)處理后的光譜siPLS校正模型的預(yù)測(cè)結(jié)果

表3 不同預(yù)處理后的光譜siPLS建模預(yù)測(cè)效果的比較

由圖6可知，預(yù)測(cè)值的變化趨勢(shì)同污泥樣品胞內(nèi)糖原含量的變化趨勢(shì)基本保持一致。表明該模型作為EBPR機(jī)理研究的便捷手段具有可行性。由圖7可得實(shí)測(cè)值和預(yù)測(cè)值的殘差主要集中在±0.008，實(shí)測(cè)值和預(yù)測(cè)值的絕對(duì)偏差較小，模型預(yù)測(cè)準(zhǔn)確性高。此外，為了進(jìn)一步論證siPLS預(yù)測(cè)模型的優(yōu)越性，建立一階S-G平滑處理后的全光譜PLS預(yù)測(cè)模型。得到全光譜PLS模型預(yù)測(cè)集均方根誤差RMSEP和相關(guān)系數(shù)p分別為0.0082、0.8005。由此可見一階S-G平滑處理后的siPLS建模不僅可以實(shí)現(xiàn)變量?jī)?yōu)化而且大幅度地提高模型的預(yù)測(cè)能力。

圖5 一階平滑處理后光譜siPLS建模預(yù)測(cè)集中糖原測(cè)量值和預(yù)測(cè)值的相關(guān)性

3 結(jié)論

利用聯(lián)合區(qū)間偏最小二乘（siPLS）建立EBPR污泥NIR光譜吸光度數(shù)據(jù)與蒽酮比色法測(cè)定糖原含量的定量分析模型。對(duì)比4種不同預(yù)處理方法對(duì)NIR光譜建模預(yù)測(cè)效果的影響。結(jié)果顯示，經(jīng)過一階S-G平滑處理后的光譜建模效果最佳，預(yù)測(cè)集的均方根誤差RMSEP和相關(guān)系數(shù)p分別達(dá)到0.0048、0.9105且優(yōu)于全光譜PLS建模的預(yù)測(cè)精度。siPLS建模的最佳子區(qū)間為[10 13 16 19]，變量數(shù)壓縮80%。有效去除無關(guān)信息變量，加快模型預(yù)測(cè)速度。由此表明，以siPLS為建模方法并對(duì)光譜進(jìn)行一階S-G平滑處理，可獲得較理想的污泥胞內(nèi)糖原NIR光譜優(yōu)化模型。雖然僅涉及污水的強(qiáng)化生物除磷過程，但該方法構(gòu)建的化學(xué)計(jì)量學(xué)平臺(tái)可被推廣應(yīng)用于污水生物處理的其他相關(guān)領(lǐng)域，具有一定的參考價(jià)值。

圖6 糖原化學(xué)測(cè)量值與一階平滑處理后的光譜siPLS建模預(yù)測(cè)值的比較

圖7 一階平滑處理后光譜siPLS建模預(yù)測(cè)集中糖原測(cè)量值和預(yù)測(cè)值的殘差分布

[1] Mino T, Van loosdrecht M C M , Heijnen J J, et al. Microbiology and biochemistry of the enhanced biological phosphate removal process[J]., 1998, 32(11): 3193-3207.

[2] ZHANG H L, SHENG G P , FANG W, et al. Calcium effect on the metabolic pathway of phosphorus accumulating organisms in enhanced biological phosphorus removal systems[J]., 2015, 84(1): 171-180.

[3] Welles L, TIAN W D, Saad S, et al. Accumulibacter clades type I and II performing kinetically different glycogen-accumulating organisms metabolisms for anaerobic substrate uptake[J]., 2015, 83(15): 354-366.

[4] Semerci N and Hasilci N B. Fate of carbon, nitrogen and phosphorus removal in a post-anoxic system treating low strength wastewater[J]., 2016, 108: 166-174.

[5] CHEN Y G, CHEN Y S, XU Q, et al. Comparison between acclimated and unacclimated biomass affecting anaerobic-aerobic transformations in the biological removal of phosphorus[J]., 2005, 40(2): 723-732.

[6] Raunkj?r K, Jacobsen T H and Nielsen P H. Measurement of pools of protein, carbohydrate and lipid in domestic wastewater[J]., 1994, 28(2): 251-262.

[7] 劉宏欣, 張軍, 王伯光, 等. 水質(zhì)監(jiān)測(cè)中總磷無損的近紅外光譜分析研究[J]. 分析科學(xué)學(xué)報(bào), 2008, 24(6): 664-666.

LIU H X, ZHANG J, WANG B W, et al. Investigation on the non-chemical method for monitoring total phosphate in water[J]., 2008, 24(6):664-666.

[8] Herbert Jr R B, Winbj?rk W, Hellman M, et al. Nitrogen removal and spatial distribution of denitrifier and anammox communities in a bioreactor for mine drainage treatment[J]., 2014, 66(1): 350-360.

[9] 張華, 朱菁, 宋箭, 等. 反硝化除磷系統(tǒng)中PHB紅外光譜解析及其與磷去除率的相關(guān)性[J]. 環(huán)境科學(xué)研究, 2015, 28(8): 1274-1280.

ZHANG H, ZHU J, SONG J, et al. Infrared spectrum analysis of PHB and the correlation between PHB reduction and orthophosphate removal rateduring denitrifying phosphorus removal[J]., 2015, 28(8):1274-1280.

[10] 李衛(wèi)華, 嚴(yán)國(guó)兵, 申慧彥, 等. 強(qiáng)化生物除磷過程中污泥胞內(nèi)糖原的紅外光譜分析[J]. 環(huán)境科學(xué)學(xué)報(bào), 2015, 35(3): 705-712.

LI W H,YAN G B, SHEN H Y, et al. Analysis of intracellular glycogen in the activated sludge during the enhanced biological phosphorus removalprocess using FTIR spectra[J]., 2015, 35(3): 705-712.

[11] 李晉華, 楊志良, 王召巴, 等. 近紅外漫透射技術(shù)檢測(cè)玉米成分[J]. 紅外技術(shù), 2013, 35(11): 732-736.

LI J H, YANG Z L, WANG Z B, et al. The corn content measurement with near infrared diffuse transmission[J]., 2013, 35(11): 732-736.

[12] DardenneP,Sinnaeve G,Baeten V, et al. Multivariate calibration and chemometrics for near infrared spectroscopy: which method?[J]., 2000, 8(1): 229-237.

[13] 褚小立, 袁洪福, 陸婉珍, 等. 近紅外分析中光譜預(yù)處理及波長(zhǎng)選擇方法進(jìn)展與應(yīng)用[J]. 化學(xué)進(jìn)展, 2004, 16(4): 528-542.

CHU X L, YUAN H F, LU W Z, et al. Progress and application of spectral data pretreatment and wavelengthselection methods in NIR analytical technique[J]., 2004, 16(4): 528-542.

[14] 梁家杰, 潘濤, 陳星旦, 等. 白砂糖色值近紅外光譜分析的波段選擇[J]. 紅外技術(shù), 2009, 31(2):90-94.

LIANG J J, PAN T, CHEN X D, et al. Choice of wave band in near infrared spectroscopy analysis of color calueof white granulated sugar[J]., 2009, 31(2):90-94.

[15] RavikanthL, Singh C B, Jayas D S, et al. Classification of contaminants from wheat using near-infrared hyperspectral imaging[J]., 2015, 135: 73-86.

[16] Kang Q, Ru Q G, Liu Y, et al. On-line monitoring the extract process of Fu-fang Shuanghua oral solution using near infrared spectroscopy and different PLS algorithms[J].:, 2016, 152(5): 431-437.

[17] JIANG H,LIU G H,MEI C L, et al. Measurement of process variables in solid-state fermentation of wheat straw using FT-NIR spectroscopy and synergy interval PLS algorithm[J].:, 2012, 97: 277-283.

[18] WANG X F, BAO Y F, LIU G L, et al. Study on the best analysis spectral section of NIR to detect alcohol concentration based on SiPLS[J]., 2012, 29: 2285-2290.

[19] 江澤慧, 費(fèi)本華, 楊忠, 等. 光譜預(yù)處理對(duì)近紅外光譜預(yù)測(cè)木材纖維素結(jié)晶度的影響[J]. 光譜學(xué)與光譜分析, 2007, 27(3): 435-438.

JIANG Z H, FEI B H, YANG Z, et al. Effects of spectral pretreatment on the prediction of crystallinity ofwood cellulose using near infrared spectroscopy[J]., 2007, 27(3): 435-438.

[20] Rinnan A,Berg F V D,Engelsen S B, et al. Review of the most common pre-processing techniques for near-infrared spectra[J]., 2009, 28(10): 1201-1222.

[21] CHEN H, LIN Z, WANG L, et al. Diagnosis of colorectal cancer by near-infrared optical fiber spectroscopy and random forest[J].:, 2015, 135(25): 185-191.

[22] N?rgaard L, Saudlaud A,Wagner J, et al. Interval partial least-squares regression(iPLS):a comparative chemometric study with an Example from near-infrared spectroscopy[J]., 2000, 54(3): 413-419.

[23] Saeys W, Darius P, Ramon H. Potential for on-site and analysis of hog manure using a visual and near infrared diode array reflectance spectrometer[J].,2004, 12(1): 299-309.

[24] Davies A, Baker R D, Grant S A, et al. Murray I.[M]. The British Grassl and Society, 1993.

[25] Wokeman J, Weyer L,褚小立,等. 近紅外光譜解析使用指南[M]. 北京: 化學(xué)工業(yè)出版社, 2009.

Wokeman J, Weyer L, ZHU X L, et al.[M]. Beijing: Chemical industry press, 2009.

Near-infrared Spectroscopy Analysis of the Intracellular Glycogen Content Duringthe Enhanced Biological Phosphorus Removal Process Based on siPLS

LI Weihua1,2，XU Ling1,2，YANG Ying1,2，YAN Guobing1,2，ZHAO Qing1，SHUAI Lei1

(1.,,, 230601,; (2.,,, 230601,)

In order to develop a procedure to determine the intracellular glycogen content in the sludge from the enhanced biological phosphorus removal (EBPR) process rapidly and accurately, four Near-infrared spectral pre-processing methods were separately used to improve the performance of multivariate calibrations. The quantitative analysis models between the near-infrared (NIR) spectra and the glycogen contents were established based on synergy interval partial least squares（siPLS）method. Results showed that the optimal model was established by four sub-intervals [10 13 16 19] with siPLS method after the NIR spectra were treated with Savitzky-Golay smoothing and first derivative as pre-processing method, and the preprocessed spectra were devided into 20 sub-intervals. The root mean square errors (RMSEP) and the correlation coefficients (p) of the prediction sets were 0.0048 and 0.9105 respectively. The residual predictive deviation (RPD) values of cross-validation and prediction sets were all above 3.0. The NIR spectralmodel based on S-G smoothing and siPLS method can not only improve the predictive accuracy and reduce the variable numbers, but also realize the rapid and accurate determination of intracellular glycogen content in the sludge.

enhanced biological phosphorus removal(EBPR)，glycogen，near infrared spectroscopy (NIR)， Savitzky-Golay smoothing(S-G)，interval partial least squares (siPLS)

O657.33

A

1001-8891(2016)12-1053-08

2016-02-29；

2016-05-11.

李衛(wèi)華（1977-），男，江蘇人，博士，副教授，碩士生導(dǎo)師，主要從事污水生物處理、紅外光譜分析研究。E-mail：weihuali@ mail.ustc.edu.cn。

楊英，博士，教授，碩士生導(dǎo)師。E-mail：yangying5918@163.com。

國(guó)家自然科學(xué)基金（51378017）；安徽省教育廳科學(xué)研究重大項(xiàng)目（KJ2015ZD12）；安徽省高校省級(jí)自然科學(xué)研究項(xiàng)目（KJ2013A067）；省級(jí)質(zhì)量工程教學(xué)研究重點(diǎn)項(xiàng)目（2015jyxm242）。