/
Text
SCIENTIFIC AND METHODOLOGICAL CENTER
OF INFRARED SPECTROSCOPY
Firm Interagrotech
W.P.Krischenko
Near Infrared
Spectroscopy
Moscow — 1997
НАУЧНО-МЕТОДИЧЕСКИЙ ЦЕНТР
ПО ИНФРАКРАСНОЙ СПЕКТРОСКОПИИ
АО «Интерагротех»
В.П.Крищенко
Ближняя
инфракрасная
спектроскопия
Москва — 1997
ББК 22.344
К 82
В.П. Крищенко
БЛИЖНЯЯ ИНФРАКРАСНАЯ
СПЕКТРОСКОПИЯ
В книге рассматриваются основы спектроскопии ближней инфра-
красной области, математические методы преобразования спектров,
современные статистические методы многомерной градуировки при-
боров в целях количественного анализа и методы идентификации объ-
ектов по спектральным данным. Дается описание применяемых при-
боров и методики проведения анализов, рассматриваются литератур-
ные данные по практическому применению метода в различных об-
ластях науки и техники, а также результаты собственных исследова-
ний автора.
Публикация книги преследует две главные цели. Первая — это
помочь тем специалистам сельского хозяйства, пищевой и перераба-
тывающей промышленности, которые уже ступили на стезю исполь-
зования этого нового метода анализа. Вторая задача — привлечь
внимание работников других областей к тем возможностям, которые
может им дать инфракрасная спектроскопия.
W.P. Krischenko
NEAR INFRARED SPECTROSCOPY
The book gives the principles of near infrared spectroscopy,mathe-
matical methods for spectra conversion, modern statistical methods for
instruments multivatiate calibration for quantitative analysis and met-
hods for objects identification by spectral data. The book describes
instrumentation technics and methods for analysis, discusses as publis-
hed results of practical applications of the method in agriculture and
different areas of science and technology as also the own results of the
author.The publication of the book seeks two main goals. The first is to
help those specialists of agriculture, food and agricultural products pro-
cessing industry who has already started the using of this analytical
method. The second goal — to attract the attention of specialists from
other areas to the possibilyties which could give them near infrared
spectroscopy.
© В. П. Крищенко, 1997
ISBN 5-232-00507-3 © крон-пресс, 1997
СОДЕРЖАНИЕ
1. Введение..............................................И
2. Основы спектроскопии ближней инфракрасной
области ................................................16
2.1. Природа спектров................................16
2.2. Основы качественного анализа....................21
2.3. Основы количественного анализа..................40
3. Устройство инфракрасных анализаторов.................53
4. Методы математических преобразований спектральных
данных.................................................102
4.1. Снижение влияния рассеяния лучей ............. 103
4.2. Получение производных спектров.................114
4.3. «Математика» разностей и отношений ........... 139
5. Методы градуировки инфракрасных анализаторов..........143
5.1. Множественная линейная регрессия.............. 143
5.2. Методы градуировки по всему спектру........... 177
5.2.1. Использование описания спектра рядом Фурье.178
5.2.2. Регрессия на главных компонентах...........184
5.2.3. Метод дробных наименьших квадратов.........201
5.3. Методы извлечения спектра отдельного компонента из
спектра сложного по составу объекта..................208
5.4. Перенос градуировочных уравнений
с одного прибора на другой ..........................218
6. Метрологическая оценка результатов измерений.......... 225
7. Использование спектроскопии ближней инфракрасной
области в количественном анализе.......................237
7.1. Определение влажности различных материалов.....237
7.2. Анализ сельскохозяйственных культур............251
7.2.1. Определение содержания белка...............251
7.2.2. Определение содержания и качества клейковины.261
7.2.3. Определение содержания жира................262
7.2.4. Определение содержания крахмала............265
7.2.5. Определение содержания золы................265
7.2.6. Определение показателей технологических и
хлебопекарных качеств зерна.......................267
7.2.7. Определение качества пивоваренного ячменя..311
7.2.8. Определение качества крупяных культур......313
7.2.9. Определение содержания аминокислот.........313
7.2.10. Определение компонентов, отрицательно
влияющих на качество продукции....................316
7.3. Определение состава и питательности кормов и
комбикормов..........................................319
6
7.4. Анализ продуктов питания растительного
происхождения..........................................340
7.4.1. Анализ хлеба и мучных изделий.................340
7.4.2. Анализ растительных масел ....................344
7.4.3. Анализ соусов............................... 345
7.5. Определение качества молока и молочных продуктов .346
7.5.1. Анализ жидкого молока.........................346
7.5.2. Анализ сухого молока..........................356
7.5.3. Анализ казеинов и казеинатов..................360
7.5.4. Анализ сливочного масла.......................360
7.5.5. Анализ сыра...................................362
7.6. Анализ мясных, рыбных продуктов, яиц..............364
7.7. Анализ напитков, кофе и чая.......................383
7.8. Анализ табака.....................................390
7.9. Диагностика минерального питания растений.........397
7.10. Анализ удобрений ................................410
7.11. Анализ почвы.....................................412
7.11.1. Состояние вопроса.................'..........413
7.11.2. Связь спектральных данных с содержанием
гумуса ..............................................423
7.11.3. Связь спектральных данных с содержанием
различных форм азота.................................434
7.11.4. Связь спектральных данных с
физико-химическими свойствами почв, содержанием
подвижных форм фосфора и калия......................436
7.11.5. Сравнение различных методов математических
преобразований спектров и получения
градуировочных уравнений............................442
7.11.6. Количественное определение агрохимических
показателей почв методом ближней
инфракрасной спектроскопии..........................451
7.11.7. Связь спектров почв с фракционным
составом гумуса .....................................457
7.12. Применение в текстильной промышленности .........461
7.12.1. Анализ шерсти ...............................461
7.12.2. Анализ хлопка................................464
7.12.3. Анализ искусственного волокна ...............466
7.12.4. Анализ смешанного волокна....................469
7.13. Анализ нефтепродуктов............................470
7.14. Применение в здравоохранении и других
областях науки и техники...............................475
8. Идентификация объектов................................478
9. Выполнение анализов методом ближней инфракрасной
спектроскопии........................................... 507
7
9.1. Отбор проб и подготовка к анализу...............507
9.2. Выполнение анализа..............................517
9.2.1. Подготовка анализатора к работе.............519
9.2.2. Заполнение кюветы анализатора ..............522
9.2.3. Измерение спектральных характеристик
пробы и получение результатов анализов.............525
9.3. Градуировка инфракрасного анализатора...........528
9.3.1. Подбор образцов для составления
градуировочной серии ..............................530
9.3.2. Аттестационный анализ образцов
градуировочной серии ..............................543
9.3.3. Получение градуировочного уравнения.........547
9.3.4. Проверка градуировочного уравнения и
его корректировка..................................554
10. Практика использования ИК-анализаторов в России и
странах ближнего зарубежья............................. 559
11. Заключение......................................... 564
12. Литература..........................................576
13. Приложения......................................... 625
Приложение 13.1. Метод ближней инфракрасной
спектроскопии определения белка. Метод 39-10,
одобренный Американской ассоциацией химиков
зерна (ААСС approved method 39-10) ...................625
Приложение 13.2. Рекомендация ICC No. 202. Методика
определения влаги и белка в зерне пшеницы по отражению
инфракрасного излучения (International Association
for Cereal Science and Technology — Международное
общество по химии зерна)..............................627
Приложение 13.3. Официальный метод FOSFA.
Определение содержания жира, влаги и летучих
веществ, протеина в бобах сои по отражению
инфракрасного излучения (Federation of Oils, Seeds and
Fats Association — Федерация производителей масел,
семян и жиров).....................................631
Приложение 13.4. Значения t-критерия Стьюдента при
различной доверительной вероятности и числе
степеней свободы .....................................635
Приложение 13.5. Число пар значений, достаточное для
значимости данного коэффициента корреляции при
различных уровнях доверительной вероятности...........636
8
CONTENTS
1. Introduction...............................................11
2. Fundamentals of spectroscopy in near infrared region......16
2.1. Nature of spectra.....................................16
2.2. Fundamentals of qualitative analysis..................21
2.3. Fundamentals of quantitative analysis.................40
3. Constructions of infrared analyzers...................... 53
4. Methods for mathematical transformation
of spectral data.............................................102
4.1. Reducing of rays scattering influence............... 103
4.2. Computation of derivatives............................ 114
4.3. «Mathematics» of differences and ratios............. 139
5. Methods for calibration of infrared analyzers............143
5.1. Multiple linear regression ..........................143
5.2. Methods for calibration by means all spectrum .?.....177
5.2.1. Using spectrum approximation
by Fourier transformation............................. 178
5.2.2. Principal components regression ............... 184
5.2.3. Partial least-squares method....................201
5.3. Methods for the component spectrum extraction
from the spectrum of the object with complex
composition ..............................................208
5.4. Calibration transfer from
one instrument to another..................................218
6. Metrological evaluation of measurements results...........225
7. Applications of near infrared spectroscopy in quantitative
analysis.....................................................237
7.1. Moisture determination in different materials........237
7.2. Analysis of agricultural objects.....................251
7.2.1. Determination of protein content................251
7.2.2. Determination of gluten content and quality.....261
7.2.3. Determination of fat content ...................262
7.2.4. Determination of starch content.................265
7.2.5. Determination of ash content ...................265
7.2.6. Determination of technological and baking
quality characteristics of grain ......................267
7.2.7. Determination of barley brewing quality.........311
7.2.8. Determination of cereals quality................313
7.2.9. Determination of aminoacids content..............313
7.2.10. Determination of components negatively
influencing production q uality..........................316
9
7.3. Determination of fodder and mixed fodder content
and nutritional quality...................................319
7.4. Analysis of food stuffs of plant origin..................340
7.4.1. Analysis of bread..................................340
7.4.2. Analysis of plant oils.............................344
7.4.3. Analysis of sauces.................................345
7.5. Determination of milk and dairy products quality.........346
7.5.1. Analysis of liquid milk............................346
7.5.2. Analysis of milk powder............................356
7.5.3. Analysis of casein and caseinates..................360
7.5.4. Analysis of cream butter...........................360
7.5.5. Analysis of cheese ................................362
7.6. Analysis of meat, fish products and eggs.................364
7.7. Analysis of drinks, coffee, tea..........................383
7.8. Analysis of tobacco .....................................390
7.9. Diagnostics of plant mineral nutrition...................397
7.10. Analysis of fertilizers................................410
7.11. Analysis of soil ......................................412
7.11.1. Background .......................................413
7.11.2. Spectral data and humus content relation..........421
7.11.3. Spectral data and different forms of nitrogen
content relation...........................................423
7.11.4. Spectral data relation to physico-chemical
properties of soils, available phosphorus
and potassium..............................................434
7.11.5. Comparison of different methods for mathematical
spectra transformation and for calibrations................436
7.11.6. Quantitative determination of agrochemical
characteristics of soils ..................................442
7.11.7. Relations of spectra of soils to humus fractions
content....................................................451
7.12. Applications in textile industry.......................457
7.12.1. Analysis of wool..................................461
7.12.2. Analysis of cotton................................464
7.12.3. Analysis of synthetic fibers......................466
7.12.4. Analysis of mixed fibers..........................469
7.13. Analysis of oil products...............................470
7.14. Applications in health protection and other spheres of
science and technology........................................475
8. Recognition of objects...................................... 478
9. Analyses implementation by near infrared
spectroscopy method............................................. 507
9.1. Sampling and sample preparation for analysis.............507
10
9.2. Analytical technique......................................517
9.2.1. Analyzer start up ...................................519
9.2.2. Sample cell filling..................................521
9.2.3. Measuring of sample spectral characteristics
and obtaining analysis results .............................525
9.3. Calibration of infrared analyzer .........................528
9.3.1. Samples selection for calibration ..................530
9.3.2. Attestation analysis of samples for calibration....543
9.3.3. Obtaining calibration equation......................547
9.3.4. Verification of calibration equation and its
correction......................’...........................554
10. Practical usage of NIR analyzers in Russia
and in the former republics of the USSR..........................559
11. Conclusion...................................................564
12. Literature cited............................................ 576
13. Appendices...................................................625
Appendix 13. 1. Near-infrared method for protein determination.
AACC (American Association of Cereal Chemists) approved
method 39-10................................................625
Appendix 13. 2. ICC (International Association for Cereal
Science and Technology ) recommendation No. 202.............627
Appendix 13.3. Official method FOSFA (Federation of Oils,
Seeds and Fats Association). Determination of oil,
moisture and volatile matter, and protein content
in soya beans by infrared reflectance.............................631
Appendix 13.4. Values of Student t-criterion for different
probability levels and degree of freedom .........................635
Appendix 13.5. Values of correlation coefficients significant
at different probability levels and number of freedom......636
11
1. ВВЕДЕНИЕ
Спектроскопия ближней инфракрасной области представляет со-
бой современный инструментальный метод количественного и качес-
твенного анализа различных объектов, основанный на сочетании спек-
троскопии и статистических методов исследования многофакторных
зависимостей. Метод основан на том, что спектры поглощения моле-
кул являются характеристическими для данного вещества, а интен-
сивность поглощения связана, с содержанием поглощающего компо-
нента в облучаемом объекте,2^то молекулярная спектроскопия, при-
менимая для определения состава объекта без его разложения, что
обычно составляет суть химического анализа. Метод требует мини-
мума пробоподготовки, которая чаще всего ограничивается сушкой
и измельчением анализируемого материала. Процесс инфракрасного
анализа обычно сводится к заполнению кюветы исследуемым матери-
алом в виде порошка, раствора, суспензии или эмульсии, установке
ее в измерительную камеру прибора и получению результата в окон-
чательном цифровом виде в требуемых единицах измерения. При этом
одновременно может быть установлено содержание целого ряда ком-
понентов или свойств исследуемого объекта, на определение которых
предварительно отградуирован прибор. Непосредственно процесс из-
мерения и расчетов занимает от 5 секунд до 2 минут в зависимости от
конструкции прибора, характера объекта и вида анализа. Существу-
ющая приборная техника позволяет использовать метод как в составе
стационарной или передвижной лаборатории, так и в полевых усло-
виях. Для этого созданы переносные приборы на автономном бата-
рейном питании, а также стационарные приборы, которые можно
устанавливать непосредственно на производственных линиях и про-
водить измерения в режиме реального времени.
Практическое решение вопросов контроля и управления процес-
сами производства значительно упрощает применение волоконной
оптики, позволяя отнести измерительный прибор на достаточно боль-
шие расстояния от исследуемого объекта. При этом может исклю-
чаться необходимость в отборе пробы, так как излучение от прибора
можно подвести непосредственно к контролируемому объекту и по-
лучить его обратно после отражения или просвечивания. Датчики
инфракрасных анализаторов могут монтироваться непосредственно на
технологических линиях над лентами транспортеров, в трубопрово-
дах, а также в смесительных камерах, химических реакторах и обеспечи-
вать непрерывное получение информации для автоматизированных
систем управления производством.
Используемая область спектра безопасна как для оператора, так и
для анализируемого объекта. При соответствующем техническом обеспе-
чении это позволяет исследовать органы и ткани животных и чело-
12
века, не нарушая их целостности и без нанесения какого-либо ущер-
ба организму, проанализировать отдельное зерно, а затем вырастить
из него растение.
Современные инфракрасные анализаторы, работающие под управле-
нием встроенных микропроцессоров или подключаемых к ним персо-
нальных компьютеров, обеспечивают исключительную простоту вы-
полнения анализов. От оператора не требуется специальных знаний,
так как процесс анализа состоит в выполнении очень простых опера-
ций, которые можно быстро освоить. Однако за внешней простотой
приборной техники и простотой ее применения скрывается исключи-
тельная сложность процесса измерений и обработки их результатов.
Это относится не только собственно к анализатору, представляюще-
му образец продукта современных наукоемких технологий. Доста-
точно сложны и трудоемки методы обработки спектральных данных
и градуировки инфракрасных анализаторов. Только с их помощью
извлекается нужная информация из очень слабо дифференцирован-
ной спектральной картины, представляющей результат взаимного пе-
рекрытия многочисленных полос поглощения, осложненной обычно
рассеянием излучения.
За короткий промежуток времени, не превышающий обычно двух
минут, спектрометр многократно снимает спектры анализируемого
образца и встроенного стандарта, выполняя сотни и даже тысячи
измерений. Компьютер в свою очередь успевает усреднить получен-
ные сигналы, провести различные их преобразования и рассчитать
результаты количественного определения нескольких показателей
одновременно. Так же быстро компьютер может сравнить получен-
ную спектральную информацию с данными, хранящимися в библиоте-
ке спектров различных материалов, и определить, которому из них
соответствует данный образец при заданном уровне вероятности.
Ближняя инфракрасная область граничит с видимым диапазоном
спектра и характеризуется длинами волн от 750 до 2500 нм. Сущес-
твование излучения в этой области открыто еще в 1800 году Герше-
лем. Однако особого внимания спектроскопистов данная область спек-
тра долго не привлекала. В значительно большей степени изучена более
длинноволновая часть инфракрасного диапазона, где лежат фундаменталь-
ные частоты колебания молекул. В ближней области наблюдаются более
широкие и значительно менее интенсивные полосы, соответствующие обер-
тонам и составным частотам. В то же время в отношении практического
применения в аналитических целях ближняя область имеет ряд преиму-
ществ. Прежде всего следует указать на большую проникающую способ-
ность излучения в этой области. В отличие от фундаментальной области
здесь практически прозрачен кварц и даже стекло, что облегчает проблему
изготовления кювет, окон спектрофотометров и других деталей оптики. В
классической инфракрасной спектроскопии для этих целей используют
13
обычно галогениды металлов. Однако высокая растворимость этих ма-
териалов создает серьезные трудности при анализе объектов, содержа-
щих значительные количества воды. Кроме того, вода очень интенсив-
но поглощает в фундаментальной области, что создает свои проблемы,
которые не столь существенны при работе в ближней инфракрасной
области. Здесь возможно применение волоконной оптики, измерение
пропускания при значительной толщине просвечиваемого объекта. В
классической инфракрасной спектроскопии для измерения поглоще-
ния используют только очень тонкие пленки твердого материала или
его разбавленные дисперсии в оптически индифферентных средах пос-
ле очень тонкого измельчения.
Начало внедрению спектроскопии ближней инфракрасной области в
широкую аналитическую практику положено в 1968 году разработ-
кой под руководством Карла Норриса в Научно-исследовательском сель-
скохозяйственном центре (Белтсвилль, США) прибора для определения
содержания белка, жира и влаги в бобах сои. По сообщению Карла
Норриса [131], демонстрация этого прибора производителям сои доста-
точно убедительно показала перспективность метода, что послужило
основанием для разработки фирмами Dickey-john и Neotec Instruments
(в последующем это фирма NIRSystems) двух модификаций подобного
прибора. Их серийное производство и оснащение производственных ла-
бораторий в США начаты в 1971 году. Применение приборов в лабора-
ториях зерновых комиссий США и Канады, а также непосредственно на
элеваторах позволило решить проблему сплошного контроля качества
поставляемого фермерами зерна. Это было практически неосуществимо
при использовании обычных химических методов и давало значитель-
ный экономический эффект. Достаточно сказать, что применение инф-
ракрасных анализаторов позволяет за короткий промежуток времени,
который занимают взвешивание и разгрузка трейлера с зерном на элева-
торе, выполнить необходимые анализы, так что при выезде с элеватора
водитель получает счет для банка, в котором учтена не только масса, но
и качество поставленного зерна. Осуществление сплошного контроля
качества зерна важно не только для поставщиков, которые стали полу-
чать надбавки к стоимости зерна в соответствии с содержанием белка.
Очень важен быстрый анализ зерна и для заготовителей, так как опера-
тивно получаемые результаты анализа позволяют оптимизировать фор-
мирование партий зерна по качеству, обеспечивая максимум прибыли
при их реализации.
Метод быстро получил официальное признание. Уже в 1979 году
он признан Американской ассоциацией по химии зерна (ААСС) в
качестве стандарта для определения содержания белка и влажности
зерна пшеницы, а затем для тех же целей рекомендован Международ-
ным обществом по химии зерна (ICC). В настоящее время метод
официально признан многими странами для анализа зерна пшеницы.
14
В качестве стандарта спектроскопия ближней инфракрасной области
признана Федерацией изготовителей масла, семян и жиров (FOSFA)
для определения содержания белка, жира, влаги и летучих веществ в
бобах сои (переводы методик выполнения анализов даны в разделе 13
приложений данной монографии). Департаментом сельского хозяй-
ства США в 1985 году выпущено руководство по анализу кормов,
которое с небольшими дополнениями переиздано в 1989 году [469].
Ближняя инфракрасная спектроскопия — это развивающаяся об-
ласть. Если до 1975 года ей было посвящено только несколько печат-
ных работ, то в последующие годы их количество все более возраста-
ло и в настоящее время исчисляется тысячами. В 1986 году вышла
книга Б.Осборна и Т.Фнрна по использованию инфракрасной спек-
троскопии для анализа пищевых продуктов [545], а в 1987 году Аме-
риканская ассоциация по химии зерна опубликовала первую моногра-
фию под редакцией Ф.Уильямса и К.Норриса [689] по применению
ближней инфракрасной спектроскопии в сельскохозяйственном про-
изводстве и пищевой промышленности. Очередная монография [253]
по теории метода и применению его в аналитической практике вышла
в 1992 году. В отличие от предыдущей в ней широко освещены во-
просы применения метода в различных отраслях промышленности, а
также в автоматизированных системах управления производством. Ранее
спектроскопия ближней инфракрасной области использовалась пре-
имущественно в сельском хозяйстве.
Разработке и совершенствованию метода и различных его приложений
способствует организованный в 1985 году Международный комитет по
ближней инфракрасной спектроскопии (ICNIR). Комитет регулярно про-
водит международные конференции, на которых рассматриваются и за-
тем публикуются результаты новейших исследований по развитию и
новым приложениям метода. С 1990 года Комитетом выпускается жур-
нал NIRnews (Новости ближней инфракрасной спектроскопии).
В нашей стране изучению возможностей использования инфракрас-
ной спектроскопии при анализах сельскохозяйственной продукции,
кормов, растений и удобрений значительное внимание уделялось начи-
ная с 1975 года Центральным институтом агрохимического обслужи-
вания сельского хозяйства (ЦИНАО), Государственной комиссией по
сортоиспытанию сельскохозяйственных культур, Всесоюзным инсти-
тутом кормов, НПО «Агроприбор», ВНИИЗерна. В первых же работах
по инфракрасной спектроскопии сельскохозяйственных материалов
показано, что метод дает хорошие результаты при определении содер-
жания белка, жира, клетчатки, крахмала и влаги в зерне и вегетатив-
ной массе растений [105], при определении клейковины в зерне пшени-
цы [107], при определении ряда показателей качества кормовых трав,
зерна злаковых и семян масличных культур [111]. Большой объем
информации на русском языке о результатах применения инфракрас-
15
ной спектроскопии в СССР и за рубежом для анализа сельскохозяй-
ственной продукции, кормов и продуктов питания, а также ряда других
объектов имеется в материалах международных симпозиумов, кото-
рые проходили в ЦИНАО и АО «Интерагротех» [56, 142, 143, 158].
ЦИНАО разработаны методические указания по использованию инф-
ракрасной спектроскопии для определения качества сельскохозяйствен-
ной продукции [113], по работе на инфракрасном анализаторе Инфра-
пид-61 (Венгрия) [95|, для ускоренной листовой диагностики азотного
питания растений [114], а также для определения гумуса в почвах
[155]. Всероссийским научно-исследовательским и проектно-техноло-
гическим институтом химизации (ВНИПТИХИМ) разработаны мето-
дические указания по определению качества растительной продукции
(кормов) на ИК-анализаторе Инфрапид-61 [133]. НПО «Агроприбор»
совместно с Всесоюзным институтом зерна разработан инфракрасный
анализатор Спектран-1, предназначенный для анализа зерна на содер-
жание белка и влаги [79]. Метод введен в государственный стандарт
России на определение органического вещества в органических удоб-
рениях [45]. Разработаны и вводятся в действие государственные стан-
дарты на определение содержания сырого протеина, сырой клетчатки,
сырого жира и влаги с применением спектроскопии ближней инфра-
красной области в кормах, комбикормах и комбикормовом сырье [52а].
В настоящее время в России и странах ближнего зарубежья имеет-
ся около 1000 инфракрасных анализаторов Инфрапид-61 и более 350
автоматизированных американо-советско-индийских систем скорос-
тного анализа сельскохозяйственной продукции на основе спектро-
фотометров моделей 4250 и 4500 фирмы NIRSystems (США). Вопро-
сами внедрения инфракрасной спектроскопии в аналитическую прак-
тику занимается АО «Интерагротех». Оно организует совместное
производство и поставку автоматизированных систем для скоростно-
го определения качества сельскохозяйственной продукции на основе
инфракрасных спектрофотометров конструкции фирмы NIRSystems,
кювет и приставок к ним, устройств для пробоподготовки, осущес-
твляет ремонт и техническое обслуживание спектрофотометров для
ближней инфракрасной области, организует их поверку, разрабаты-
вает методики анализа различных объектов и необходимые програм-
мные средства, проводит обучение пользователей, обеспечивает их
готовыми градуировочными уравнениями, которые можно использо-
вать для проведения конкретных видов анализов. При АО «Интераг-
ротех» существует единственный в стране Научно-методический центр
по инфракрасной спектроскопии, ведущий теоретические исследова-
ния и внедрение инфракрасной спектроскопии в различных областях
народного хозяйства, однако преимущественно в сельском хозяйст-
ве, пищевой и перерабатывающей промышленности. Такая ориента-
ция нашла свое отражение и в содержании данного издания.
16
2. ОСНОВЫ СПЕКТРОСКОПИИ
БЛИЖНЕЙ ИНФРАКРАСНОЙ ОБЛАСТИ
2.1. ПРИРОДА СПЕКТРОВ
Инфракрасные лучи представляют собой электромагнитное излу-
чение и обладают теми же свойствами, что и у-лучи, рентгеновские
и ультрафиолетовые лучи, видимый свет, радиоволны. Одной из ос-
новных характеристик электромагнитного излучения, как и всякого
колебательного движения, является длина волны или связанная с
ней через скорость движения волны частота:
где v — частота;
С — скорость света;
Л — длина волны.
В классической инфракрасной спектроскопии обычно используют
волновые числа — величины, обратные длине волны и измеряемые в см1.
Волновые числа показывают, сколько длин волн укладывается в 1 см:
- 104
V~ Л '
В спектроскопии ближней инфракрасной области принято исполь-
зовать длины волн, которые выражают в нанометрах (109 м) или
микрометрах (106 м).
Под спектрами понимают распределение мощности источника из-
лучения (спектр испускания, эмиссии) или интенсивности поглоще-
ния излучения (спектр поглощения, абсорбции) по длинам волн.
К ближней инфракрасной области спектра относят диапазон элек-
тромагнитного излучения с длиной волны от 0,75 до 2,5 мкм, или от
750 до 2500 нм, или с волновыми числами от 13333 до 4000 см1, как
это определено стандартом [46]. При взаимодействии электромаг-
нитного излучения с веществом часть энергии поглощается состав-
ляющими его молекулами, свободными атомами или ионами в зави-
симости от состояния и состава вещества. Методы аналитической
химии, использующие спектры, называются спектральными метода-
ми, спектроскопией. Они классифицируются как атомные или моле-
кулярные в зависимости от того, что испускает или поглощает свет;
как эмиссионные или абсорбционные в соответствии с характером
17
спектров. В спектроскопии ближней инфракрасной области вне зави-
симости от того, получают ли спектры пропускания или отражения,
используют главным образом специфическое поглощение излучения
молекулами определяемого вещества, так что этот метод можно опре-
делить как молекулярную абсорбционную спектроскопию.
Возникновение спектров поглощения молекул связано с измене-
нием их энергетического состояния и представляет обычно ряд полос
поглощения. Это обусловлено дискретностью энергетического со-
стояния молекул и квантовой природой электромагнитного излуче-
ния. Квант — это отдельная порция энергии е, определяемая как
£ = hv,
где h — постоянная Планка;
v — частота излучения.
Чем больше частота, короче длина волны излучения, тем больше
энергия кванта.
Интенсивно поглощаются кванты, соответствующие энергии воз-
буждения молекул. При поглощении излучения происходит увели-
чение энергии молекулы (£), которая, в первом приближении, скла-
дывается из энергии вращения (£вр), колебательной энергии (£т,)
и энергии электронов (£эл):
Е = Е +Е +Е . (2.1.1)
Каждый вид внутренней энергии молекулы имеет квантовую при-
роду и может быть охарактеризован определенным набором энерге-
тических уровней и соответствующих квантовых чисел.
Изменения вращательной энергии молекул вызывают возникнове-
ние спектров в дальней инфракрасной и микроволновой областях и
к ближней инфракрасной области отношения не имеют. С изменени-
ем энергии электронов связаны видимая и более коротковолновая
части спектра. В инфракрасной области спектры связаны главным
образом с изменениями уровней колебательной энергии молекул.
В нормальных условиях молекулы находятся на основном энер-
гетическом уровне. Простейшей молекулой является частица из
двух атомов. Моделью, используемой при рассмотрении колеба-
ний двухатомной молекулы, может служить гармонический ос-
циллятор— система из двух масс, связанных упругой силой.
Кривая потенциальной энергии такой модели обычно аппроксими-
руется параболой, показанной на рис. 2.1.1 (кривая 1). Кванто-
вая теория дает следующее уравнение для определения энергии
такой системы:
' =(V+l/2)hn0, (2.1.2)
где V — колебательное квантовое число, которое может принимать
значения 0,1,2,3 ... .
18
Рис. 2.1.1. Кривая потенциальной энергии двухатомной
молекулы:
1 — гармоничные колебания; 2 — ангармоничные колебания;
Re4 — равновесное расстояние; Ed— энергия диссоциации.
В основном состоянии, соответствующем наиболее низкому энер-
гетическому уровню при 7=0, согласно квантовой механике,
осциллятор обладает энергией так называемых нулевых колеба-
ний, £0=hn0/2. Согласно квантовой теории, правилами отбора в
таких системах разрешены переходы, для которых квантовое чис-
ло меняется на единицу:
Д7=±1. (2.1.3)
Сравнивая уравнения (2.1.2) и (2.1.3), можно видеть, что рассто-
яния между двумя соседними энергетическими уровнями гармони-
ческого осциллятора, представляющего молекулу, постоянны и рав-
ны /ш0. Переход в первое возбужденное состояние (7=1) требует
поглощения энергии излучения (\+hn0/2) — (hn0/2) = hn0, так что
19
основной частоте n.i соответствует nQ. Частота колебаний, характе-
ризующая эту полосу, может быть вычислена по уравнению
v Д
° 2п \М
где М — приведенная масса, определяемая как
1 /М =\/тх + 1/т2 (т1 и т2 — массы ядер);
К — силовая постоянная, которую связывают с прочностью свя-
зи в молекуле.
Реальные колебания молекул ангармоничны, и кривые потенци-
альной энергии молекул имеют более сложный характер (рис. 2.1.1,
кривая 2).
Энергия ангармоничного осциллятора может быть рассчитана по
следующему уравнению:
h2M 2
£ = (И + 1 / 2)Av0 - —(И = 1 / 2)2, (2.1.4)
где D — энергия диссоциации молекулы.
Энергетические уровни ангармоничного осциллятора, как это следу-
ет из уравнения (2.1.4), с увеличением квантового числа сближаются.
Наиболее интенсивной в спектре является первая полоса, возни-
кающая при переходе с V = О на V = 1. Этой полосе соответствует
основная, или фундаментальная, частота пг Менее интенсивные поло-
сы дают обертоны, то есть частоты, характеризующие переход с
уровня V - 0 на уровень V = 2, что дает первый обертон с частотой
п2, на уровень V = 3 — второй обертон, или третья гармоника, с
частотой п3 и т. д. Относительную интенсивность фундаментальных
полос и последующих обертонов можно охарактеризовать примерно
как 100; 9; 0,3; 0,01 [514].
Сравнительная простота колебательного спектра двухатомной мо-
лекулы обусловлена тем, что колебания происходят только вдоль
линии, соединяющей ядра атомов. Здесь следует отметить, что инф-
ракрасными спектрами обладают только те молекулы, у которых
при колебаниях происходит изменение дипольного момента. Инфра-
красные спектры дают, например, молекулы НО, НВг, СН3С1 и т. п.,
но не Н2, О2, СС14.
В многоатомных молекулах происходят колебания всех атомов.
Число колебательных степеней свободы при этом у нелинейных мо-
лекул, состоящих из N атомов, равно 37V—6. У линейных молекул
оно равно 37V—5. ,
Число нормальных колебаний молекулы равно числу ее колеба-
тельных степеней свободы. При классификации колебаний и соот-
20
ветствующих им полос различают валентные и невалентные, или де-
формационные, колебания. Валентные колебания вызываются измене-
ниями длины связи между атомами без существенного изменения уг-
лов между связями. Валентные колебания обозначают буквой V.
Колебания, при которых происходят изменения углов между свя-
зями, называют невалентными, или деформационными, и обознача-
ют буквой 8.
Формы нормальных колебаний молекулы воды иллюстрирует рис.
2.1.2. Так как Н2О является нелинейной трехатомной молекулой, то
колебательных степеней свободы у нее 3N—6 = 3. Можно видеть,
что движения А и В отвечают валентным колебаниям, тогда как С
соответствует деформационным колебаниям, при которых изменяет-
ся угол между связями Н—О—Н.
Рис. 2.1.2. Нормальные колебания молекул воды:
А — валентное симметричное; В — валентное асимметричное;
С — деформационное.
Правило 3N—6 касается только основных, фундаментальных, полос
поглощения, но не обертонов и так называемых составных, или
комбинационных, частот. Составные частоты возникают, когда квант
излучения возбуждает одновременно два или несколько колебатель-
ных движений. Чтобы это произошло,' энергия фотона должна быть
равна сумме энергий объединяющихся колебаний. Появляющиеся
при этом частоты представляют собой алгебраическую сумму исход-
ных частот:
v . = n.v, ± n.v, ± ... ,
комб. II 2 2 ’
где vkom6 — частота комбинационной (составной) полосы;
V, и V, — складывающиеся частоты;
rij и п2 — целые положительные числа.
Составные частоты, так же как и основные частоты и обертоны,
подвержены ангармоничности колебаний, что осложняет предсказа-
ние точного положения полос поглощения и интерпретацию получа-
емых спектров.
Колебательные спектры молекул интерпретируют на основе уче-
ния о симметрии молекул и теории групп. Математический аппарат
21
теории групп позволяет вычислить число полос, частоты колебаний
и правила отбора для молекул различной симметрии. Такая интер-
претация используется для определения молекулярных констант при
изучении строения молекул и т.п.
2.2. ОСНОВЫ КАЧЕСТВЕННОГО АНАЛИЗА
Для решения химико-аналитических задач используют то, что по-
ложения полос поглощения в спектрах связаны с колебаниями оп-
ределенных групп атомов в молекулах и могут служить для иденти-
фикации химических соединений, а интенсивность поглощения со-
ставляет основу количественного анализа.
Основные, или, как говорят, фундаментальные, полосы поглощения
колебательных спектров молекул веществ в твердом и жидком состоя-
ниях лежат в средней инфракрасной области. Положение полос погло-
щения в этой части спектра органических [7, 129], минеральных соеди-
нений [118], воды в различных состояниях [70, 188], таких веществ, как
полимеры [186, 67], углеводы [65], полипептиды и белки [176], хлопок
[66], неорганические стекла и кристаллы [16], минералы [11, 139] и ряд
других природных и искусственных веществ, достаточно полно описа-
ны в литературе.)В ближней инфракрасной области лежат обертоны и
составные частоты, обусловленные в основном колебаниями связей
атома водорода с атомами других химических элементов. Эти полосы
поглощения значительно менее интенсивны, чем фундаментальные, и
характеризуются относительно большей шириной. Спектры органи-
ческих и минеральных соединений в ближней инфракрасной области
представляют обычно очень неясную, слабо дифференцированную кар-
тину широких, плохо разрешающихся, вследствие наложения друг на
друга, полос поглощения. Поэтому до недавнего времени эта область
не привлекала внимания специалистов по спектральному анализу и она
менее изучена, чем область фундаментальных частот.
В то же время получение спектров в ближней инфракрасной об-
ласти значительно проще в техническом отношении. Источником
излучения здесь может быть обычная лампа накаливания, в боль-
шей части рассматриваемой области прозрачен кварц и даже стек-
ло, что решает проблему изготовления кювет и оптических деталей.
Возможно получение спектров растворов, суспензий и эмульсий в
воде, что встречает серьезные трудности в фундаментальной облас-
ти, где очень сильно поглощает вода и прозрачны только очень не-
многие материалы, например галогениды щелочных металлов, кото-
рые обычно используют при изготовлении кювет инфракрасных спек-
трометров.
22
Большая часть полос поглощения, наблюдаемая в ближней инфра-
красной области спектра, как уже отмечено выше, связана главным
образом с колебаниями атомов водорода в молекулах веществ, со-
держащихся в анализируемых пробах. Частота колебаний, а соот-
ветственно и длины волн поглощения зависят от того, с какими
атомами связан атом водорода и в каких структурах он находится.
На рис 2.2.1 показан спектр пропускания воды при толщине про-
свечиваемого слоя 0,5 мм. На рисунке виден первый обертон воды
около 1400 нм и составная полоса около 1930 нм. Второй обертон
воды лежит вне графика около 960 нм и третий — около 750 нм на
границе видимой области. Обертоны более высоких порядков нахо-
дятся уже в видимой области, что и обусловливает голубой цвет
воды, наблюдаемый в большой ее толще. В свою очередь из видимой
области в ближнюю инфракрасную область заходят полосы погло-
щения, вызываемые энергетическими переходами электронов, что
можно наблюдать в спектрах ряда веществ.
В молекулах органических соединений атом водорода может быть
связан с атомами кислорода, углерода, азота, серы, что определяет
сложность спектров материалов биологического происхождения. До-
статочно сложными могут быть и спектры неорганических веществ.
Спектры многих органических и минеральных соединений имеются в
литературе [689]. Положения полос поглощения различных структур-
ных единиц органических и минеральных соединений приведены в таб-
лицах 2.2.1 [514, 607] и 2.2.2 [514]. Полосы поглощения, представляю-
щие интерес при определении основных компонентов состава сельско-
хозяйственной продукции, приведены в таблице 2.2.3 [689]. Характер-
ные спектры имеют жиры растительного и животного происхождения,
отличающиеся наличием нескольких острых максимумов поглощения,
как это можно видеть на рис. 2.2.2 и 2.2.3, на которых показаны спектр
поглощения подсолнечного масла и спектр диффузного отражения го-
вяжьего жира. Острые максимумы поглощения жиров четко проявля-
ются в спектрах семян подсолнечника (рис.2.2.4), рапса (рис.2.2.5),
бобов сои (рис.2.2.6). В спектрах зерновых культур, например, гороха
(рис. 2.2.7), пшеницы, ячменя, овса, ржи (рис.2.2.8), в спектрах сена
(рис.2.2.9), комбикорма (рис.2.2.10), содержание жира в которых неве-
лико, эти максимумы поглощения менее интенсивны, но проявляются
достаточно четко, чтобы их обнаружить.
Спектры поглощения глюкозы (рис. 2.2.11), крахмала (рис.2.2.12),
целлюлозы (рис. 2.2.13), белка (рис. 2.2.14) достаточно сложны, и в
спектрах материалов биологического происхождения они обычно пе-
рекрываются. Кроме того, на них накладывается поглощение воды,
полосы поглощения которой видны в спектрах веществ даже в воз-
душно-сухом состоянии. Это очень интенсивная комбинационная по-
лоса воды около 1940 нм и менее интенсивный первый обертон око-
ло 1420 нм. Интенсивность полосы поглощения воды около 1930 —
23
loed/R) Mi/в)
Рис.2.2.1.Спектр поглощения воды (толщина
просвечиваемого слоя 0,5 мм).
Рис.2.2.2.Спектр поглощения подсолнечного масла
(толщина просвечиваемого слоя 0,5 мм).
24
W 1 / R)
Рис. 2.2.3. Спектр диффузного отражения говяжьего
жира.
Рис. 2.2.4. Спектр диффузного отражения семян
подсолнечника.
25
Рис. 2.2.5. Спектр диффузного отражения семян рапса.
26
Рис. 2.2.7. Спектр диффузного отражения гороха.
Рис. 2.2.8. Спектр диффузного отражения зерна пшеницы
(1), ячменя (2), овса (3), ржи (4).
27
Рис. 2.2.9. Спектр диффузного отражения сена злакового.
Рис. 2.2.10. Спектр диффузного отражения комбикорма
для птицы.
28
Рис. 2.2.12. Спектр диффузного отражения крахмала.
29
Рис. 2.2.13. Спектр диффузного отражения целлюлозы.
Рис. 2.2.14. Спектр диффузного отражения белка
(бычий альбумин).
1940 нм обычно и служит основой для количественного определения
влажности материалов.
Следует отметить, что простое рассмотрение спектров сложных
по составу объектов в большинстве случаев не дает четкого ответа
при качественном анализе. При перекрытии полос поглощения поло-
жения максимумов в результирующих спектрах смещаются относи-
тельно их положения в спектрах чистых соединений. Кроме того,
30
Таблица 2.2.1
Полосы поглощения органических веществ в ближней
инфракрасной области
Длина волны Характер колебаний Структура
713 С—Н валентный (вал.) первый обертон бензол
738 О—Н вал. третий обертон ROH
740 С—Н вал. четвертый обертон сн3
746 С—Н вал. четвертый обертон сн2
747 О—Н вал. третий обертон АгОН
760 О—Н вал. третий обертон н2о
762 С—Н вал. четвертый обертон сн2
779 N—Н вал. третий обертон rnh2
790 N—Н вал. третий обертон ArNH2
806 N—Н вал. третий обертон rnh2
808 2xN—Н вaл.+2xN—Н
деформационный (деф.)+2хС—N вал. RNHR’
815 N—Н вал. третий обертон RNHR’
832 2xN—Н вaл.+2xN—Н деф.+2хС—N вал. RNHR’
840 ЗхС—Н вал.+С—С вал. бензол
874 С—Н вал. третий обертон бензол
880 С—Н вал. третий обертон CHCI3
900 С—Н вал. третий обертон CH3
910 С—Н вал. третий обертон белок
913 С—Н вал. третий обертон CH2
928 С—Н вал. третий обертон жир
938 С—Н вал. третий обертон CH2 '
970 О—Н вал. второй обертон ROH, H2O
990 О—Н вал. второй обертон крахмал
1000 О—Н вал. второй обертон ArOH
1015 2хС—Н вал.+ЗхС—Н деф. CH3
1020 2xN—Н вал.+2хамид I белок
1020 С—Н вал. второй обертон ArNH2
1030 С—Н вал. второй обертон rnh2
1037 2хС—Н вал.+2хС—Н деф.+(СН2)п жир
31
Таблица 2.2.1.(продолжение)
Длина волны Характер колебаний Структура
1053 2хС—Н вал. +2хС—Н деф.+(СН2)п сн2
1060 N — Н вал. второй обертон RNH2
1080 2хС вал. +2хС—Н вал. бензол
1097 2хС вал. +2хС—Н вал. циклопропан
1143 С—Н вал. второй обертон ароматические
соединения
(аромат.)
1152 С—Н вал. второй обертон сн3
1160 С=О вал. четвертый обертон С=О
1170 С—Н вал. второй обертон НС=СН
1195 С—Н вал. второй обертон сн3
1215 С—Н вал. второй обертон сн2
1225 С—Н вал. второй обертон сн
1360 2хС—Н вал.+СН деф. сн,
1395 2хС—Н вал.+СН деф. сн2
1410 О—Н вал. первый обертон ROH, жир
1415 2хС—Н вал.+СН деф. сн2
1417 2хС—Н вал.+СН деф. аромат.
1420 О—Н вал. первый обертон аромат.ОН
1430 NO—Н вал. первый обертон conh2
1440 О—Н вал. первый обертон сахароза,
крахмал
1440 2хС—Н вал.+СН деф. СН
1446 2хС—Н вал.+СН деф. аромат.
1450 О—Н вал. первый обертон крахмал, Н2О
1450 С=О вал. третий обертон С=О
1460 N—Н симметр. вал. первый обертон мочевина
1463 N—Н вал. первый обертон conh2
1471 N—Н вал. первый обертон CONHR
1480 О—Н вал. первый обертон (межмо-
лекулярная водородная связь) глюкоза
1483 N—Н вал. первый обертон CONH,
32
Таблица 2.2.1(продолжение)
Длина волны Характер колебаний Структура
1490 N—Н вал. первый обертон
(межмолекулярная водородная связь) conh2
1490 О—Н вал. первый обертон мочевина
1492 N—Н вал. первый обертон аромат.NH2
1500 N—Н вал. первый обертон NH
1510 N—Н вал. первый обертон белок
1520 О—Н вал. первый обертон conh2
1520 О—Н вал. первый обертон (меж-
молекулярная водородная связь) ROH
1520 N—Н вал. первый обертон мочевина
1528 N—Н вал. первый обертон (меж-
молекулярная водородная связь) крахмал
1530 N—Н вал. первый обертон rnh2
1533 С—Н вал. первый обертон С=Н
1540 О—Н вал. первый обертон (меж-
молекулярная водородная связь) крахмал
1570 N—Н вал. первый обертон —CONH—
1580 О—Н вал. первый обертон (меж- крахмал,
молекулярная водородная связь) глюкоза
1620 С—Н вал. первый обертон =сн2
1660 С—Н вал. первый обертон цис—RCH=CHR’
1685 С—Н вал. первый обертон аромат.
1695 С—Н вал. первый обертон сн3
1705 С—Н вал. первый обертон СН3
1725 С—Н вал. первый обертон сн2
1740 S—Н вал. первый обертон —SH
1765 С—Н вал. первый обертон сн2
1780 С—Н вал. первый обертон целлюлоза
1780 С—Н вал. +О—Н деф. целлюлоза
1790 О—Н составная н2о
1820 О—Н вал.+2хС—О вал. целлюлоза
1860 С—CI вал. шестой обертон С—С1
1900 О—Н вал.+2хС—О вал. крахмал
1900 С=О вал. второй обертон -со2н
33
Таблица 2.2.1 (продолжение)
Длина волны Характер колебаний Структура
1908 О—Н вал. первый обертон Р—ОН
1920 С=О вал. второй обертон —CONH
1930 О—Н вал. +НОН деф. крахмал
1940 О—Н вал.+О—Н деф. н2о
1950 С=О вал. второй обертон -co2r
1960 N—Н вал. асимметричн.+амид II conh2
1960 О—Н вал. +НОН деф. крахмал
1980 N—Н вал.асимметричн.+амид II белок
1990 N—Н вал. + N—Н деф. мочевина
2000 2x0—Н деф.+С—О деф. крахмал
2000 N—Н вал.асимметричн.+амид II CONHj, CONHR
2030 С=О вал. второй обертон conh2,
мочевина
2050 N—Н вал.асимметричн.+амид II белок
2050 N—Н вал.асимметричн.+амид II conh2
2055 N—Н вал. +амид I белок
2060 N—Н деф. второй обертон или N—Н деф. +N—Н вал. белок
2070 N—Н деформ, обертон мочевина
2070 О—Н составная жир
2080 О—Н вал. +О—Н деф. ROH, сахароза, крахмал
2100 2x0—Н деф. +2хС—О вал. крахмал
2110 N—Н симметричн.вал.+амид II conh2, CONHR
2132 N—Н вал. +С=О вал. аминокислоты
2140 =С—Н вал. +С=С вал. НС—СН, жир
2150 2хамид II + амид. III conh2
2160 2хамид II + амид. III CONHR
2170 С—Н асимметричн.вал.+С—Н деф. НС=СН
2180 2хамид II + амид. III белок
34
Таблица 2.2.1 (продолжение)
Длина волны Характер колебаний Структура
2180 N—Н вал. второй обертон белок
2190 СН2 асимметричн. вал.+С=С вал. НС=СН
2200 С—Н вал. +С=О вал. —СНО
2242 N—Н вал. +NHJ деф. аминокислоты
2252 О—Н вал. +О—Н деф. крахмал
2270 О—Н вал. +С—О вал. целлюлоза
2276 О—Н вал. +С—С вал. крахмал
2280 С—Н вал. +С—Н деф. сн3
2280 С—Н вал.+СН2 деф. крахмал
2294 N—Н вал. +С=О деф. аминокислоты
2300 С—Н деф. второй обертон белок
2310 С—Н вал. +С—Н деф. сн2
2310 С—Н деф. второй обертон жир
2322 С—Н вал. +СН2 деф. крахмал
2323 С—Н вал. +С—Н деф. сн2
2330 С—Н вал. +С—Н деф. крахмал
2336 С—Н вал. +С—Н деф. целлюлоза
2347 СН2 симметричн.вал. +=СН2 деф. нс=снсн2
2352 С—Н деф. второй обертон целлюлоза,
белок
2380 О—Н деф. второй обертон ROH
2380 С—Н вал. +С—С вал. жир
2461 С—Н вал. +С—С вал. крахмал
2470 С—Н составная сн2
2461 С—Н вал. +С—С вал. крахмал
2470 С—Н составная сн2
2470 С—N—С вал. первый обертон белок
2488 С—Н вал. +С—С вал. целлюлоза
2500 С—Н вал. +С—С вал. крахмал
2530 С—N—С асимметричн. вал.
первый обертон белок
35
Таблица 2.2.2.
Примерное положение полос поглощения неорганических
соединений в ближней инфракрасной области
Длины волн, нм Структурные группы, характер колебаний
1-й обертон 2-й обертон 3-й обертон
2460 — 2670 1480 — 1600 Р=О
2410 — 2500 1440 — 1500 no;
2330 — 2400 1390 — 1440 nh4+
2270 — 2500 1510 — 1670 C=N; SCN
2230 — 2360 1340 — 1420 Карбонаты
2030 — 2200 1350 — 1470 P—H валентные
1850 — 1950 1230 — 1300 Р—ОН валентные
1880 — 2200 Силикаты
1810 — 2000 Фосфаты, все
1760 — 1860 Сульфаты, SO4"
1750 — 1900 Фосфаты, РО3”
1690 — 1910 ИЗО — 1307 —SH вал.
(очень слабая)
1600 — 1800 Р=О водородная
связь
1600 — 1630 no;
1510 — 1830 Фосфаты, РО;
1510 — 1650 1010 — 1100 NH/ 4
широкие полосы поглощения могут вообще быть не видны в спект-
рах при наложении на них других более’острых полос. Это иллюс-
трирует рис. 2.2.15, на котором показано перекрытие представ-
ленных гауссианами полос поглощения различной ширины и интенсив-
ности. Можно видеть, что положения максимумов суммарной кривой
Рис. 2.2.15. Имитация
перекрытия полос
поглощения
суммированием
четырех гауссиан.
36
Таблица 2.2.3.
Положение полос поглощения (нм) основных компонентов
материалов биологического происхождения
Белок Крахмал Жир Влага Целлюлоза Сахар
874* 878* 891* 834* 860 838
909** 901* 913 938 905* 888
979 918** 931* 958** 920* 913
1018** 979*** 965 978 978*** 978*
1051* 1030 979 986 1058 1005
1143** 1053 998 994 1160 1380*
1171* 1068 1018* 1010 1190* 1437*
1187*** 1088 1054* 1030 1220* 1687
1240* 1160 1161** 1099 1275* 2080***
1276* 1198 1188* 1153* 1363** 2202
1357* 1254 1212** 1409** 1425**? 2275*
1365* 1360* 1360 1460** 1460** 2320*
1385* 1430***? 1387*** 1780* 1520
1422* 1580* 1410* 1910** 1585*
1458* 1700** 1433 2305 1702**
1485*** 1745* 1703** 2345 1825**
1570* 1780* 1722** * 2510** 2050*
1690*** 1825* 1760** 2079**
1735* 1928***? 1820 2103**
1757 2100*** 1900 2145*
1928 2180 1930 2172
1972*** 2200 2005 2268***
2055*** 2282*** 2120* 2335**
2140 2320** 2142** 2355**
2162** 2370 2179* 2370
2182* 2445* 2265* 2390
2203* 2485** 2306*** 2410
2265** 2540* 2342*** 2445
2300** 2380* 2480***
2345** 2460* 2530
2390 2480 2560
2420* 2515 2582*
2462** 2520 2545 2560 2535
Данные взяты из: Williams Р. and Norris К. (Eds.). Near-Infrared
Technology in the Agriculture and Food Industry. — American Association
of Cereal Chemists, Inc. — St. Paul, Minnesota, USA. — 1987. — P. 330.
37
Значения длин волн определены по второй производной log(l/Т)
спектров пропускания масла, воды, сахара и log(l /R) спектров
белка, крахмала и целлюлозы. Данные получены при ширине щели
7 нм и при расчете производных по точкам, отстоящим на
10 нм. Спектр сахара получен вычитанием спектра воды из
спектра его 50%-ного водного раствора.
Звездочками показана относительная интенсивность полос.
Наибольшая интенсивность показана как ***, знаком «?» — воз-
можные полосы поглощения воды.
заметно сдвинуты относительно составляющих кривых, а присутствие
самой широкой полосы (кривая 2) совсем не проявляется.
Спектры диффузного отражения веществ в значительной степени
осложнены также рассеянием излучения частицами вещества, что
создает дополнительные трудности при рассмотрении получаемой
картины.
Вследствие перекрытия полос поглощения различных компонен-
тов спектры диффузного отражения большей части материалов био-
логического происхождения слабо дифференцированы. Полосы пог-
лощения белка перекрываются обычно полосами поглощения крах-
мала и клетчатки. Особенно слабо проявляется в спектрах диффуз-
ного отражения состав материалов с высоким содержанием воды,
например мяса, основную часть которого составляет вода (рис.
2.3.16).
Более четкие полосы поглощения наблюдаются в спектрах доста-
точно простых органических и минеральных соединений. Например,
в спектрах этилового спирта, гипса, кальцита. Но если спектры гип-
са в виде таких природных образований, как друзы в почве (рис.
2.2.18) и гипс в виде химического реактива (рис. 2.2.17), практичес-
ки идентичны, то спектры химического реактива углекислого каль-
ция (рис. 2.2.19) и минерала кальцита (рис. 2.2.20), имеющих один
и тот же химический состав, существенно различаются, что связа-
но, очевидно, с различной окристаллизованностью этих веществ.
В последнее время для проведения анализов с помощью спектрос-
копии ближней инфракрасной области все больше используют ее
коротковолновую часть от 800 до 1200 нм. В этой части спектра
наблюдаются полосы поглощения воды, масла, крахмала, белка (рис.
2.2.21), что и используется в аналитических целях.
Для более четкого выявления полос поглощения компонентов проб
различных материалов используют специальные методы математи-
ческой обработки спектральных данных, рассматриваемые в разде-
ле 4. Принадлежность полос поглощения тому или иному компонен-
ту в сложных по составу объектах часто определяют с помощью
корреляции интенсивности полос с концентрацией соответствующе-
38
log(l/R) log(l/R) log(l/R)
Рис. 2.2.16.
Спектр
диффузного
отражения мяса
(фарш).
Рис. 2.2.17.
Спектр
диффузного
отражения гипса
в виде
химического
реактива
сернокислого
кальция
десятиводного.
Рис. 2.2.18.
Спектр
диффузного
отражения
гипса в виде
друз из почвы.
39
[148].
Рис. 2.2.19.
Спектр
диффузного
отражения
углекислого
кальция
(химический
реактив).
Рис. 2.2.20.
Спектр
диффузного
отражения
кальцита
(минерал).
Рис. 2.2.21.
Спектры
поглощения си
масла (1),
воды (2),
крахмала (3) и —
белка (4) в
коротковолновой
части ближней
ИК-области
Длина волны, нм
40
го компонента. Применяют также различные методы извлечения спек-
тров компонентов из спектра исследуемого объекта, как это рассмат-
ривается в разделе 5.4. Визуальное изучение спектров и результатов
их преобразований является достаточно сложным и трудоемким, тре-
бующим специальных знаний и опыта. Здесь следует отметить, что при
некоторых преобразованиях спектров, рассматриваемых в разделе 4,
возникают артефакты, определить которые не всегда просто. Приме-
ром могут служить появление экстремумов-сателитов в производных
спектров, смена положительных значений оптической плотности на
отрицательные при центрировании спектральных данных или устране-
нии тренда в спектрах и некоторые другие.
Значительно большие перспективы открывает применение спек-
троскопии ближней инфракрасной области для идентификации ма-
териалов на основе использования чисто статистических методов
распознавания образов. Суть их состоит в том, что спектральные
данные, представляющие количественную информацию, используют
для классификации объектов, определения степени близости их друг
другу, а затем для идентификации. Обычно она сводится к определе-
нию, к какой из предварительно установленных групп относится
данный неизвестный объект при заданном уровне доверительной ве-
роятности. Эти вопросы рассматриваются в разделе 8.
2.3. ОСНОВЫ КОЛИЧЕСТВЕННОГО АНАЛИЗА
Спектроскопия ближней инфракрасной области применяется для
анализа объектов в различном физическом состоянии, что определя-
ет способ получения спектров. Идеальный во многих отношениях
случай представляет оптически однородная смесь жидких веществ,
если основной ее компонент, представляющий растворитель, про-
зрачен, а интересующий компонент, аналит, поглощает излучение.
Процесс поглощения излучения при прохождении прозрачной сре-
ды, содержащей поглощающий компонент, описывается известным
законом Бугера—Ламберта—Бера:
D = log Uo/D = kCl , (2.3.1)
где D — оптическая плотность просвечиваемой среды;
1 д — интенсивность света, падающего на среду;
/ — интенсивность света после прохождения среды;
С — концентрация поглощающего вещества в просвечиваемой
среде;
/ — толщина просвечиваемого слоя;
41
k — коэффициент пропорциональности, зависящий от длины вол-
ны падающего излучения и природы поглощающего вещества.
Коэффициент k является характеристикой данного вещества. При
С=1 моль/л и 1=1 см он представляет собой молярный коэффици-
ент поглощения данного вещества при данной длине волны.
Отношение I/ 1о называют коэффициентом пропускания и обозна-
чают как Т. В обычном фотометрическом анализе в видимой облас-
ти за I принимают интенсивность излучения после прохождения
чистого растворителя, который, как правило, прозрачен, и полагают
ее равной единице. В этом случае закон поглощения излучения можно
записать так:
D = log (1/Т) = kCl. (2.3.2)
В такой форме закон поглощения используется в ближней инфра-
красной спектроскопии при измерении пропускания излучения ана-
лизируемым объектом. Однако тот идеальный случай, когда объект
оптически однороден и среда прозрачна, встречается редко.. Приме-
ром может служить раствор хлороформа, который имеет несколько
полос поглощения в ближней инфракрасной области, в четыреххло-
ристом углероде, который здесь практически прозрачен. В данном
примере достаточно одного измерения оптической плотности при
длине волны, соответствующей максимуму поглощения хлорофор-
ма, чтобы определить его концентрацию.
В большей части случаев среда поглощает, и полосы поглощения
компонентов смеси перекрываются, что заставляет проводить изме-
рения при нескольких длинах волн, в зависимости от числа погло-
щающих компонентов смеси и применяемого способа измерения. В
основе этих способов лежит аддитивность оптической плотности:
D = D, + D2 +....+ Dn
И
D = k,Cfl + k9CJ +....+ k С I
II Z 2 n rt
ИЛИ
D = )
(=1
где подстрочные индексы относятся к поглощающим компонентам
смеси.
Если коэффициенты поглощения k известны, их можно опреде-
лить экспериментально, а I имеет постоянное значение, например,
при использовании одной и той же кюветы, для определения концен-
трации компонента достаточно п измерений при п длинах волн.
Для двухкомпонентной системы в этих условиях достаточно двух
измерений при двух длинах волн. Значения длин волн подбирают по
42
спектрам поглощения чистых компонентов, применяя различные
приемы. Хорошие результаты дает, например, метод максимальных
разностей, по которому строят график зависимостей разности коэф-
фициентов поглощения компонентов от длины волны и находят об-
ласти максимума и минимума. Длины волн, соответствующие этим
областям, выбирают в качестве аналитических, учитывая, что и
абсолютные значения коэффициентов здесь также должны быть до-
статочно велики. Часто, но следует подчеркнуть, что далеко не
всегда, эти области соответствуют максимумам поглощения компо-
нентов. Молярные коэффициенты поглощения определяются зара-
нее, и последующий анализ сводится к определению оптических
плотностей при двух выбранных длинах волн.
Особый интерес представляют участки спектра, где один из ком-
понентов не поглощает, а другой дает интенсивное поглощение. В
этом случае поглощающий компонент можно определить, измеряя
оптическую плотность только при одной длине волны в таком учас-
тке спектра.
На практике задача градуировки обычно решается упрощенно —
подбором длин волн, при которых наблюдается максимум поглоще-
ния одного из компонентов, и он не накладывается на максимумы
других компонентов. В качестве примера возможных способов оп-
ределения концентрации вещества в двухкомпонентной системе мож-
но рассмотреть определение концентрации этилового спирта в сме-
си с водой. Как видно из рис. 2.3.1, и вода, и этанол поглощают
инфракрасное излучение во всем изучаемом диапазоне от 1300 до
2400 нм. На участках спектра вблизи максимумов поглощения воды
около 1450 и 1940 нм спирт поглощает слабее, и поглощение смеси
снижается при повышении его концентрации. Обратная, но менее
четкая картина наблюдается при длинах волн в районе 1700 и 2300
нм. Здесь наблюдаются максимумы поглощения спирта, и оптичес-
кая плотность повышается с увеличением его концентрации. Пос-
кольку рассматриваемая система содержит только два компонента,
их концентрации взаимосвязаны. Поэтому, определив концентра-
цию одного, можно узнать и концентрацию второго компонента.
Если проводить определение концентрации спирта, используя вызы-
ваемое им поглощение, то измерения лучше проводить при 2306 нм
(рис. 2.3.2), где наблюдается максимум поглощения этого компо-
нента и максимальная разность со спектром воды. В районе 1700
нм, где также наблюдаются полосы поглощения спирта, чувстви-
тельность была бы значительно ниже. На полосу поглощения спир-
та около 2000 нм накладывается очень интенсивная полоса погло-
щения воды, поэтому в смесях с малой долей спирта наблюдаемый
здесь его максимум поглощения теряется. При 2306 нм спектр воды
не имеет возмущений, что облегчает решение задачи. Если прово-
43
Рис. 2.3.1.
Спектр
поглощения
воды (1),
этанола (6) и
их смесей при
различных
соотношениях
(2 — 5).
Рис. 2.3.2.
То же, что
и на рис.
2.3.1, в
спектральном
диапазоне
2150 — 2400
нм.
Рис. 2.3.3.
Зависимость
оптической
плотности
растворов этанола в
воде от
концентрации
этанола:
1 — при измерении по
разности оптической
плотности при 2306 и
2208 нм; 2 — при из-
мерении относительно
базовой линии.
44
дить измерение оптической плотности смеси при этой длине волны,
относительно чистой воды (точка А на рис. 2.3.2), то есть относи-
тельно чистого растворителя, как принято в обычном фотометри-
ческом анализе в видимой области спектра, зависимость оптичес-
кой плотности от концентрации будет иметь явно нелинейный ха-
рактер, как это видно из рис. 2.3.3. Аналогичный результат дает
измерение оптической плотности при 2306 нм относительно любого
другого фиксированного значения оптической плотности при этой
длине волны, например относительно нулевого значения оптичес-
кой плотности (встроенного стандарта, оптическая плотность кото-
рого принимается равной нулю). Это вызовет только смещение гра-
фика относительно нуля, не изменяя его наклона. Отклонение от
линейности в данном случае определяется тем, что при повышении
концентрации спирта поглощение воды снижается вследствие умень-
шения ее концентрации в смеси. Поэтому оптическая плотность
чистой воды, взятая за начало отсчета и принимаемая за константу,
как бы занижает результат измерения оптической плотности смесей
воды со спиртом в тем большей степени, чем выше концентрация
спирта и ниже концентрация воды в измеряемой смеси.
Значительно улучшает картину проведение измерений при двух
длинах волн: при 2306 нм, где находится максимум поглощения
спирта, и около 2208 нм как опорной, учитывающей изменение пог-
лощения воды при изменении ее доли в смеси. В данном случае
зависимость практически линейна вплоть до 60%-ной концентрации
спирта, а также выше чувствительность определений. Однако в этом
случае для каждого образца необходимо проведение измерения оп-
тической плотности при двух длинах волн.
Еще более сложным является учет повышения фона с увеличени-
ем длин волн при измерении высоты максимума поглощения спирта.
Для этого можно измерять высоту максимума относительно базо-
вой линии, представляющей основание пика. На рис. 2.3.2 такая
точка отсчета для максимальной концентрации обозначена буквой
В. Измерение оптической плотности относительно базовой линии,
которую находят для каждого спектра, явно улучшает результаты,
но требует большего числа измерений, что делает анализ более
трудоемким.
Пример более сложной задачи по определению содержания основ-
ных компонентов жидкого молока рассмотрен в разделе 7.5.1. Обос-
нование выбора длин волн для анализа сухого молока приведено в
разделе 7.5.2.
При прохождении излучения через оптически неоднородную сре-
ду, например через слой частиц, размеры которых значительно пре-
восходят длину волны излучения, процесс поглощения осложняют
явления отражения от поверхности частиц, преломления на грани-
45
цах сред, дифракции на краях частиц. В одной из первых работ по
применению инфракрасной спектроскопии для определения содер-
жания воды в бобах сои [220] анализируемый материал размалыва-
ли, смешивали с четыреххлористым углеродом и спектрофото-
метрировали полученную суспензию. Так как коэффициенты пре-
ломления частиц размолотых бобов и четыреххлористого угле-
рода практически одинаковы, система не изменяла направления
потока излучения и рассеяние сводилось к минимуму. Кроме того,
в используемой области спектра четыреххлористый углерод прак-
тически прозрачен. В результате можно было измерять практи-
чески чистое поглощение излучения частицами исследуемого ма-
териала. Поскольку поглощение вызывалось не только поглоще-
нием воды, но и другими компонентами частиц, измеряли раз-
ность значений оптической плотности при 1,94 и 2,08 мкм. Это
позволяло вычленять поглощение воды и определять ее содержа-
ние. Зависимость получаемой разности оптической плотности от
содержания воды имела нелинейный характер, и ее аппроксими-
ровали параболой второго порядка:
у = - 0,48 + 8,60х - 0,18х2,
где у — содержание воды, %;
Х ~ ^1,94 ^2,08 •
В дальнейшем было найдено, что размолотый твердый материал,
те же бобы сои, можно анализировать непосредственно по отраже-
нию от него инфракрасного излучения или по пропусканию.
При взаимодействии инфракрасного излучения с твердым веществом
в измельченном состоянии, когда размеры частиц значительно превос-
ходят длину волны, происходят отражение от поверхностей частиц,
преломление на границах раздела сред, дифракция на краях частиц и
поглощение излучения при прохождении его сквозь частицы.
Простейшей моделью при рассмотрении явления отражения и пре-
ломления может служить плоская поверхность раздела воздух—
твердое тело. При падении монохроматического луча на плоскую
поверхность (рис.2.3.4) часть излучения отражается, причем угол
падения равен углу отражения (0; = 02). Часть излучения проходит
в глубину тела. При этом происходит отклонение луча от первона-
чального направления вследствие преломления. Проходя среду, со-
держащую вещества, которые поглощают излучение при данной длине
волны, интенсивность луча уменьшается соответственно длине прой-
денного пути, концентрации поглощающего компонента и его спо-
собности к поглощению:
'о ~ Л? + а + ’
46
где /0 — интенсивность падающего луча;
IR — интенсивность отраженного луча;
1Д — интенсивность, поглощенная веществом при прохождении
луча сквозь него;
1Т — интенсивность прошедшего луча.
Рис. 2.3.4. Взаимодействие излучения с плоской
поверхностью:
10 — луч, падающий на поверхность; R — отраженный луч; Т —
проходящий луч; 01 — угол падения; 02 — угол отражения; 03 —
угол преломления.
Интенсивность отраженного излучения может быть найдена по
уравнению Френеля:
= (п2 -п,)2
/0 («2 + И])2
(2.3.3)
где п1 и п2 — показатели преломления граничащих сред.
Если облучаемое вещество поглощает излучение, показатель пре-
ломления представляется комплексным числом п(1 — k), где п
является действительной частью комплексного числа, a k — кон-
стантой, определяющей поглощающую способность среды, уравне-
ние (2.3.3) можно преобразовать следующим образом:
Л? „ (и2 - и,)2 + (n2k)2
4 (П2 +И])2 +(И2Й)2
47
Для большинства веществ величина k очень мала, поэтому погло-
щением излучения при рассмотрении процесса отражения обычно
пренебрегают, полагая, что в основном энергия поглощается при
прохождении излучения сквозь вещество.
При падении излучения на плоскую гладкую поверхность отра-
жение имеет упорядоченный зеркальный характер (рис. 2.3.5).
Шероховатая матовая поверхность с неупорядоченными неровнос-
тями, размеры которых значительно превышают длину волны,
отражает излучение иначе (рис. 2.3.6). Такую поверхность мож-
но рассматривать как состоящую из отдельных плоских элемен-
тарных участков, расположенных под различными углами по от-
ношению к потоку падающего излучения. Отражение от такой
поверхности имеет беспорядочный характер, но каждый отдель-
ный луч отражается от элементарной поверхности неровностей
по закону Френеля.
Рис. 2.3.5. Взаимодействие лучей с плоской зеркальной
поверхностью.
Рис. 2.3.6. Взаимодействие лучей с матовой
шероховатой поверхностью.
48
Совершенно иной характер имеет отражение от материала в порош-
ковидном состоянии (рис. 2.3.7). Отражение по Френелю в направле-
ниях под тем или иным углом по отношению к первичному пучку
испытывает только часть лучей, которая взаимодействует с первой
фронтальной поверхностью внешнего слоя частиц (луч В на рис. 2.3.7).
Доля отраженного таким образом излучения при прочих равных усло-
виях зависит от крупности частиц, определяющей площадь отражаю-
щей поверхности. Часть лучей проходит внутрь облучаемого слоя,
испытывая преломление, отражение от поверхностей раздела сред и,
что наиболее важно при изучении состава облучаемого материала,
проходит тот или иной путь сквозь его частицы, испытывая специфи-
ческое поглощение, связанное с содержанием поглощающих компо-
нентов. Некоторая доля таких лучей при этом выходит из облучаемого
слоя назад под тем или иным углом к исходному пучку (луч D), обра-
зуя диффузное отражение. При достаточно тонком просвечиваемом
слое часть лучей может пройти сквозь него, совершив тот или иной
путь сквозь частицы (луч С), теряя часть энергии вследствие поглоще-
ния частицами вещества. Часть лучей полностью поглощается слоем,
часть уходит в стороны. Наиболее важную для количественного анали-
за информацию несут лучи С и D, проходящие тот или иной путь
сквозь частицы, так как вызванное при этом поглощение специфично и
зависит от концентрации поглощающих веществ, из которых состоят
частицы. Однако это специфическое поглощение зависит от крупности
частиц и составляет только часть наблюдаемых потерь энергии пер-
вичного пучка, что осложняет проведение количественного анализа.
Рис. 2.3.7. Взаимодействие излучения с веществом в
порошковидном состоянии:
А — падающий луч; В — отраженный от фронтальной
поверхности вещества; С — прошедший слой вещества; D —
диффузно отраженный луч.
49
В целях количественного анализа используют измерение как
интенсивности диффузного отражения, помещая приемник излу-
чения над облучаемым объектом со стороны источника излуче-
ния под углом по отношению к первичному пучку, так и интен-
сивности излучения, прошедшего сквозь облучаемый слой, то
есть пропускание, измеряя интенсивность прошедшего пучка. В
этом случае приемник излучения располагают за облучаемым объ-
ектом. Возможны и другие варианты геометрии фотометричес-
кой части инфракрасных анализаторов. Более подробно устрой-
ство оптической части инфракрасных анализаторов рассмот-
рено в разделе 3.
Для количественного описания диффузного отражения исполь-
зуют теорию Кубелки—Мунка [441, 440], которая для слоя час-
тиц бесконечно большой толщины дает следующее уравнение:
F(Rco) = (-^-^- = ^ (2.3.4)
где F(R~) — функция Кубелки—Мунка;
/?_ — коэффициент отражения от слоя частиц бесконечно боль-
шой толщины;
$ — коэффициент, характеризующий рассеивающую способность
вещества;
k — коэффициент, характеризующий поглощающую способность
вещества.
Теория Кубелки—Мунка неоднократно проверялась эксперимен-
тально. Было показано, что коэффициент рассеяния s зависит от
размера частиц, а коэффициент поглощения k пропорционален кон-
центрации поглощающего компонента в облучаемом материале. Если
собрать и измерить все диффузное отражение от материала, то фун-
кция Кубелки—Мунка может быть связана с концентрацией следу-
ющим образом:
= (1 - R„)2 = оС
2Д„ s
(2.3.5)
где а — коэффициент, характеризующий поглощающую способность
вещества.
Данное уравнение справедливо для отдельно отстоящих друг от
друга частиц в непоглощающей среде при условии, что измеряется
интенсивность всего диффузного отражения при бесконечно боль-
шой толщине слоя облучаемого объекта, когда размеры частиц
несоизмеримо больше длины волны излучения и несоизмеримо мень-
ше облучаемой площади образца.
50
На практике диффузное отражение обычно измеряют относитель-
но встроенного стандарта — имитатора белого тела, коэффициент
отражения от которого принимают равным единице. Это может быть,
например, пластинка из керамики или другого хорошо отражающе-
го материала с матовой поверхностью. Как показано Норрисом [522],
связь интенсивности поглощения с концентрацией поглощающего
компонента при измерении диффузного отражения достаточно точ-
но описывается уравнением
log(/?7/?) = log(l //?) + log(/?') « aC/s , (2.3.6)
где R' — коэффициент отражения от стандарта;
R — коэффициент отражения от анализируемой пробы;
log( 1//?) — оптическая плотность;
а и s — коэффициенты, зависящие соответственно от поглоти-
тельной и рассеивающей способностей облучаемого вещества.
Для монохроматического излучения коэффициент отражения от
стандарта является константой, поэтому R' в (2.3.6) можно при-
нять равным единице и переписать в следующем виде, добавив пог-
лощение матрицей, содержащей определяемый компонент:
С = k' +(s/a) log(l//?) , (2.3.7)
где k' — предполагаемое постоянным поглощение матрицей.
Уравнение (2.3.7) справедливо, когда толщина слоя облучаемого
материала бесконечно велика. Оно показывает, что между концен-
трацией поглощающего компонента и оптической плотностью ана-
лизируемой пробы имеется линейная зависимость. В реальных ус-
ловиях линейность может не соблюдаться. Однако в большей части
случаев измеряемый диапазон значений оптической плотности от-
носительно невелик, так что отклонения от линейности не столь
значительны. Кроме того, использование многомерных методов гра-
дуировки в той или иной мере может снижать нелинейность, что
облегчает выполнение количественного анализа.,
Необходимо отметить, что рассеивающая способность материала
s зависит от ряда условий. Наиболее важным фактором является
крупность частиц и влажность. Поскольку диффузное отражение
усиливается при уменьшении размеров частиц вследствие увеличе-
ния площади их поверхностей, излучение проникает в анализируе-
мую пробу на меньшую глубину, встречая на пути больше отража-
ющих поверхностей, значение величины log( 1 / R) при этом умень-
шается. В свою очередь оптическая плотность диффузного отраже-
ния возрастает при увеличении размеров частиц и соответственном
увеличении длины пути прохождения излучения сквозь частицы.
Вода, присутствующая в пробе даже на уровне гигроскопической
влажности, дает интенсивные характеристические полосы поглоще-
51
ния, что существенно искажает полосы поглощения других абсор-
бентов. Кроме того, интенсивность отражения зависит от отноше-
ния коэффициентов преломления частиц анализируемого материала
и окружающего воздуха. С увеличением влажности пробы возраста-
ет и парциальное давление воды в воздухе, окружающем частицы
пробы в замкнутом объеме кюветы. Это ведет к уменьшению отно-
шения nJ п2 в уравнении (2.3.4), поэтому значения s и log(\ / R) в
уравнении (2.3.7) соответствующим образом увеличиваются. Вслед-
ствие этого в реальных условиях величина s не является строго
постоянной и для каждой пробы может иметь свое собственное
значение, заметно отличающееся от других проб.
Следует также отметить, что теоретическое рассмотрение про-
цесса взаимодействия излучения касается только частиц, размеры
которых значительно превышают длину волны излучения. При этом
предполагается, что частицы состоят из оптически однородного ма-
териала и имеют правильную форму шара. Что касается размера
частиц, то, когда речь идет об анализе проб в виде сухого порошка,
они достаточно велики. Очень мелкие частицы обычно агрегируют-
ся в более крупные, и содержание частиц, соизмеримых по разме-
рам с длиной волны используемого для анализа излучения в таких
пробах, обычно не бывает значительным. Однако вследствие непра-
вильности формы не исключено фазовое взаимодействие лучей, от-
ражающихся от разных частей частиц, а при анализе суспензий и
эмульсий в жидких средах размеры частиц могут быть не только
соизмеримы, но и меньше длины волны.
Во многих случаях внутренний объем частиц анализируемого ма-
териала не является оптически однородным. Частицы могут быть
представлены материалом, имеющим микрокристаллическое строе-
ние, состоять из нескольких фаз, имеющих разный коэффициент
преломления, что осложняет процесс диффузного отражения, его
направленность и зависимость от длины волны. Влияние размеров
частиц на рассеяние излучения хорошо рассмотрено в литературе
[454]. В системах, содержащих различные по крупности частицы,
например в пастах, суспензиях, эмульсиях, могут наблюдаться од-
новременно несколько явлений, что делает очень сложным их рас-
смотрение.
Для практического решения задач количественного анализа обыч-
но исходят из того, что анализируемые пробы имеют практически
одинаковый гранулометрический состав. В этих условиях должны быть
справедливы как уравнение (2.3.2) при измерении пропускания, так и
уравнение (2.3.7) для диффузного отражения. Поэтому первичные ана-
литические сигналы преобразуют в оптическую плотность, поскольку
в обоих случаях можно предполагать, что она должна быть линейно
связана с концентрацией определяемого компонента.
52
В некоторых случаях рассматриваемая связь концентрации с оп-
тической плотностью нелинейна и более точное приближение к ли-
нейности дает функция Кубелки—Мунка (2.3.5), как это наблюда-
ется при анализе растворов по спектрам диффузного отражения
сухого остатка, полученного высушиванием аликвоты раствора на
пористом стеклянном фильтре [491). Однако в большинстве случаев
при измерении диффузного отражения лучшее приближение к ли-
нейности дает уравнение (2.3.7).
. В основе количественного анализа в спектроскопии обычно лежит
Измерение силы тока, возникающего в цепи фоточувствительного
элемента. Режим работы фотоэлемента подбирается таким, чтобы
сила фототока была линейной функцией потока излучения, то есть
так, чтобы амплитуда первичного аналитического сигнала была ли-
нейна относительно мощности излучения, падающего на фотоэле-
мент. В этих условиях коэффициент отражения или коэффициент
пропускания при измерении в проходящем пучке линейно связаны с
силой тока, возникающего в измерительной цепи. Однако коэффи-
циенты отражения или пропускания связаны с концентрацией нели-
нейно. Для линеаризации применяют логарифмирование, переходя
к оптической плотности.
При анализе сложных по составу материалов для улучшения свя-
зи спектральных данных с концентрацией определяемых компонен-
тов используют различные математические преобразования значе-
ний оптической плотности: центрирование [4991, нормирование [208]
и некоторые другие приемы, которые описываются в разделе 4, а
также при рассмотрении анализа некоторых конкретных объектов с
использованием спектроскопии ближней инфракрасной области.
53
3. УСТРОЙСТВО ИНФРАКРАСНЫХ
АНАЛИЗАТОРОВ
Инфракрасный анализ основывается на измерении пропускания из-
лучения анализируемой пробой или диффузного отражения от нее, как
это показано на рис. 3.1. Часто используется третий вариант (рис.
3.1.С), по которому за кюветой с анализируемой пробой помещается
диффузно отражающая подложка с матовой поверхностью, что дает
возможность использования анализаторов, предназначенных для изме-
рения диффузного отражения, для измерения пропускания. В этом случае
измеряются поглощение первичного потока излучения от источника
при прохождении лучей сквозь просвечиваемый слой до подложки и
поглощение отраженного от нее излучения при обратном прохождении
лучей под соответствующими углами к фотоприемнику.
2 3
Рис. 3.1. Основные принципы измерений в спектроскопии
ближней инфракрасной области:
А — измерение пропускания инфракрасного излучения анализи-
руемой пробой; В — измерение диффузного отражения; С —
режим «пропускание/отражение»; 1 — монохроматор или свето-
фильтр; 2 — кювета с анализируемой пробой; 3 — приемник
излучения; 4 — диффузно отражающая подложка.
54
Как уже отмечалось, к ближней инфракрасной области относят
диапазон спектра от 750 до 2500 нм. Для измерения диффузного
отражения обычно используются длины волн от 1100 до 2500 нм,
а для измерения пропускания"^- коротковолновая часть от 800 до
1100 нм. Это обусловлено рядом факторов. Прежде всего тем,
что с увеличением длины волны усиливается поглощение инфра-
красного излучения. Интенсивность полос поглощения, вызывае-
мая первыми обертонами и комбинационными частотами, наблю-
даемыми в длинноволновой части ближней инфракрасной облас-
ти, значительно больше вторых, а тем более третьих обертонов,
проявляющихся в коротковолновом участке. Достаточно интен-
сивные полосы поглощения, удобные для точного измерения оп-
тической плотности диффузного отражения в длинноволновой
части ближней инфракрасной области, малопригодны для изме-
рения пропускания. Для этого толщина просвечиваемого слоя
большинства веществ должна быть очень малой. Например, для
измерения водных растворов толщина слоя должна. измеряться
долями миллиметра. Заполнение таких тонких кювет и их очист-
ка от остатков предшествующей пробы представляют значитель-
ные трудности. Это особенно сложно, если пробы представлены
вязкими жидкостями, содержат много масла или других веществ,
от которых очень трудно очистить поверхности кюветы. Поэтому
менее интенсивное поглощение излучения в коротковолновой части
ближней инфракрасной области, большая его проникающая спо-
собность позволяют просвечивать достаточно большие слои мате-
риалов и анализировать объекты, состоящие из относительно круп-
ных отдельностей, не прибегая к их измельчению.
Таким образом, длинноволновая часть ближней инфракрасной об-
ласти более удобна для измерения диффузного отражения, а ко-
ротковолновая — для измерения пропускания.
Каждый из этих способов имеет свои достоинства и недостатки.
Основным преимуществом измерения пропускания в коротковолно-
вой части является то, что анализ может не требовать тонкого из-
мельчения анализируемого материала^ Ввиду большей проникающей
способности излучения в данной области спектра можно просвечи-
вать значительные по толщине слои анализируемых материалов.
Этому способствует и относительно большая чувствительность крем-
ниевого фотоприемника, применяемого в коротковолновой части
ближней инфракрасной области, по сравнению с фотосопротивлени-
ем из сульфида свинца, используемого в длинноволновой части, где
кремниевый фотоприемник нечувствителен.;Так, при анализе таких
крупнозернистых материалов, как бобы сои, орехи-фисташки и не-
которые другие,, можно вообще не проводить измельчения, что зна-
чительно ускоряет получение результатов анализа. Возможен ана-
55
лиз материалов с высоким содержанием влаги без высушивания,
тогда как при измерении диффузного отражения необходим размол,
который обычно требует и предварительной сушки, что осложняет
анализ.
Коротковолновая часть ближней инфракрасной области более
удобна и в чисто техническом отношении. ^В качестве источников
излучения здесь можно использовать инфракрасные светодиоды,
которые имеют очень малые размеры и могут быть скомпонованы
в небольшой матрице, что обеспечивает небольшие размеры оп-
тической части прибора,; исключает необходимость в движущихся
деталях и соответствующих приводах. Это позволяет конструиро-
вать очень компактные переносные приборы на батарейном пита-
нии. Кроме того, срок жизни светодиодов измеряется десятками
лет, тогда как традиционные галогенные лампы, используемые в
спектроскопии ближней инфракрасной области, не столь долго-
вечны даже при тех щадящих режимах питания, при которых их
обычно используют.
В коротковолновой части ближней инфракрасной области могут
использоваться и более дешевая волоконная оптика, и более длин-
ные световоды, чем в длинноволновой части, где поглощение более
интенсивно.
Использование коротковолновой части ближней инфракрасной
области имеет и свои недостатки. Эта часть спектра в большей сте-
пени «перенаселена» полосами поглощения. Кроме того, поглоще-
ние в этом диапазоне обусловлено не только колебательными дви-
жениями молекул. В ней наблюдаются и полосы поглощения, свя-
занные с энергетическими переходами электронов в молекулах ряда
веществ, что значительно усложняет наблюдаемые здесь спектры. В
настоящее время применение коротковолновой части ближней инф-
ракрасной области ограничивается обычно определением только ос-г
новных компонентов анализируемых материалов, например -влаги,'
белка и жира, в объектах биологического происхождения.
Вне зависимости от применяемого способа измерения инфракрас-
ные анализаторы состоят обычно из следующих основных блоков:
— источник излучения;
— устройство для выделения из спектра источника инфракрасно-
го излучения требуемых длин волн;
— устройство для представления образца;
— приемник излучения;
— усилитель первичного сигнала;
— аналого-цифровой преобразователь;
— встроенный микропроцессор или внешняя ЭВМ;
— дисплей, печатающее устройство для выдачи результатов ана-
лиза.
56
Материалом для изготовления окон фотометров и кювет, линз
для ближней инфракрасной спектроскопии обычно служит плав-
леный кварц. Достаточно прозрачно в этой области и стекло
(рис.3.2). Для наконечников элементов волоконной оптики, со-
прикасающихся с твердыми анализируемыми материалами, часто
используют искусственный сапфир, характеризующийся высокой
Длина волны, мкм
Рис. 3.2. Прозрачность некоторых материалов,
применяемых в спектроскопии:
1 — сапфир (1 мм);
2 — плавленый кварц (5 мм);
3 — боросиликатное стекло Pyrex (2 мм).
В качестве источника излучения используют, как правило, га-
логенно-вольфрамовые лампы, применяемые обычно в проекцион-
ных и осветительных устройствах. Они имеют небольшие габари-
ты и высокую светоотдачу.,; Галогенные лампы имеют сплошной
спектр испускания с максимумом около 900 нм (рис. 3.3). Излу-
чение галогенных ламп достаточно интенсивно в широкой облас-
ти спектра, что позволяет использовать их как в видимой, так и в
ближней инфракрасной области вплоть до 2500 нм.
В последнее время в качестве источников излучения использу-
ют также светодиоды. .Их применение ограничивается видимой и
коротковолновой частями ближней инфракрасной области спект-
ра примерно до 1400 нм. Инфракрасные светодиоды находят ши-
рокое применение в различных устройствах для получения «не-
видимого света». Они применяются, например, при дистанцион-
ном переключении телевизионных каналов, в охранной сигнали-
зации и т.п. Так как светодиоды испускают слишком широкие
57
спектральные полосы шириной порядка 40 нм, их сочетают с ин-
терференционными фильтрами, что позволяет создавать очень
компактные системы без движущихся элементов оптики. К досто-
инствам светодиодов следует отнести малые размеры/практичес-
ки полное отсутствие инерционности при включении и выключе-
нии (на переход с режима на режим затрачивается не более мик-
росекунды), высокую надежность (продолжительность жизни из-
меряется десятками лет).
Рис. 3.3. Спектр излучения галогенной лампы.
Для выделения из спектра источника излучения необходимых длин
волн в инфракрасных анализаторах применяют интерференционные
фильтры, монохроматоры и некоторые другие устройства..
! В интерференционных фильтрах, как это следует из их назва-
ния, используется явление интерференции волн. Интерференцион-
ный фильтр состоит из двух полупрозрачных зеркальных слоев, раз-
деленных прозрачным промежутком. Обычно это два плоских стек-
ла, сложенные вместе, с очень тонким полупрозрачным металличес-
ким покрытием на сторонах, обращенных друг к другу, и разделен-
ные тонким слоем диэлектрика, например фторида магния (рис. 3.4).
Падающий на фильтр луч после прохождения первого полупрозрач-
ного зеркального слоя отражается от второго зеркального слоя, воз-
вращается к первому, снова отражается и может продолжать дви-
жение в первоначальном направлении, проходя таким образом фильтр.
При этом происходит фазовое взаимодействие лучей, направления
58
Рис. 3.4. Принцип действия интерференционного фильтра:
1— луч, падающий на фильтр;
2 — луч, отраженный от внутреннего полупрозрачного слоя;
1+2 — результат интерференции.
которых совпадают. Луч, который входит в слой диэлектрика со
стороны источника излучения, и луч, который пришел в ту же
точку после отражения от второго и первого отражающих слоев и
движется в том же направлении, различаются длиной пройденно-
го пути. Разность хода лучей равна как минимум удвоенному
расстоянию между отражающими слоями. Амплитуды лучей с
длиной волны, равной или кратной разности хода, складываются
и проходят фильтр, образуя соответствующий порядок интерфе-
ренции. Лучи с другими длинами волн в этих условиях при сло-
жении оказываются различными по фазе и взаимно ослабляются.
Например, при расстоянии между внутренними отражающими по-
верхностями, равном 1000 нм, фильтр будет иметь максимум про-
пускания при длине волны 2000 нм, образуя первый порядок ин-
терференции, при 1000 нм — второй порядок, при 500 нм —
третий порядок и т.д. Наибольшую интенсивность имеет первый
порядок интерференции, который обычно и используют при кон-
струировании приборов. Длину волны излучения, пропускаемую
фильтром, можно рассчитать по уравнению
X = (2/nsin0) / а ,
где I — расстояние между внутренними полупрозрачными зеркаль-
ными слоями фильтра;
п — коэффициент преломления среды;
в — угол падения луча на поверхность фильтра;
а — порядок интерференции^
Ввиду повторения интерференционной картины, наличия поряд-
ков интерференции узкополосные интерференционные фильтры со-
четают с широкополосными фильтрами из материалов, поглощаю-
щих коротковолновую часть спектра, в которой наблюдаются вто-
59
рой и последующие порядки интерференции, исключая таким обра-
зом мешающие излучения.,'Конструкция интерференционных фильт-
ров может быть еще более усложнена для получения необходимых
параметров]
Основными характеристиками светофильтров являются длина
волны максимума пропускания, коэффициент пропускания при мак-
симуме, то есть отношение интенсивности падающего на фильтр
излучения данной длины волны к интенсивности излучения после
прохождения фильтра, а также ширина (полуширина) спектраль-
ной полосы, выделяемой фильтром. Ширина полосы определяется
как разность длин волн, соответствующих половине высоты мак-
симума пропускания фильтра (рис. 3.5). Обычно ширина спек-
тральной полосы, выделяемая интерференционными фильтрами,
которые используются в инфракрасных анализаторах, составляет
около 10 нм.
Рис. 3.5. Основные характеристики светофильтра:
Хтах — длина волны максимума пропускания;
Ттах — максимум коэффициента пропускания;
В — полуширина выделяемой спектральной полосы (Х(—Х2).,
60
'^Интерференционные фильтры могут использоваться для полу-
чения как фиксированных значений длин волн, соответствующих
максимуму пропускания, так и переменных значений! При полу-
чении фиксированных значений длин волн фильтры'"располагают
так, чтобы первичный пучок лучей падал на них перпендикуляр-
но и при смене фильтров это положение сохранялось. В первом
анализаторе зерна GAC фирмы Dickey-john (США) было 6 фильт-
ров, установленных в поворотном диске, плоскость которого пер-
пендикулярна потоку излучения, а также оси вращения диска,
как это показано на рис. 3.6. В этом инфракрасном анализаторе
система фильтров обеспечивала получение следующих длин волн:
2180 нм, соответствующая максимуму поглощения белка, 1940
нм — максимуму поглощения воды, 2100 нм — максимуму погло-
щения крахмала, 2308 нм — максимуму поглощения жира. Филь-
тры с максимумами пропускания 1680 и 2230 нм, как предполага-
лось, необходимы для получения длин волн, используемых как
опорные для корректировки фонового поглощения, зависящего от
содержания поглощающих компонентов и крупности частиц. Этот
набор длин волн оказался очень удачным и позволял анализиро-
вать самые различные материалы не только на содержание влаги,
белка и жира, для которых первоначально предназначался анали-
затор, но и на многие другие показатели. Эти длины волн исполь-
зованы затем в анализаторах фирмы Technicon, таких, как InfraAly-
zer Technicon/Dickey-john, показанный на рис. 3.7, InfraAlyzer-300,
lnfraAlyzer-400, InfraAlyzer-450, а также в анализаторе Inframatic
8100 и 8200 фирмы РегСоп (Германия) и последующих модифика-
циях этих приборов, в которых применялось от 6 до 20 фильтров,
но первоначальный набор длин волн, перечисленный выше, в них,
как правило, включался. Позже фирма Bran & Luebbe выпускала
новые модификации фильтровых приборов InfraAlyzer-260, Infra-
Alyzer-360, которые отличаются от соответствующих более ран-
них моделей InfraAlyzer меньшими габаритами и более мощными
встроенными микропроцессорами. Анализаторы с фиксированны-
ми длинами волн, получаемыми с помощью интерференционных
фильтров (рис. 3.8), выпускает также фирма Oxford (Великобри-
тания) и некоторые другие.
Для получения переменных значений длин волн с помощью ин-
терференционного фильтра возможны варианты. В первом экспе-
риментальном образце инфракрасного анализатора для получе-
ния спектра использовали клиновидный интерференционный
фильтр [ 131 ]. . Перемещение такого фильтра перпендикулярно пер-
вичному пучку излучения позволяло изменять просвечиваемую тол-
щину фильтра, а соответственно, и разность хода лучей, получая
61
Рис. 3.6. Схема фильтрового инфракрасного анализатора с
фиксированными длинами волн:
1 — источник излучения (галогенная лампа);
2 — кювета с анализируемой пробой;
3 — приемник излучения;
4 — поворотный диск с фильтрами;
5 — встроенный стандарт диффузного отражения;
6 — прерыватель потока излучения (может отсутствовать).
различные значения длин волн^Диапазон длин волн, выделяемых
таким фильтром, определяется минимальным и максимальным
расстояниями между внутренними отражающими слоями фильт-
ра. Однако такие фильтры сложны в изготовлении и имеют слиш-
ком широкие полосы пропускания, поэтому обычно используют
плоские фильтры, изменяя их угол наклона по отношению к про-
свечиваемому пучку лучей для сканирования участков спектра.
В первом анализаторе зерна GQA фирмы Neotec использова-
лись 3 таких светофильтра по системе «лопастей»1_При измене-
нии угла падения лучей на светофильтр соответственно меняется
и разность хода лучей, как это видно из рис. 3.9^ Одновременно
изменяется и значение максимума пропускания фильтра согласно
уравнению
. _ . 1 - sin2 О
4-0 - Лу1 ---------о----
V п
62
Рис. 3.7. Один из первых инфракрасных анализаторов
InfraAlyzer фирмы Technicon/Dickey-john с 6 фильтрами с
фиксированными длинами волн.
Рис. 3.8. Инфракрасный анализатор QN-1000 фирмы
Oxford с 10 фильтрами с фиксированными длинами волн.
63
где Л — длина волны максимума пропускания фильтра при данном
угле падения луча 0;
Ад — длина волны максимума пропускания фильтра при перпен-
дикулярном падении луча на фильтр;
п — коэффициент преломления.
Применяя систему вращающихся лопастей, используемую в ана-
лизаторах GQA, можно сканировать участки спектра вблизи макси-
мума пропускания фильтра. Данный принцип использован и в более
поздней модели 4250 фирмы NIRSystems, которая имеет также 3
фильтра (рис. 3.10). Описание этой модели приводится ниже.
Рис. 3.9. Принцип действия интерференционного фильтра
с переменной длиной волны максимума пропускания при
расположении по системе «лопастей»:
а и а’ — различные положения фильтра;
b и Ь' — внутренние зеркальные полупрозрачные поверхности
фильтра;
d и d’ — расстояния между зеркальными поверхностями, опреде-
ляющими разность хода лучей при интерференции;
с — направление падающего на фильтр излучения;
0 — угол падения лучей на фильтр.
64
Рис. 3.10. Инфракрасный анализатор модели 4250 фирмы
NIRSystems и его оптическая схема:
1 — галогенная лампа с рефлектором; 2 — световод; 3 — линзы;
4 — светофильтры; 5 — диафрагмы; 6 — кювета с пробой; 7 —
встроенный стандарт отражения; 8 — приемники излучения.
В анализаторе кормов FQA-51 фирмы Neotec использовано 6 филь-
тров, установленных по схеме «колеса». В модели 7000 той же фир-
мы было установлено 7 фильтров (рис. 3.11). В некоторых вариан-
тах этой модели обеспечивалось сканирование спектра с небольши-
ми промежутками от 800 до 2400 нм, что позволяло проводить изме-
рения как диффузного отражения, так и пропускания. При этом для
измерения пропускания значительных по толщине объектов исполь-
зовали коротковолновую часть ближней инфракрасной области.
К основному недостатку подобных сканирующих систем на базе
интерференционных фильтров следует отнести то, что ширина вы-
65
деляемой спектральной полосы и коэффициент пропускания при
максимуме зависят от угла падения первичного пучка. Ширина спек-
тральной полосы увеличивается по мере отклонения пучка лучей от
перпендикулярного по отношению к плоскости фильтра, а коэффи-
циент пропускания уменьшается (рис. 3.12). В отношении ширины
выделяемой спектральной полосы, что определяет разрешающую спо-
Рис. 3.11. Расположение интерференционных фильтров по
системе «колеса»:
1 — фильтр; 2 — поток излучения; 3 — кювета с пробой; 4 —
приемники излучения; 5 — диск, кодирующий угол поворота «коле-
са» (длины волн); 6 — источник излучения.
Длина волны, нм
Рис. 3.12. Зависимость длины волны максимума
пропускания, коэффициента пропускания и ширины
выделяемой спектральной полосы от угла падения лучей
на интерференционный фильтр.
66
собность, приборы с фиксированными длинами волн лучше. Одна-
ко они менее универсальны, так как число возможных значений
длин волн у них ограничено числом фильтров. Кроме того, в при-
борах с фиксированными длинами волн, в отличие от сканирую-
щих, нельзя получать производные спектров, что также ограни-
чивает их возможности.
К достоинствам фильтровых анализаторов, особенно с фиксиро-
ванными фильтрами, следует отнести очень высокую скорость ана-
лиза, которая составляет 15 — 30 секунд, причем за это время
проводятся десятки измерений и усреднение результатов, что по-
вышает их точность?
Наиболее универсальными, но более дорогими являются приборы
с монохроматорами. Для получения монохроматического пучка лу-
чей используют отражающие дифракционные решетки, призмы или
их сочетание. Примером может служить спектрофотометр Саггу-14,
на котором были выполнены основополагающие работы по спектрос-
копии ближней инфракрасной области. В этом спектрофотометре
использовалось сочетание дифракционной решетки с призмой. В
последнее время, как правило, призмы не применяют. Дифракцион-
ные решетки более эффективны, чем призмы, в том отношении, что
их применение не приводит к столь большим потерям излучения,
которые наблюдаются при поглощении материалом призм. Кроме
того, дифракционные решетки дают практически линейную диспер-
сию, а все более широко применяемые в настоящее время гологра-
фические решетки могут иметь вогнутую поверхность, выполняя
одновременно роль линзы, что позволяет уменьшить число оптичес-
ких элементов в конструкции прибора.
Обычная плоская дифракционная решетка представляет собой хо-
рошо отполированное зеркало, на поверхности которого через очень
малые равные промежутки нарезано большое число параллельных
штрихов треугольного профилях, (рис. 3.13). При этом отражающие
поверхности штрихов делаются более широкими, чем боковые. Вслед-
ствие дифракции на гранях штрихов отражающие поверхности ве-
дут себя как точечные источники излучения, рассеивая лучи во все
стороны. Если на плоскую дифракционную решетку направить па-
раллельный пучок белого полихроматического света и собрать отра-
женные лучи с помощью положительной линзы, то в ее фокусе воз-
никнет интерференционная картина, так как лучи, отраженные от
разных штрихов, будут различаться разностью хода. Поместив в
фокусе линзы белый экран, можно наблюдать повторяющееся раз-
ложенное в спектр действительное изображение источника света.
Принцип действия монохроматора с плоской дифракционной ре-
шеткой показан на рис. 3.14. Лучи от источника излучения / с
помощью собирательной линзы 2 фокусируются на входную щель
67
Рис. 3.13. Принцип действия дифракционной решетки:
а — угол отблеска, в — угол падения луча, ф — угол отражения
от решетки, I — расстояние между штрихами, L — линза.
монохроматора 3. С помощью коллиматорной линзы 4 расхо-
дящийся из входной щели пучок делается параллельным и на-
правляется на дифракционную решетку 5. Отраженные от диф-
ракционной решетки лучи фокусируются с помощью линзы 6. В
фокусе этой линзы, где возникает интерференционная карти-
на, помещают выходную щель монохроматора 7. В зависимос-
ти от угла, под которым первичный поток лучей падает на
дифракционную решетку, на выходную щель монохроматора
будет попадать та или иная часть интерференционной кар-
тины, содержащая те или иные длины волн.
Длина волны излучения в данной точке интерференционной кар-
тины, возникающей при фокусировании лучей, отраженных дифрак-
ционной решеткой, зависит от угла падения на отражающие повер-
хности ее штрихов и угла отражения. Эта зависимость выражается
следующим уравнением:
а Л = I (sin0 ± sin0 ) ,
где I — расстояние между штрихами;
О — угол падения;
ф — угол отражения;
а — порядок интерференции.
Поворачивая дифракционную решетку, можно изменять угол паде-
ния на нее первичного пучка и перемещать интерференционную карти-
ну по выходной щели. В результате на выходе монохроматора можно
получить спектральную полосу с максимумом при длине волны, соот-
ветствующей данному углу падения лучей на решетку и углу отраже-
ния от нее на выходную щель. Ширина выделяемой полосы определя-
ется дисперсией решетки и шириной щелей монохроматора.
68
Рис. 3.14. Принцип действия монохроматора с плоской (А)
и вогнутой (В) дифракционными решетками:
1 — источник излучения;
2,4,6,8 — линзы;
3 — входная щель монохроматора;
5 — дифракционная решетка,
7 — входная щель.
69
В последнее время вместо обычных плоских дифракционных ре-
шеток со штрихами, нарезанными механически, в инфракрасных
анализаторах применяют вогнутые голографические решетки^ полу-
чаемые голографическим способом с использованием лазеров. Го-
лографические решетки отличаются от обычных более высоким ка-
чеством. ,В них с большей точностью обеспечиваются заданные зна-
чения расстояний между штрихами и другие параметры: Такие ре-
шетки могут использоваться под большими углами, позволяя охва-
тывать более широкий диапазон спектра, они не дают ложных ли-
ний, характеризуются меньшим рассеянием излучения^ могут быть
скорректированы на аберрацию и астигматизм косых лучей. Кроме
того, голографические решетки могут быть изготовлены в виде во-
гнутого зеркала, что значительно упрощает конструкцию монохро-
матора./рнутри обычного монохроматора с плоской дифракционной
решеткой необходимо иметь по крайней мере две коллиматорные
линзы или сферические зеркала (4 и 6 на рис. 3.14) для получе-
ния интерференционной картины на выходной щели. Монохрома-
тор с вогнутой дифракционной решеткой в подобных оптических
элементах не нуждается, как можно видеть из рис. 3.14. Это не
только упрощает конструкцию прибора, но и исключает потери
энергии излучения вследствие поглощения материалом линз и
рассеяния их поверхностями, а также улучшает монохроматич-
ность выходного пучка.
Насколько упрощается'конструкция спектрофотометра при исполь-
зовании вогнутой дифракционной решетки по сравнению с плоской,
можно судить по рис. 3.15 и 3.16. На них показаны оптические
схемы инфракрасного анализатора lnfrapid-61 с монохроматором на ос-
нове плоской дифракционной решетки и спектрофотометра модели 4500
фирмы NIRSystems с вогнутой решеткой. Последний значительно про-
ще по конструкции, но имеет большую разрешающую способность.
К недостаткам дифракционных решеток следует отнести перекры-
тие спектров различных порядков^ Обычно используют первый по-
рядок интерференции, вводя в систему соответствующие широкопо-
лосные фильтры, отсекающие излучения других порядков в более
коротковолновой части спектра.
Первый анализатор для ближней инфракрасной области с монох-
роматором на основе дифракционной решетки выпущен в США фир-
мой Neotec. Основная оптическая схема этой первой модели 6100
использована в последующих моделях 6250, 6350, а также в послед-
них моделях 4500, 5000, 5500, 6500 инфракрасных анализаторов
фирмы NIRSystems. Несколько позже фирма Technicon стала вы-
пускать InfraAlyzer-500, представляющий собой инфракрасный ана-
лизатор с монохроматором на дифракционной решетке. Инфракрас-
ный анализатор Trebor-70 с дифракционной решеткой выпускает
70
Рис. 3.15. Инфракрасный анализатор Infrapid-61
предприятия LaborMIM и его оптическая схема:
1 — галогенная лампа; 2 — рефлектор; 3 — линзы; 4 — щели;
5 — светофильтр, отсекающий коротковолновое излучение; 6 —
зеркала; 7 — сферическое зеркало; 8 — дифракционная решетка;
9 — двигатель с приводом решетки; 10 — двигатель прерывателя
потока излучения; 11 — прерыватель излучения; 12 — кювета с
пробой; 13 — фотоприемники.
71
Рис. 3.16. Инфракрасный анализатор модели 4500 фирмы
NIRSystems и его оптическая схема:
1 — галогенная лампа с рефлектором; 2 — входная щель монохро-
матора; 3 — зеркало; 4 — вогнутая дифракционная решетка; 5 —
светофильтр, отсекающий коротковолновое излучение; 6 — выход-
ная щель монохроматора; 7 — линза; 8 — приемники излучения;
9 — кювета с анализируемой пробой; 10 — встроенный стандарт
отражения.
72
фирма Trebor Industries (США). Инфракрасные анализаторы In-
fratec-1225 для анализа цельного зерна фирмы Tecator (Швеция),
Infratec-1255 для анализа кормов и продуктов питания, Infratec-
1256 для анализа мяса и мясных продуктов, измеряющие пропус-
кание, также имеют монохроматор с дифракционной решеткой.
Одной из основных характеристик спектрофотометров являет-
ся ширина выделяемой спектральной полосы. В спектрофотомет-
рах моделей 4500, 5500, 6500 и более ранних моделях приборов с
монохроматорами фирмы NIRSystems ширина спектральной поло-
сы составляет 10 нм. Такую же по ширине спектральную полосу
выделяет монохроматор InfraAlyzer-500 фирмы Technicon. Монох-
роматор инфракрасного анализатора Infrapid-61 выделяет более
широкую спектральную полосу, равную 20 нм. Это вполне доста-
точно при анализе объектов биологического происхождения, спек-
тры которых содержат обычно широкие полосы поглощения. Бо-
лее серьезным недостатком этого анализатора является медлен-
ное сканирование спектра. За 90 секунд измерительного цикла,
на что запрограммирован прибор, проходит только однократное
сканирование спектра анализируемой пробы, встроенного стан-
дарта отражения и обработка данных. В анализаторе модели 4500
фирмы NIRSystems такой же диапазон спектра от 1300 до 2400 нм
сканируется практически за 0,5 секунды. Это позволяет за те же
90 секунд измерительного цикла провести 32 сканирования спек-
тра образца, по 16 сканирований встроенного стандарта до и пос-
ле сканирования спектра образца, а также обработку данных,
повышая точность получаемых данных за счет усреднения резуль-
татов многократных измерений.
При измерении диффузного отражения обычно используют фото-
сопротивление из сульфида свинца. Чувствительность такого фото-
приемника достаточна для работы в диапазоне 1100 — 2500 нм. В
более коротковолновой области применяют кремниевые полупровод-
никовые фотоприемники, которые позволяют работать также и в
видимой части спектра. Кривые спектральной чувствительности де-
текторов, применяемых в ближней инфракрасной спектроскопии,
показаны на рис. 3.17. Поскольку на чувствительность фотоприем-
ника из сульфида свинца влияет температура, его обычно термоста-
тируют, используя специальные электронные схемы.
В первых инфракрасных анализаторах фирмы Dickey-john, а за-
тем фирмы Tecnicon, например в InfraAlyzer 2.5, применялся один
фотоприемник, расположенный над пробой непосредственно в об-
лучающем потоке лучей, падающих на анализируемый образец
(рис. 3.18). Затеняя образец, детектор исключает попадание на
него зеркально отраженного от пробы излучения. В приборах
73
Длина волны, нм
Рис. 3.17. Спектральная чувствительность приемников
излучения:
Si — кремниевый полупроводниковый;
PbS — фотосопротивление из сульфида свинца;
PbSe — фотосопротивление из селенида свинца.
фирмы NIRSystems традиционно используется система из 4 фо-
топриемников из сульфида свинца, расположенных под углом 45°
к поверхности пробы (рис. 3.18). Это обеспечивает достаточно
полное исключение зеркального отражения от пробы и очень эф-
фективное измерение диффузного отражения. Аналогичное рас-
положение приемников излучения имеет анализатор Infrapid-61.
В анализаторах InfraAlyzer-ЗОО и последующих приборах фирмы
Technicon используются два фотосопротивления из сульфида свин-
ца, установленные на внутренней поверхности интегрирующей сфе-
ры. Последняя представляет собой небольшой, диаметром около 10
см, шар с полированной внутренней поверхностью покрытой тонким
слоем напыленного золота, с отверстиями для входящего потока из-
лучения, кюветы с образцом и приемников излучения. Принцип дей-
ствия этого устройства состоит в том, что луч, зеркально отражен-
74
Рис. 3.18. Расположение приемников излучения при
измерении диффузного отражения:
А — над анализируемой пробой (один элемент);
В — под углом 45° (4 фотосопротивления);
1 — приемник излучения;
2— кювета с анализируемой пробой.
ный от окна кюветы, выйдет назад через входное отверстие, сквозь
которое он попал внутрь сферы, и не попадет на фотоприемники.
Диффузно отраженные от анализируемого материала лучи под уг-
лом к первичному пучку попадут на внутреннюю поверхность
сферы и, отражаясь от нее, будут собраны на приемниках излуче-
ния. Даже при многократном отражении от сферы потери энер-
гии незначительны в силу высокой отражающей способности зо-
лотого зеркального покрытия, так что большая часть диффузного
отражения будет собрана на приемниках излучения. Оптическая
схема анализатора InfraAlyzer-450 с интегрирующей сферой пока-
зана на рис. 3.19.
Для исключения влияния постороннего излучения, попадающе-
го на детектор, во многих приборах используют прерыватель по-
тока излучения (обтюратор). Он представляет собой вращающий-
ся диск из непрозрачного материала с прорезями (рис. 3.6). На-
значение такого модулятора состоит в превращении непрерывно-
го во времени излучения источника в периодическое с частотой,
на которую настроена система усиления первичного сигнала. В
этих условиях усилитель «видит» и усиливает только полезный
модулированный сигнал и «слеп» к посторонним сигналам, имею-
щим другие частотные характеристики. Модулирование излуче-
ния источника используется, в частности, в анализаторе Infrapid-
61 (рис. 3.15).
75
Рис. 3.19. Инфракрасный анализатор InfraAlyzer-450
фирмы Technicon (США) и его оптическая схема:
1 — источник излучения; 2 — линзы; 3 — прерыватель потока
излучения; 4 — поворотный диск со светофильтрами; 5 — диафраг-
ма; 6 — колеблющееся зеркало; 7 — интегрирующая сфера; 8 —
приемник излучения; 9 — диффузно отраженный луч; 10 — проба.
76
В первых анализаторах в качестве стандарта, относительно кото-
рого измерялась оптическая плотность, использовали шайбу из фто-
ропласта. В литературе имеются результаты изучения отражатель-
ной способности различных материалов, включая керамику, поли-
тетрафторэтилен, окись магния, сульфат бария, плавленый тефлон,
каолин, опаловое стекло, алюминий, бронзу, золото. Лучшие ре-
зультаты дает сера, которая имеет наибольший коэффициент отра-
жения, который практически постоянен по всему спектру [642].
Однако в настоящее время в качестве встроенного стандарта ис-
пользуют главным образом керамику, поскольку она физически очень
устойчива и надежна, а также и относительно дешева. В приборах
InfraAlyzer-ЗОО, lnfraAlyzer-4OO, InfraAlyzer-450, InfraAlyzer-5OO фирмы
Technicon за основу отсчета принимается отражение от интегриру-
ющей сферы.
Способ представления образца в спектроскопии ближней об-
ласти зависит от характера анализируемого материала и приме-
няемого метода измерения. Наиболее распространенным являет-
ся измерение оптической плотности диффузного отражения об-
разца относительно встроенного стандарта, коэффициент отраже-
ния которого принимается равным единице. Для обеспечения реп-
резентативности результатов анализируемый материал размалы-
вают и испытуемую пробу помещают в плоскую кювету. Измеря-
ют поток излучения, диффузно отраженного от образца, повер-
хность которого выравнивают. Обычно используют плоские круг-
лые кюветы диаметром 35 — 50 мм и глубиной не менее 5 мм,
размалывая образец до размера частиц не более 1 мм. Для боль-
шей части материалов органического происхождения такой слой
достаточно полно поглощает излучение в области 1100 — 2500 нм,
так что его толщину можно считать бесконечно большой. Во вся-
ком случае, излучение, если оно и достигает дна кюветы и отра-
жается от него, приемников излучения не достигает, поглотив-
шись при обратном прохождении материала пробы.
В первых инфракрасных анализаторах использовали открытые
кюветы. Их заполняли с некоторым избытком, а затем, сдвигая
его с кюветы шпателем, получали выровненную поверхность об-
разца. Кювета располагалась в приборе горизонтально. Позже
стали использовать кюветы с плоским окном из плавленого квар-
ца, прижимая к нему анализируемый материал навинчивающимся
дном с подложкой из упругого материала или с пружинами. Подо-
бные кюветы, показанные на рис. 3.20, используются в инфра-
красных анализаторах фирм Oxford, LaborMIM, Technicon и не-
которых других.
77
Рис. 3.20. Кюветы для анализа материалов в
порошковидном состоянии анализатора модели QX-1000
фирмы Oxford и анализатора Infrapid-61.
Фирма NIRSystems комплектует свои приборы круглыми кювета-
ми с кварцевым окном и пластмассовой эластичной заглушкой (дном),
вставляемой в кювету после помещения в нее пробы (рис.3.21).
Кюветы изготавливаются оптически идентичными. Это позволяет
использовать одновременно несколько кювет для облегчения рабо-
ты, а также обеспечивает возможность автоматизации процесса по-
дачи проб в анализатор. Для автоматической пробоподачи фирма
выпускает соответствующее устройство на 15 кювет (рис. 3.22). В
спектрофотометрах моделей 4250, 4500, 5500, 6500 кювета вращает-
ся при снятии спектров, для более полного использования площади
кюветы и соответственно большей представительности получаемых
результатов.
Оригинальная конструкция раскрывающейся кюветы, закреплен-
ной непосредственно на приборе, используется в инфракрасных
анализаторах Inframatic фирмы РегСоп. Она представляет зазор
между кварцевым окном прибора и открывающейся стенкой кю-
веты на передней панели анализатора в виде дверцы (рис. 3.23,
3.23а). При закрытой дверце в кювету засыпают размолотую про-
бу и уплотняют плоским пластмассовым пестиком. По окончании
измерения дверцу открывают и очищают поверхности кюветы и
кварцевого окна от остатков пробы. При открывании кюветы ее
содержимое ссыпается в установленный под ней приемник.
78
Рис. 3.21. Стандартная кювета фирмы NIRSystems для
анализа материалов в порошковидном состоянии.
Рис. 3.22. Устройство для автоматической подачи кювет с
анализируемыми пробами в инфракрасный анализатор
фирмы NIRSystems.
79
Заполнение кюветы
Выбор и запуск программы
Выдача результата
(дисплей, цифропечать)
Рис. 3.23. Выполнение анализа на инфракрасном
анализаторе 8200 фирмы РегСоп.
Очистка кюветы
Рис. 3.23а.
Инфракрасный
анализатор Inframatic
8620 фирмы РегСоп.
80
Диффузное отражение применяют и для анализа материалов,
состоящих из относительно крупных отдельностей. Для этого ис-
пользуют плоские прямоугольные кюветы с окнами шириной по-
рядка 4 см и длиной до 20 см. Такие кюветы используются с
транспортирующим модулем, который перемещает кювету по щели
монохроматора при сканировании спектра в целях облучения боль-
шей поверхности пробы и обеспечения представительности ре-
зультатов. Кюветы могут быть предназначены для анализа сыпу-
чих материалов, таких, как зерно, и представлять собой плоский
сосуд с воронкой в верхней части для засыпки пробы и клапаном
внизу для освобождения от пробы (рис. 3.24 и 3.25). Для образ-
цов, состоящих из отдельностей удлиненной формы, как, напри-
мер, сено, волокно, используется кювета с откидывающейся стен-
кой для облегчения загрузки и очистки. В подобные кюветы мо-
гут загружаться образцы, помещенные в пакеты из тонкой поли-
этиленовой пленки. Это удобно при анализе материалов с высо-
кой влажностью, пастообразных материалов, а также при работе
с образцами, имеющими высокое содержание жира, после кото-
рых кювету трудно очистить.
Рис. 3.24. Кюветы для инфракрасных анализаторов фирмы
NIRSystems:
1 — круглая стандартная для порошков;
2 — термостатирующая приставка для кювет с жидкостями;
3 — раскрывающаяся кювета для материалов с высоким содержани-
ем воды или жира;
4 — кювета для сыпучих материалов (зерно и т.п.);
5 — для волокнистых материалов;
6 — проточная кювета для анализа жидкостей.
81
Рис. 3.25. Инфракрасный анализатор модели 4500 фирмы
NIRSystems с транспортирующим модулем
для различных кювет. Слева модуль закрыт, справа
открыт для смены образца.
Подобные кюветы применяются и для измерения пропускания. В
этом случае детектор излучения помещают за кюветой в проходя-
щий пучок. Большое разнообразие кювет, измерительных приставок
и измерительных модулей для своих приборов моделей 4500, 5500,
6500 и аналогичных сканирующих спектрофотометров выпускает
фирма NIRSystems.
Приборы, предназначенные для измерения диффузного отраже-
ния, могут применяться также и для измерения пропускания/
отражения по схеме, показанной на рис. 3.1 (С). Для анализа
жидких объектов, основную массу которых составляет очень ин-
тенсивно поглощающая в диапазоне 1100 — 2500 нм вода, ис-
пользуют кюветы с толщиной слоя 0,2 — 0,3 мм с диффузно
отражающей подложкой. Для более слабо поглощающих органи-
ческих жидкостей толщину слоя увеличивают до 10 мм и более в
зависимости от интенсивности поглощения. Кюветы для анализа
жидких объектов обычно термостатируют (рис. 3.26). Это осо-
бенно важно при анализе молока, спектры которого снимают в
тонких кюветах. Молоко обычно нагревают до 40°С, чтобы пере-
вести жир в жидкое состояние, и гомогенизируют. Необходимые
для анализа молока устройства для предварительного нагрева,
гомогенизации, заполнения и термостатирования кюветы, очист-
ки ее от остатков предшествующей пробы, а также и соответству-
82
ющие кюветы производят фирмы Technicon и NIRSystems для своих
анализаторов.
Для анализа жидкостей может использоваться сухой остаток пос-
ле выпаривания на твердой подложке из хорошо диффузно отража-
ющего материала. Для выполнения подготовки к анализу таких об-
разцов фирма NIRSystems выпускает специальное устройство. В
качестве подложки используют фильтры из стекловолокна [301, 197,
196]. Для получения сухого остатка и его анализа используют так-
же пластины с силикагелем для тонкослойной хроматографии [586].
Оригинальное решение представления образца нашло в анализа-
торе качества зерна GQA-31el фирмы Neotec (рис. 3.27). В этом
анализаторе измерительный прибор и размольное устройство состав-
ляли единое целое. Анализируемое зерно засыпалось в приемный
бункер измельчителя, и получаемый шрот просыпался по каналу, в
котором проводится измерение отражения от потока размалываемо-
го материала. Таким образом, измерение проходит в динамических
условиях в процессе измельчения зерна, что позволяет провести
анализ быстрее, чем при размоле и измерении, выполняемых раз-
дельно.
Более радикально проблему анализа зерна решает измерение
пропускания в коротковолновой части ближней инфракрасной
области, что позволяет вообще исключить размол. Впервые это
было осуществлено в анализаторе Trebor-90 (рис.3.28), в котором
использовались селективные светодиоды (рис. 3.29). Аналогич-
ный анализатор выпускало предприятие LaborMIM также на све-
тодиодах [648]. Анализаторы на светодиодах отличаются значи-
Рис. 3.26. Проточная кювета для жидких проб:
1 — кварцевое окно; 2 — патрубок для ввода пробы; 3 — патру-
бок для вывода пробы; 4 — диффузно отражающая подложка; 5 —
термостатируемый элемент; 6 — уплотнительное кольцо.
83
Рис. 3.27. Инфракрасный анализатор фирмы Neotec для
одновременного размола и анализа зерна.
Рис. 3.28. Инфракрасный анализатор Trebor-90 фирмы
Trebor для анализа неразмолотого зерна по
пропусканию в коротковолновой части ближней
инфракрасной области.
84
Рис. 3.29. Примерная оптическая схема анализатора
Trebor-90:
L — селективные светодиоды (12 элементов);
F — линзы Френеля;
D — диффузор;
S — кремниевый полупроводниковый приемник излучения;
d — толщина просвечиваемого слоя;
W — клапан фотометрической камеры.
тельной простотой конструкции. Несколько модификаций более
сложного прибора Infratec с монохроматором на дифракционной
решетке для анализа цельного зерна, кормов, продуктов питания
без предварительного тонкого измельчения выпускает фирма Те-
cator [580]. Для измерения пропускания материалов без предва-
рительного размола в коротковолновой части ближней инфракрас-
ной области, а также в видимой части спектра вплоть до 400 нм
может использоваться спектрофотометр модели 6500 фирмы NIR-
Systems с транспортирующим модулем и соответствующими кю-
ветами, рассмотренными выше.
По принципу измерений инфракрасные анализаторы могут быть
классифицированы как однолучевые и двухлучевые. Так, фирма
85
NIRSystems выпускает однолучевые приборы. В процессе анали-
за сначала проводятся измерения отражения от встроенного стан-
дарта при всех длинах волн используемого диапазона, затем от
пробы и снова от стандарта, чтобы учесть дрейф измерительной
системы во времени.
По однолучевой схеме измерений работает, например, спектро-
фотометр модели 4250 фирмы NIRSystems. Это сканирующий од-
нолучевой фильтровый прибор, в котором для получения спект-
ров диффузного отражения используются изменяющие положе-
ние интерференционные фильтры. Оптическая схема прибора по-
казана на рис. 3.10.
Излучение от галогенной лампы 1 с помощью рефлектора направ-
ляется на торец цилиндрического световода 2 и с помощью линзы 3
направляется на поворотный интерференционный фильтр 4. Враще-
ние диска, на котором закреплены интерференционные фильтры,
изменяет угол падения лучей на очередной фильтр, вследствие чего
изменяется и длина волны максимума пропускания фильтра. В ре-
зультате на анализируемую пробу 6 через выходную диафрагму 5
линзой 3 направляется выделяемое фильтрами монохроматическое
излучение. Фильтры подобраны так, что первый фильтр дает диа-
пазон 1620 — 1800, второй — 1890 — 2115, третий — 2050 —
2320 нм, обеспечивая сканирование спектра в пределах 1620 —
2320 нм с небольшими промежутками. Отраженное от пробы из-
лучение измеряется системой из 4 термостатируемых фотосопро-
тивлений 8 из сульфида свинца относительно встроенного стан-
дарта 7 из керамики, который устанавливается на место испыту-
емой пробы при смене анализируемого образца. Фотоприемники
расположены под углом 45° к поверхности образца. После усиле-
ния и аналого-цифрового преобразования результат измерения
поступает на персональную ЭВМ, которая проводит требуемые
преобразования данных, рассчитывает результаты анализа, при
необходимости записывает их в файл, выдает их на дисплей и
печатающее устройство.
По данным фирмы NIRSystems, модель 4250 имеет следующие
технические характеристики: точность установки длин волн 0,05 нм,
полуширина выделяемой спектральной полосы 14 нм при 0°, откло-
нение от линейности не более 1%, время сканирования одного спек-
тра 0,2 секунды. При такой скорости сканирования спектр встроен-
ного стандарта и анализируемой пробы снимается многократно.
Обычно спектр встроенного стандарта сканируется по 32 раза в
начале и в конце измерительного цикла, а спектр пробы — 64 раза
в промежутке между ними. Все это вместе с последующей обработ-
кой данных и выдачей результатов анализа занимает не более полу-
тора минут. При этом во время сканирования спектра кювета с про-
86
бой вращается, что позволяет в конечном счете усреднить многок-
ратно получаемые спектральные данные не только по точкам спект-
ра, но и по площади кюветы, обеспечивая большую точность и пред-
ставительность получаемых результатов. Спектрофотометр управ-
ляется IBM-совместимым персональным компьютером. Для работы
с прибором могут использоваться различные программные комплек-
сы: NSAS фирмы NIRSystems, а также NIR-42, NIR-1 — NIR-3 фир-
мы Infrasoft International (США), русифицированные версии кото-
рых ИКС поставляет А/О «Интерагротех».
Модель 4500 фирмы NIRSystems представляет собой однолуче-
вой спектрофотометр с монохроматором на основе голографичес-
кой дифракционной решетки. Оптическая схема прибора показа-
на на рис. 3.16. Излучение галогенной лампы 1 с помощью реф-
лектора собирается на входную щель монохроматора 2, отражает-
ся от зеркала 3 и направляется на вогнутую голографическую
решетку 4. Отраженное от решетки излучение образует интерфе-
ренционную картину, из которой выходная щель монохроматора
вырезает спектральную полосу. Для отсечения излучений других
порядков интерференции используют фильтры 5, которые вводят-
ся в пучок излучения при сканировании соответствующих участ-
ков спектра. Сканирование спектра осуществляется поворотом
голографической решетки с помощью электродвигателя. Выходя-
щее из выходной щели монохроматора излучение с помощью ци-
линдрической плосковыпуклой линзы 7 направляется на анализи-
руемую пробу 9. Диффузно отраженное от пробы излучение из-
меряется системой из 4 термостатируемых фотоприемников 8 из
сульфида свинца относительно встроенного стандарта из керами-
ки 10, который устанавливается на место испытуемой пробы при
смене образца. Фотоприемники расположены под углом 45° к по-
верхности образца. Во время съемки спектра происходит враще-
ние кюветы с образцом для обеспечения большей представительнос-
ти результатов. После усиления и аналого-цифрового преобразова-
ния сигнал поступает на IBM-совместимую персональную ЭВМ, ко-
торая проводит обработку и хранение получаемых данных, расчет
результатов анализа и т.п. Спектрофотометр позволяет получать
спектры в диапазоне 1300 — 2400 нм, проводя измерения по точкам
через каждые 2 нм. Полуширина выделяемой монохроматором спек-
тральной полосы составляет не более 10 нм, точность установки
длин волн не хуже 0,5 нм при воспроизводимости 0,015 нм, диапа-
зон оптической плотности, измеряемой прибором, 0 — 3,5, отклоне-
ние от линейности не более 1%, рассеяное излучение не более 1%,
скорость сканирования составляет 2 спектра в секунду. Анализ од-
ной пробы в стандартной круглой кювете для измерения диффузно-
го отражения занимает обычно не более полутора минут При этом
87
дважды проводится сканирование встроенного керамического стан-
дарта по 16 раз в начале и конце цикла и 32 сканирования спектра
анализируемой пробы. Число сканирований образца и встроенного
стандарта устанавливается оператором и может изменяться. Кюве-
та с пробой вращается во время сканирования спектра. Могут ис-
пользоваться также приставки с другими кюветами, выпускаемые
фирмой для анализа жидких и пастообразных проб и проб грубозер-
нистого или волокнистого материала.
Внешне от модели 4500 ничем не отличаются модели 5000, 5500 и
6500 фирмы NIRSystems, работающие по однолучевой схеме. Разли-
чия моделей состоят в отдельных деталях. Основное отличие моде-
ли 6500 состоит в том, что этот спектрофотометр кроме 4 приемни-
ков излучения из сульфида свинца, используемых в диапазоне 1100 —
2500 нм, имеет еще 2 кремниевых полупроводниковых фотоприем-
ника для видимой области и коротковолновой части ближней инфра-
красной области от 400 до 1100 нм. Это позволяет прибору сканиро-
вать спектр анализируемого объекта в широком диапазоне спект-
ра — от 400 до 2500 нм. Спектры снимаются по точкам через 2 нм.
Модели 4500, 5000, 5500 и 6500 имеют встроенный стандарт из
полистирола, с помощью которого можно контролировать и при не-
обходимости корректировать точность установки длин волн.
В нашу страну поставка инфракрасных анализаторов фирмы NIR-
Systems и их совместное производство для контроля качества сель-
скохозяйственных и пищевых объектов были организованы АО «Ин-
терагротех». В систему первоначально входил спектрофотометр
модели 4250, вместо которого в настоящее время поставляется мо-
дель 4500, персональная ЭВМ с принтером, мельница типа «Цик-
лон» для измельчения анализируемых материалов, набор стандарт-
ных кювет для анализа порошковидных проб и вспомогательные
приспособления для наполнения кювет, их хранения и очистки [151].
В настоящее время вместо мельницы фирмы Udy (США), входящей
в эту систему, поставляется аналогичный измельчитель отечествен-
ного производства.
Ранее в СССР фирмой LaborMIM было поставлено около 1000
инфракрасных анализаторов Infrapid-61, примерно половина кото-
рых находится в сельскохозяйственных учреждениях научно-иссле-
довательского характера и в производственных лабораториях. Этот
анализатор представляет собой сканирующий спектрофотометр, ра-
ботающий в диапазоне 1300 — 2400 нм. Он имеет монохроматор с
дифракционной решеткой и встроенный микропроцессор, управляю-
щий прибором, выполняющий обработку получаемой информации,
выдачу результатов анализа на небольшой дисплей и встроенное
цифропечатающее устройство. Внешний вид и оптическая схема
ППЫГ^АПО nnvQOQIIl-l IJ О ПЫГ 1 ц
88
Анализатор Infrapid-61 предназначен для получения спектров
диффузного отражения порошковидных материалов в круглой не-
подвижной кювете с кварцевым окном диаметром 50 мм. В ком-
плект анализатора входила также кювета для анализа жидких проб
в режиме пропускание/отражение. Согласно техническому опи-
санию, анализатор имеет рабочий диапазон длин волн от 1300 до
2400 нм, воспроизводимость по длинам волн составляет ±1нм,
полуширина спектральной полосы монохроматора 20 нм, время
измерения спектра анализируемой пробы 42 секунды, время ска-
нирования встроенного стандарта 45 секунд. Спектр образца сни-
мается однократно. Встроенный микропроцессор обеспечивает
проведение градуировки прибора максимум по 50 образцам, ис-
пользуя метод множественного регрессионного анализа. Макси-
мальное число переменных в уравнении не более 6. Значения длин
волн должны быть введены оператором. Обеспечивается до 10
видов различных математических преобразований спектральных
данных, включая получение коэффициента отражения и оптичес-
кой плотности, первой и второй производных, разностей и отно-
шений. Постоянная память микропроцессора может хранить ко-
эффициенты уравнений для 20 различных материалов, для каж-
дого из которых может быть до 6 уравнений для определения
различных компонентов.
Фирма АО ЛМГ (Венгрия) поставляла интерфейсы для подключе-
ния к анализаторам Infrapid-61 IBM-совместимой персональной ЭВМ
и пакет программ для математической обработки спектров, выпол-
нения процесса градуировки методом множественной линейной рег-
рессии, хранения до 100 спектров образцов для проведения градуи-
ровки.
В настоящее время АО «Интерагротех» поставляет для анализато-
ра Infrapid-61 интерфейс и программные средства, которые позволя-
ют использовать для математической обработки спектральных дан-
ных, градуировки и проведения анализа программный комплекс
ИКС. Это обеспечивает широкие возможности при составлении
градуировочных серий образцов, манипулировании спектральны-
ми и химическими данными, использовании различных преобра-
зований спектральных данных и различных методов градуировки,
включая пошаговый метод множественного регрессионного ана-
лиза, регрессию на главных компонентах и метод дробных на-
именьших квадратов.
Первый отечественный инфракрасный анализатор Спектран-1 раз-
работан НПО «Агроприбор» совместно с Институтом проблем уп-
равления АН СССР и ВНИИЗерна ВПНО «Зернопродукт». Анализа-
тор предназначен для определения показателей качества зерновых
культур и продуктов их переработки. Одновременно може! бьиь
89
определено до 6 показателей, таких, как содержание влаги, белка,
клейковины, крахмала, жира, клетчатки, золы, а также твердозер-
ности. Продолжительность измерительного цикла составляет 1 —
1,5 минуты.
Спектран-1 (рис. 3.30) также представляет собой однолучевой
спектрофотометр, измеряющий диффузное отражение в диапазоне
1300 — 2400 нм. Прибор имеет монохроматор с вогнутой астигма-
тической дифракционной решеткой с переменным шагом и криволи-
нейными штрихами. Анализ основан на измерении оптической плот-
ности пробы при 2 — 7 длинах волн по градуировочным уравнени-
ям, хранящимся в памяти микропроцессора или вводимым с клавиа-
туры. Микропроцессор может хранить коэффициенты градуировоч-
ных уравнений для анализа 10 различных продуктов на 6 показате-
лей, то есть 60 градуировочных уравнений. Прибор снабжается го-
товой универсальной градуировкой для определения содержания белка
и влаги в зерне пшеницы в диапазоне 9 — 20% для обоих показате-
лей, а также средствами метрологической поверки его метрологи-
ческих характеристик.
Рис. 3.30. Инфракрасный анализатор зерна Спектран-1.
Как указывают разработчики, при определении на Спектране-1 влаги
и белка в зерне пшеницы среднее квадратическое отклонение слу-
чайной составляющей основной погрешности составляет 0,2% (абс.).
Предел допускаемого значения систематической составляющей пог-
решности при определении указанных показателей 0,5% (абс.).
Анализатор предназначен для лабораторий элеваторов, мельзаво-
дов, хлебозаводов, кондитерских и комбикормовых предприятии.
90
В инфракрасных анализаторах моделей InfraAlyzer-300, InfraA-
lyzer-400, InfraAlyzer-500 фирмы Technicon измерения проводят-
ся по двухлучевой системе. Эти приборы имеют интегрирующую
сферу с двумя фотоприемниками из сульфида свинца. Оптичес-
кая схема анализатора InfraAlyzer-500 показана на рис. 3.31. Стан-
дартом, относительно которого измеряется оптическая плотность
анализируемой пробы, является внутренняя поверхность сферы.
Если первичный пучок излучения направляется на нее, то, мно-
гократно отражаясь от внутренних стенок кюветы, он будет со-
бран на детекторах. В свою очередь излучение, падающее на кю-
вету с образцом и отраженное им, также собирается интегрирую-
щей сферой на фотоприемники. Периодическое изменение направ-
ления потока первичного пучка с внутренней поверхности сферы
на кювету с анализируемым образцом достигается с помощью
системы двух зеркал. Одно из них представляет обтюратор и вра-
щается, другое неподвижно. Когда первичный пучок попадает на
отражающий участок обтюратора, он направляется на кювету с
анализируемой пробой. Когда пучок проходит сквозь прорезь об-
тюратора, он падает на второе неподвижное зеркало, которое на-
правляет его на внутреннюю поверхность сферы, а от нее на фо-
топриемники. Спектр снимается в диапазоне 1100 — 2500 нм по
точкам через 2 нм или более, в зависимости от того, что будет
задано оператором. При каждой смене длины волны поток излу-
чения направляется сначала на внутреннюю поверхность сферы,
затем на кювету с анализируемой пробой. Строго говоря, это псев-
додвухлучевая система измерения, так как собственно разделе-
ния излучения на два луча не происходит, и измерения отраже-
ния стандарта и образца разделены во времени, хотя и очень ко-
роткими промежутками.
Сканирование спектра по двухлучевой схеме проходит более мед-
ленно, чем по однолучевой схеме. Обычно в процессе анализа полу-
чают только один спектр, но он по точности может не уступать
усредненному спектру, представляющему результат многократного
сканирования по однолучевой схеме, так как сравнение с встроен-
ным стандартом происходит в каждой точке спектра практически
мгновенно, а не разделено значительным промежутком времени.
Однако метод не допускает движения пробы при сканировании спек-
тра, так как при однократном сканировании каждая точка спектра
при этом будет соответствовать различным местам пробы, что иска-
зит спектр вследствие неоднородности анализируемого материала.
В анализаторе InfraAlyzer-450, показанном на рис. 3.19, двухлучевой
принцип осуществляется с помощью колеблющегося зеркала, которое
при одном положении направляет излучение на кювету с пробой, при
другом — из внутреннюю поверхность интегрирующей сферы.
91
Рис. 3.31. Инфракрасный анализатор InfraAlyzer-500
фирмы Technicon и его примерная оптическая схема:
1 — источник излучения;
2 — линза; 3 — монохроматор;
4 — вращающееся зеркало с окнами;
5 — двигатель;
6 — неподвижное зеркало;
7 — интегрирующая сфера;
8 — приемники излучения (2 элемента);
9 — диффузно отраженный луч;
10 — ОПОПНЫЙ
92
Как двухлучевой, так и однолучевой способы измерения имеют
свои достоинства и недостатки. В значительной степени достоинст-
ва той или иной системы зависят от конструктивных особенностей
конкретного прибора. В настоящее время более универсальной пред-
ставляется однолучевая система, используемая в анализаторах NIR-
Systems. Сканирование поверхности движущейся кюветы обеспечи-
вает возможность анализа грубозернистых материалов, что практи-
чески невозможно при использовании двухлучевой системы. При
сканировании поверхности каждая точка спектра при снятии спект-
ра движущегося образца оказывается на новом месте поверхности.
В этих условиях единственный получаемый спектр будет выражать
не только зависимость поглощения от длины волны, но содержать
флуктуации, вызванные неоднородностью анализируемого материа-
ла. Использование однолучевой, более быстрой системы, позволяет
снимать спектр многократно. В этом случае при движении образца
во время снятия спектра усреднение результатов измерений прохо-
дит одновременно и по точкам спектра, и по сканируемой повер-
хности образца. Это равнозначно получению среднего спектра из
нескольких, полученных при разных положениях кюветы, как это
обычно рекомендуется делать для обеспечения большей представи-
тельности результатов при работе с приборами, в которых кювета
во время сканирования спектра неподвижна.
При работе в коротковолновой части ближней инфракрасной об-
ласти от 800 до 1100 нм, используемой преимущественно для изме-
рения истинного пропускания по схеме, показанной на рис. 3.1 (А),
применяют кремниевые полупроводниковые приемники излучения.
Следует отметить, что чувствительность кремниевого фотоприемни-
ка в указанной области спектра значительно выше, чем детектора
из сульфида свинца при длинах волн, соответствующих максимуму
его чувствительности (рис. 3.17).
Наряду с универсальными анализаторами, такими, как модель
6500 и более ранними приборами, которые охватывают практи-
чески всю ближнюю инфракрасную область и позволяют прово-
дить измерения как диффузного отражения, так и пропускания,
имеются приборы предназначенные только для измерения про-
пускания. Как уже отмечено выше, первым прибором, специаль-
но предназначенным для измерения истинного пропускания в ко-
ротковолновой части ближней инфракрасной области при про-
хождении излучения сквозь анализируемую пробу, является Тге-
Ьог-90 фирмы Trebor Industries (США). В этом анализаторе ис-
пользовано 12 инфракрасных светодиодов, собранных в матрице
4x3. Схема прибора показана на рис. 3.29. Излучение светодио-
да, включенного в данный момент с помощью таймера, проходит
СКОМПОНОВАННЫЙ СО СБСТОДИОДОМ ИНТСрфсрсНЦИОНлЫИ фиЛЬТр, ЛИН"
93
зу Френеля, диффузор, а затем, пройдя сквозь испытуемую про-
бу, попадает на кремниевый полупроводниковый фотоприемник.
Возникающий сигнал после усиления и аналого-цифрового преоб-
разования поступает на встроенный микропроцессор, который
обрабатывает получаемые данные и выдает на дисплей и цифро-
печать результаты анализа. Прибор имеет «проточную» кювету для
сыпучих материалов, в процессе анализа которых испытуемая проба
проходит измерительную камеру несколькими порциями. Это дости-
гается с помощью клапана с поворотными лопастями. При повороте
лопастей часть пробы высыпается н в просвечиваемую часть изме-
рительного канала поступает новая порция анализируемого матери-
ала. Это позволяет получить несколько результатов измерений од-
ного и того же образца на разных его частях, усреднение которых
улучшает репрезентативность данных.
Очень существенной особенностью прибора является автомати-
ческая коррекция погрешностей, вызываемых различием темпе-
ратуры анализируемых проб. Для коррекции различий темпера-
туры анализируемых образцов в приборе имеются два датчика.
Один из них учитывает температуру пробы, другой — температу-
ру внутри прибора с помощью встроенных термисторов. Измеря-
емые величины в качестве независимых переменных входят в гра-
дуировочные уравнения и учитываются при расчетах результатов
анализа. Это позволяет анализировать материалы с температу-
рой от -65 до 90°С. Естественно, что при градуировке анализато-
ра используемые образцы должны по значениям температуры ох-
ватывать возможный диапазон значений этой величины при ана-
лизах. Исключение необходимости в измельчении зерна и воз-
можность его анализа при практически любой температуре обес-
печивают очень высокую экспрессность анализа при определении
содержания влаги и белка — основных показателей качества, кон-
тролируемых в производственных лабораториях на элеваторах.
Включение в градуировочные уравнения температуры позволя-
ет также анализировать объекты во время термической обработ-
ки, например контролировать хлебопекарный процесс или полу-
чение кондитерских изделий, не дожидаясь доведения образцов
до температуры помещения. В этом отношении достаточно уни-
версальным является анализатор пищевых продуктов Trebor-99.
Он комплектуется кюветами большой площади с различной тол-
щиной просвечиваемого слоя, что позволяет подбирать оптималь-
ные условия измерений при анализе различных по крупности час-
тиц и консистенции объектов [148].
В литературе имеется описание прибора LABNIT [648], предна-
значенного для анализа неразмолотого зерна. Этот анализатор
представляет двухлучевой прибор на 16 светодиодах, охватываю-
94
щих диапазон спектра от 855 до 1080 нм. Прибор имеет встроен-
ный микропроцессор, в памяти которого может храниться до 48
градуировочных уравнений. К прибору может подключаться пер-
сональный компьютер с помощью стандартного интерфейса RS-
232.
Фирмой Tecator разработаны инфракрасные анализаторы: Infra-
tec-1225 — для анализа цельного зерна (рис. 3.32), Infratec-1255 —
для анализа кормов и пищевых продуктов различной консистенции,
включая грубозернистый твердый материал, жидкие продукты, сус-
пензии и пасты,Infratec-1265 — специально для анализа мясных
продуктов (рис. 3.33). Эти анализаторы имеют монохроматор и
сканируют спектр в диапазоне от 850 до 1050 нм через 2 нм по
100 точкам, измеряя пропускание исследуемого объекта. Конструк-
ция кювет позволяет проводить измерения при толщине просве-
чиваемого слоя от 3 до 30 мм в зависимости от свойств анализи-
руемого материала. Приборы позволяют проводить измерения в
нескольких различных местах пробы в общей массе или в 5 от-
дельных цилиндрических кюветах, одновременно загружаемых в
прибор. Результаты измерений затем усредняются для повыше-
ния представительности.
Имеется кювета для отдельных зерен, в которой могут анализиро-
ваться одновременно до 24 зерен с выдачей результатов по каждо-
му. Поскольку используемая область спектра безопасна для зерна,
Рис. 3.32. Инфракрасный анализатор Infratec-1225 для
анализа цельного зерна.
95
Рис. 3.33. Инфракрасные анализаторы Infratec-1255
для анализа кормов и пищевых продуктов (А)
с набором кювет (В) и Infratec-1265 для анализа мяса
и мясных продуктов (С).
оно может быть затем высеяно и дать урожай, что представляет
значительный интерес для селекционеров.
В последнее время в спектроскопии ближней инфракрасной об-
ласти все большее применение находит волоконная оптика. По од-
ному жгуту световолокон излучение, выделенное монохроматором,
подается к пробе, по другому — возвращается на приемник излуче-
ния в приборе после взаимодействия с анализируемым объектом,
который может находиться на значительном расстоянии от прибо-
ра. Используется и другой вариант, в котором полихроматичес-
кое излучение от источника направляется по одному световоду
на анализируемый объект, по другому световоду после отраже-
ния от объекта или его просвечивания направляется в монохро-
матор, после чего на приемник излучения попадает монохромати-
96
ческое излучение. Используется и третий вариант, по которому
излучение от монохроматора направляется на объект и после вза-
имодействия с ним попадает на приемник излучения, располо-
женный у конца светопровода. В этом случае в одном кабеле со-
единяют и светопровод, и провода для электрического соедине-
ния прибора с приемником излучения.
Волоконная оптика может использоваться как для измерения диф-
фузного отражения объекта, так и для измерения его пропускания.
При измерении отражения используются открытые концы выводно-
го и приемного светопроводов, защищенные окнами из кварца или
сапфира. Прикладывая конец такого жгута к поверхности объекта
или погружая его в сыпучий или жидкий материал, можно измерить
диффузное отражение. Для измерения пропускания в конце общего
жгута с выходным и входным светопроводами устанавливают отра-
жатель, с помощью которого излучение, выходящее из одного све-
топровода, возвращается назад на приемный светопровод. Толщина
просвечиваемого слоя определяется величиной зазора между конца-
ми светопроводов и отражателем. Обычно этот способ измерения
используется для анализа жидких объектов. При погружении конца
светопроводов в анализируемый объект зазор между отражателем и
светопроводами заполняется измеряемой средой, образуя просвечи-
ваемый слой.
Датчики на волоконной оптике выпускают для своих анализато-
ров фирмы NIRSystems, Bran & Luebbe, Guided Wave и некоторые
другие. На рис. 3.34 показаны датчики погружного типа, поставляе-
мые фирмой NIRSystems для своих приборов. Более детально дат-
чик для измерения в режиме пропускание/отражение показан на
рис. 3.35. Выходящий из конца световода пучок лучей отражает-
ся от металлического отражателя, установленного на конце дат-
чика, улавливается пучком световолокон приемного световода и
возвращается к прибору. Зазор между отражателем и концом све-
товодов можно регулировать, задавая толщину просвечиваемого
слоя измеряемой среды, заполняющей этот зазор при погруже-
нии в нее датчика.
Для измерения отражения от поверхности исследуемого объекта
может использоваться датчик, в который вмонтирован приемник
излучения. На рис 3.36 показан датчик фирмы NIRSystems, в кото-
ром на конце световода от монохроматора вмонтированы 4 фотосоп-
ротивления из сульфида свинца, измеряющие отражение от повер-
хности объекта.
В приставке Edapt 1 для инфракрасного анализатора фирмы Вгап
& Luebbe (рис. 3.37) на конце световода, отводящего излучение от
исследуемого объекта, применяется небольшая интегрирующая сфера
для более эффективного использования отраженного излучения.
97
Рис. 3.34. Инфракрасный анализатор модели 4500
(5500, 6500) фирмы NIRSystems с различными датчиками
на волоконной оптике.
Рис. 3.35. Погружной датчик фирмы NIRSystems для
измерений жидких сред в режиме пропускание/отражение.
98
Рис. 3.36. Датчик на волоконной оптике для измерения
отражения от поверхностей исследуемых объектов
(фирма NIRSystems).
Рис. 3.37. Приставка Edapt-1 фирмы Bran & Luebbe с
датчиком на волоконной оптике с приемной
интегрирующей сферой.
Диапазон спектра, в котором используется волоконная оптика,
зависит от материала световолокон и среды, которая их скрепля-
ет. Для коротковолновой части ближней инфракрасной области
могут использоваться световоды из стекла, а для длинноволновой
части — из плавленого обезвоженного кварца. Спектры пропус-
кания световодов длиной 183 см из различных материалов пока-
заны на рис. 3.38.
99
Длина волны, нм
Рис. 3.38. Спектры пропускания светопроводов длиной
183 см из различных материалов:
1 — специально обезвоженный кварц;
2 — кварц IR-5;
3 — световолокно для видимой области.
Применение волоконной оптики позволяет проводить измере-
ния объектов вне прибора, не проводя пробоотбора и пробоподго-
товки, что делает ее применение очень перспективным. В настоя-
щее время этот момент все больше реализуется в промышленнос-
ти для осуществления непрерывного контроля за производствен-
ными процессами в режиме реального времени в составе автома-
тизированных систем управления. Для этих целей ряд фирм вы-
пускают специальные датчики для установки над лентами тран-
спортеров, в смесительных камерах, химических реакторах и т.п.
Образцы некоторых датчиков фирмы NIRSystems для промыш-
ленности показаны на рис. 3.39 и 3.40.
Используемые в фундаментальной части инфракрасной области
спектрометры Фурье, оптическую основу которых представляет ин-
терферометр, в ближней инфракрасной области применяются ред-
ко. Однако в последнее время специально для ближней инфракрас-
ной области стали выпускаться приборы, представляющие собой
фурье-спектрометры, основанные на использовании оптико-акусти-
ческого эффекта. В отличне от обычных спектрометров подобные
приборы практически не содержат движущихся деталей. Примером
100
Рис. 3.39. Датчик фирмы NIRSystems для измерения
пропускания протекающей жидкости в трубопроводе с
подводящим и отводящим излучение световодами.
Рис. 3.40. Датчик фирмы NIRSystems, работающий
в режиме пропускание/отражение для установки
в трубопроводе.
может служить InfraPover фирмы Bran & Luebbe, предназначенный
для работы с обычными кюветами и датчиками на волоконной опти-
ке. Этот спектрофотометр имеет кристалл из двуокиси теллура, к
специально обработанным граням которого присоединен пьезоэлек-
трический элемент. Кристалл прозрачен в широкой области спект-
ра — от видимой области до 5 мкм — и обладает двойным лучепре-
ломлением. Наложение на пьезоэлемент радиочастоты вызывает из-
101
менения показателя преломления кристалла. В конечном счете ис-
пользование явления поляризации и изменения коэффициента пре-
ломления кристалла позволяет получить интерферограмму, а из нее
с помощью преобразования Фурье — спектр обычного вида.
Спектрометр InfraPover работает в диапазоне спектра от 1000 до
2500 нм (10000 — 4000 см1) с кюветами и от 1000 до 2200 нм
(10000 — 4545 см1) с волоконной оптикой. Разрешающая способ-
ность прибора составляет ±4 нм при 2500 нм (без аподизации),
точность установки длин волн ±0,8 нм при 2000 нм и ±0,2 нм при
1000 нм. В качестве приемника излучения в этом приборе использу-
ется фотосопротивление из селенида свинца. Прибор имеет относи-
тельно высокий уровень шума, который для единичного измерения
составляет 0,0005 единицы оптической плотности при ее значениях
около нуля. Однако уровень шума может быть снижен путем мно-
гократного сканирования спектра и усреднения результатов измере-
ний. Это не представляет особой проблемы, так как скорость скани-
рования спектра достаточна велика и составляет 1,1 секунды и про-
должительность измерительного цикла, включая сканирование встро-
енного стандарта и преобразование Фурье при наивысшем разреше-
нии, составляет 5,5 секунды при использовании компьютера с час-
тотой 25 МГц.
Одновременно с датчиком на волоконной оптике к прибору может
подключаться устройство для считывания штрихового кода. Это
позволяет очень быстро контролировать правильность маркировки
продуктов. С помощью соответствующих датчиков считывается штри-
ховой код с этикетки и снимается спектр продукта. Полученная
информация обрабатывается по специальной программе компьюте-
ром, который определяет соответствие этикетки продукту.
Фирма Bran & Luebbe производит также прибор InfraPrime, осно-
ванный на том же принципе, для автоматизированного контроля
производственных процессов в промышленности. Прибор заключен
в изолирующий от внешних условий кондиционируемый кожух и
может устанавливаться в различных производственных помещени-
ях, а датчики на волоконной оптике — непосредственно в трубопро-
водах, реакционных и смесительных камерах и т.п.
Сообщается также о разработке спектрофотометра для ближней
инфракрасной области на фотодиодной матрице [617]. Приборы по-
добного типа не имеют движущихся деталей и достаточно компакт-
ны, что перспективно для использования в полевых условиях.
Более подробное описание приборов для ближней инфракрасной
области, принципов их устройства и работы можно найти в литера-
туре [482, 131, 214, 160, 120, 88, 524, 579, 617, 83, 370, 648, 710,
391, 148, 147, 79, 515, 678, 478].
102
4. МЕТОДЫ МАТЕМАТИЧЕСКИХ
ПРЕОБРАЗОВАНИЙ СПЕКТРАЛЬНЫХ
ДАННЫХ
Спектры сложных по составу объектов биологического происхож-
дения в ближней инфракрасной области обычно представляют ряд
широких перекрывающихся полос, которые слабо выражены и ос-
ложнены значительным фоновым поглощением. Варьирование спек-
тров диффузного отражения образцов данного вида материала обыч-
но невелико и в основном обусловлено различиями их физических
свойств, в частности крупностью частиц, из которых они состоят, а
не различиями химического состава, на долю которого приходится
обычно очень небольшая часть общей вариации. Варьирование в
содержании даже такого компонента, как белок в зерне пшеницы,
проявляется в спектрах как различия, измеряемые не более чем
сотыми долями единицы оптической плотности. Поэтому для исполь-
зования спектральных данных для количественного анализа требу-
ется очень высокая точность измерений.
Значительные осложнения вызывает мультиколлинеарность спек-
тральных данных, то есть их взаимная корреляция. Как правило,
коэффициент корреляции значений оптической плотности диффуз-
ного отражения образцов анализируемого материала при любой длине
волны составляет не менее 0,95. Мультиколлинеарность осложняет
градуировку анализаторов, снижает надежность градуировочных урав-
нений, получаемых методом множественной линейной регрессии.
В этой связи в спектроскопии ближней инфракрасной области
широко используются различные преобразования спектральных дан-
ных, которые позволяют уменьшить случайную вариацию в спект-
рах, повысить разрешение полос поглощения, снизить мультиколли-
неарность спектральных данных, а также более четко выявить их
связь со значениями определяемых показателей.
Для повышения точности спектральных данных кроме чисто тех-
нических средств, направленных на повышение отношения сигнал/
шум, что определяет чувствительность и точность анализа, исполь-
зуют и чисто статистические методы. Наиболее простым из них явля-
ется усреднение многократно повторяемых измерений. Этот прием ос-
нован на том, что погрешность среднего арифметического обратно про-
порциональна корню квадратному из числа измерений, как это следует
из уравнения (6.5). В спектроскопии ближней инфракрасной области,
как правило, спектральные данные представляют среднее арифмети-
ческое из нескольких десятков однократных измерений.
Для фильтровых анализаторов с фиксированными длинами волн
усреднение представляет единственный способ, позволяющий с по-
103
мощью статистики повысить точность результатов измерений. При
работе на сканирующих приборах возможно применение сглажива-
ния спектра, которое, снижая уровень шума и повышая отношение
сигнал/шум, повышает точность спектральных данных. Простей-
шим способом сглаживания является метод скользящего (бегущего)
среднего (окна) [179]. Известным приемом увеличения отношения
сигнал/шум является также биномиальное сглаживание [456], ко-
торое, как отмечается в литературе [616], более эффективно. Более
сложными являются методы, аппроксимирующие спектр с помощью
различных функций, например, полиномиальной по Савицкому—Го-
лаю [588], сплайн-функции [332], а также рядом Фурье [481, 476,
480, 479, 54]. Эта группа методов сглаживания основывается на
том, что при описании спектров их мелкие детали, представляющие
шум, просто теряются при соответствующей степени приближения.
При использовании преобразования Фурье для уменьшения шума
может применяться также и специальная сглаживающая функция
[480, 54, 417]. Усреднение повторных результатов измерений и сгла-
живание спектров могут сочетаться.
Для уменьшения влияния различий в крупности частиц образцов
анализируемого материала на спектральные данные предлагалось ис-
пользование «шаровой мельницы» [512], «мультипликативной коррек-
ции рассеяния» [518, 401, 335, 470, 616], нормирования данных по
среднеквадратическому отклонению с одновременным устранением трен-
да, то есть общей тенденции изменения оптической плотности с увели-
чением длины волны [208], преобразования Фурье [481, 380, 476, 480,
479, 54], получения производных и некоторых других преобразований.
Получение производных применяют также для улучшения разре-
шения полос поглощения в спектрах. Для более четкого выявления
максимумов поглощения используют преобразование Фурье с апо-
дизацией [480, 54, 417], разложение спектра на гауссианы и некото-
рые другие приемы. Ниже рассматриваются методы преобразования
спектральных данных, нашедшие наибольшее практическое приме-
нение в ближней инфракрасной спектроскопии.
4.1. СНИЖЕНИЕ ВЛИЯНИЯ РАССЕЯНИЯ
ЛУЧЕЙ
На уровень фонового поглощения и общий наклон спектров диф-
фузного отражения значительное влияние оказывает крупность час-
тиц, слагающих анализируемый материал [701, 527]. Чем крупнее
частицы, тем при прочих равных условиях меньшая доля первично-
го потока излучения попадает на фотоприемник при измерении диф-
104
фузного отражения, что увеличивает общую оптическую плотность.
Чем крупнее частицы, тем длиннее путь, который проходит излуче-
ние сквозь частицы, вызывая усиление поглощения [616]. Проблема
осложняется еще и тем, что при размоле материала в процессе про-
боподготовки даже на одном и том же измельчительном устройстве
получаемый гранулометрический состав анализируемых образцов
может значительно варьировать в зависимости от их влажности,
химического состава, первоначальной структуры. В то же время
различия в рассеянии излучения, вызываемые данным фактором,
значительно ослабляют связь между поглощением излучения и кон-
центрацией определяемого компонента.
Необходимо отметить, что уровень фонового поглощения может
использоваться для определения крупности частиц исследуемого
материала. Это находит применение при определении твердозернос-
ти зерна [495], механического состава почвы [492]. Однако при оп-
ределении химического состава материалов варьирование фонового
поглощения является большей частью неблагоприятным фактором.
Как уже отмечалось выше, для уменьшения влияния различий в
крупности частиц на варьирование спектральных данных предложе-
на «шаровая мельница» [512]. Суть этого метода обработки данных
состоит в том, что сначала рассчитывают средний спектр образцов
градуировочной серии и коэффициенты уравнения простой ли-
нейной регрессии, выражающей связь средних значений оптичес-
кой плотности с длиной волны. Таким же образом рассчитывают
коэффициенты регрессии для спектра каждого образца. Затем рас-
считывают отношение угловых коэффициентов и разность нуле-
вых членов регрессионных уравнений, полученных для среднего
спектра и спектра конкретного образца. Полученные значения
используют для коррекции, в результате которой прямые, аппрок-
симирующие откорректированные спектры, совпадают, получая
наклон и значение нулевого члена, соответствующие среднему
спектру градуировочной серии.
В отношении «мультипликативной коррекции рассеяния» [470,
616, 335] следует указать, что она по существу подобна «шаровой
мельнице». Методика состоит в том, что сначала по спектрам
градуировочной серии образцов рассчитывают средний спектр.
Затем рассчитывают коэффициенты линейной регрессии, связы-
вающей каждый спектр образцов градуировочной серии, а впос-
ледствии также и каждого анализируемого образца с этим сред-
ним спектром, методом наименьших квадратов, используя в ка-
честве модели уравнение
Xi = a+bY + E ,
где X. — значение оптической плотности в /-й точке спектра,
105
Х[ — среднее арифметическое значение оптической плотности
в i-й точке среднего спектра, рассчитанное по спектрам градуи-
ровочной серии образцов;
а и b — коэффициенты регрессии;
Е — случайные отклонения.
Для коррекции различий в рассеянии, вызываемых неодинаковой
крупностью частиц образцов, спектры приводят к наклону и смеще-
нию, которые имеет средний спектр градуировочной серии образцов:
\ =(хга)/Ь = Т + Е/Ь.
где X- — откорректированное значение оптической плотности в i-й
точке спектра данного образца;
X- — значение оптической плотности в i-й точке среднего спектра
образцов градуировочной серии;
а и b — коэффициенты уравнения регрессии, связывающего зна-
чения оптической плотности в среднем спектре с длиной волны.
В результате таких преобразований прямые, которые аппроксими-
руют средний спектр и спектры отдельных образцов, совпадают.
Откорректированные спектры имеют одинаковое смещение по орди-
нате, а отклонения в конкретном откорректированном спектре от
аппроксимирующей прямой (Е) приведены к единому масштабу крат-
но угловому коэффициенту соответствующего уравнения регрессии.
Таким образом, коррекция имеет как аддитивный, так и мультипли-
кативный характер.
Рассмотренные способы пригодны как для сканирующих прибо-
ров, так и для анализаторов с несколькими фиксированными длина-
ми волн, и не только для коррекции оптической плотности, но и
коэффициента отражения, функции Кубелки—Мунка [527].
Для ослабления влияния различий в рассеянии излучения анали-
зируемыми пробами вследствие варьирования их по гранулометри-
ческому составу предложено также нормирование спектров по сред-
неквадратическому отклонению [208]. Суть данного способа состоит
в том, что для каждой пробы рассчитываются среднее арифметичес-
кое значение оптической плотности из всех точек спектра и сред-
неквадратическое отклонение. Затем из значения оптической плот-
ности в каждой точке спектра вычитают среднее арифметическое
(центрирование данных) и нормируют получаемую разность по сред-
неквадратическому отклонению для данной пробы:
SNV^-y)/
п-1
106
где SNV — нормированное по среднеквадратическому отклонению
центрированное значение оптической плотности в i-й точке спек-
тра;
у — исходное значение оптической плотности в i-й точке спек-
тра;
у — среднее арифметическое значение оптической плотности в
спектре данного образца;
п — число точек спектра (число значений оптической плотнос-
ти, которые составляют спектр).
Такое нормирование устраняет мультипликативное влияние круп-
ности частиц на спектры, приводя их к единому масштабу, при кото-
ром за единицу измерения принимается значение среднеквадрати-
ческого отклонения.
Этот прием сочетают с устранением из спектра тренда — наблю-
даемого в большей части случаев систематического повышения зна-
чений оптической плотности с увеличением длины волны. Для этого
рассчитывают полиномиальное приближение спектральной кривой,
представляющей тренд, и исключают его из спектра. Ограничивают-
ся полиномом второй степени, который с достаточной степенью при-
ближения учитывает нелинейность тренда:
у. = Ь. + Ь, х. + Ь, х2,
•'l U II 2 1
где у. — значение поправки на тренд в i-й точке спектра;
х. — значение оптической плотности в i-й точке спектра;
Ьд, Ь, и Ь2 — константы уравнения, которые рассчитывают мето-
дом наименьших квадратов.
Вычитая из значений оптической плотности в каждой точке спек-
тра соответствующее значение поправки у получают спектр, ис-
правленный на тренд. То есть за начало отсчета, или базу, принима-
ют не оптическую плотность относительно встроенного в прибор
стандарта, а ее значение в соответствующей точке кривой, описыва-
ющей тренд спектра. В результате получают исправленный на тренд
спектр пробы, который свободен от тенденции возрастания значе-
ний с увеличением длины волны. Это можно видеть из рис. 4.1.1, на
котором показан спектр размолотого зерна пшеницы с практически
линейно возрастающим с увеличением длины волны фоновым погло-
щением, и из рис. 4.1.2, на котором показан спектр того же образца
после устранения тренда и нормирования. На рис. 4.1.3 показан спектр
почвы с явно нелинейным трендом с минимумом в средней части, а на
рис. 4.1.4 — спектр того же образца после преобразования.
Эффективность устранения влияния различий в крупности частиц на
спектральные данные иллюстрируют рис. 4.1.5 и 4.1.6. На рис. 4.1.5
показаны исходные спектры 6 образцов, которые составляют две
группы по значениям оптической плотности. Верхние, практически
107
Рис. 4.1.1. Аппроксимация спектра диффузного
отражения зерна пшеницы параболой второго порядка:
С — спектр; П — аппроксимирующая кривая (практически пря-
мая линия), отражающая тренд спектра.
Длина волны, нм
Рис. 4.1.2. Спектр зерна пшеницы после устранения
тренда и нормирования по среднеквадратическому
отклонению.
108
Длина волны, нм
Рис. 4.1.3. Аппроксимация спектра диффузного
отражения почвы параболой второго порядка:
С — спектр; П — аппроксимирующая кривая, отражающая тренд
спектра.
Рис. 4.1.4. Спектр почвы после устранения тренда и
нормирования по среднеквадратическому отклонению.
109
Рис. 4.1.5. Спектры диффузного отражения трех образцов
почв с размером частиц от 0,08 до 0,5 мм (А) и тех же трех
образцов после измельчения и пропускания через
сито 0,08 мм (В).
Длина волны, нм
Рис. 4.1.6. Спектры тех же 6 образцов почв, что и на рис.
4.1.5, после нормирования по среднеквадратическому
отклонению и устранения тренда.
110
сливающиеся три спектра принадлежат образцам, которые имели
размер частиц от- 0,08 до 0,5 мм, три нижние спектра — также
практически сливающиеся спектры тех же самых образцов после
размола до размера частиц менее 0,08 мм. Так как химический
состав образцов при размоле практически не изменяется, то на-
блюдаемые различия рассматриваемых двух групп спектров связа-
ны только с различиями в крупности частиц. Устранение тренда и
нормирование всех 6 спектров сближают получаемые спектральные
кривые, снижая их различия, вызываемые различиями в крупности
частиц исследуемых образцов, как это можно видеть из рис. 4.1.6.
В рассматриваемом примере со спектрами почв мультипликатив-
ная коррекция рассеяния, рассмотренная выше, несколько уступает
нормированию по среднеквадратическому отклонению и устранению
тренда в спектрах. Это можно видеть, сравнивая рис. 4.1.6 и 4.1.6а.
На рис. 4.1.6а показан результат мультипликативной коррекции.
Видно, что различия в спектрах между группами образцов по круп-
ности частиц сохраняются здесь в заметно большей степени. Одна-
ко при сравнении различных методов коррекции на спектрах 95 об-
разцов зерна пшеницы эффективность методов примерно одинакова.
Очевидно, здесь имеет значение то, что тренд в спектрах зерна име-
ет более четко выраженный линейный характер, чем в спектрах об-
разцов почв, где он явно параболический, и его более точно аппрок-
симирует полином второй степени.
Рис. 4.1.6а. Спектры тех же 6 образцов почв, что и на
рис. 4.1.5, после мультипликативной коррекции рассеяния.
ш
Рис. 4.1.7. Спектры 95 образцов зерна пшеницы (А) и
кривая значений коэффициента корреляции оптической
плотности с содержанием белка при различных длинах
волн (В).
112
Длина волны, нм
Рис. 4.1.8. Спектры 95 образцов зерна пшеницы после
нормирования и устранения тренда (А) и кривая значений
коэффициента корреляции с содержанием белка (В).
из
Длина волны, нм
Длина волны, нм
Рис. 4.1.9. Спектры 95 образцов зерна пшеницы после
мультипликативной коррекции рассеяния (А)
и кривая значений коэффициента корреляции
с содержанием белка (В).
114
Рассматриваемые преобразования значительно улучшают раз-
решение полос поглощения и проявление связи спектральных
данных с содержанием поглощающих компонентов. Например,
коэффициент корреляции содержания белка в 95 образцах зерна
пшеницы с оптической плотностью при всех возможных длинах
волн в диапазоне 1300 — 2400 нм не превышает значения 0,25 при
2206 нм (рис. 4.1.7). После нормирования и устранения тренда коэф-
фициент корреляции повысился до 0,96 при 2186 нм (рис. 4.1.8). Пример-
но такую же картину дает мультипликативная коррекция, как можно
видеть из рис. 4.1.9. При визуальном сравнении результатов этих двух
методов коррекции на почвах, что рассматривается в разделе 7.11.2, из
рис. 7.11.2.5 видно, что мультипликативная коррекция в меньшей сте-
пени устраняет различия в спектрах. Кривые коэффициентов корреля-
ции сравнивать трудно, так как значения оптической плотности при
мультипликативной коррекции имеют только положительные значения,
тогда как при центрировании и устранении тренда появляются отрица-
тельные значения, что осложняет картину. Если ориентироваться по
абсолютным значениям коэффициента корреляции спектральных дан-
ных с содержанием гумуса, то различия здесь невелики. Максимальное
абсолютное значение коэффициента корреляции при нормировании
и устранении тренда составляло 0,940 около 1396 нм (минимум на
кривой), а при мультипликативной коррекции — 0,924 около 1900
нм (также минимум).
Полученные в результате рассмотренных преобразований спек-
тральные данные могут использоваться для проведения градуи-
ровки инфракрасных анализаторов непосредственно или в соче-
тании с другими способами предварительной обработки данных
как, например, с получением производных. Здесь следует только
отметить, что методы коррекции рассеяния разрабатывались как
альтернатива получению производных, поскольку они проще и
могут быть реализованы с применением менее мощной вычисли-
тельной техники.
4.2. ПОЛУЧЕНИЕ ПРОИЗВОДНЫХ СПЕКТРОВ
Перекрытие полос поглощения дает сложную спектральную кар-
тину, в которой могут полностью исчезать реально существующие
полосы или возникать несуществующие полосы поглощения в ре-
зультате перекрытия и суммирования полос, составляющих спектр.
Одним из наиболее широко применяемых приемов улучшения раз-
решения является получение производных спектров, когда от функ-
ции. выражающей зависимости оптической плотности D от длины
115
волны, представляющей спектр, переходят к производной этой фун-
кции того или иного порядка, получаемого с помощью дифференци-
рования исходного спектра: dnD/d/.n =
Особенности производных спектров иллюстрируют обычно про-
изводными функций, моделирующих контуры спектральных по-
лос, например уравнением Гаусса, описывающим нормальное рас-
пределение:
In 2-(л0-л2)
D = Doe~ д2 , (4.2.1)
где Dq — интенсивность спектральной полосы в ее максимуме;
Хо — длина волны, при которой наблюдается максимум;
Д — ширина спектральной полосы, то есть ее ширина на по-
ловине высоты максимума интенсивности.
Соответствующая уравнению (4.2.1) кривая приведена на рис.
4.2.1, где показаны также первая, вторая, третья, четвертая, пя-
тая и шестая производные функции нормального распределения.
Из приведенных графиков можно видеть, что с ростом порядка
дифференцирования производные спектры усложняются. В про-
изводной порядка п присутствуют п+1 положительный (макси-
мум) и отрицательный (минимум) экстремумы. В нечетных произ-
водных абсциссе Ло, при которой находится максимум, соответ-
ствует нулевое значение производных. В четных производных
данному значению абсциссы соответствуют отрицательный (во
второй и шестой) или положительный (в четвертой, восьмой и
т.д.) экстремумы. Экстремумы сопровождаются сателлитами про-
тивоположного знака, причем отношение амплитуды основного
пика к амплитудам сателлитов уменьшается с ростом порядка
дифференцирования.
На каждой ступени дифференцирования точки перегиба в исход-
ном спектре (производной) превращаются в экстремумы, а экстре-
мумы — в точки пересечения следующей производной с осью аб-
сцисс. Одновременно с ростом порядка дифференцирования прогрес-
сивно уменьшается ширина основных пиков в четных производных,
что значительно улучшает разрешение полос, перекрывающихся в
исходных спектрах.
Из правил дифференцирования следует, что постоянное фоно-
вое поглощение должно исключаться в первой производной, а
линейно изменяющееся — во второй. Это положение иллюстри-
рует рис. 4.2.2, на котором показаны две пары гауссиан. Первая
пара различается только постоянным фоном. В первой производ-
ной он исключается, поэтому обе гауссианы дают идентичные
кривые, которые совпадают. Вторая пара гауссиан различается
116
Рис. 4.2.1. Полоса поглощения, аппроксимированная
гауссианой (0), ее первая (1), вторая (2), третья (3),
четвертая (4) и шестая (6) производные.
линейно изменяющимся фоном, который исключается во второй
производной. Фон, имеющий параболический характер, должен
исключаться в производных третьего и последующего порядков,
так как квадратическая составляющая фона обращается в нуль в
производной третьего порядка, кубическая — в производной чет-
вертого порядка и т.д.
117
Рис. 4.2.2. Две пары гауссиан:
Л — различающиеся постоянной составляющей (фоном) и их общая
кривая первой производной;
В — различающиеся линейно изменяющейся составляющей (фоном)
и их общая кривая второй производной.
Исключение фонового поглощения и улучшение разрешения по-
лос поглощения иллюстрирует рис. 4.2.3, на котором смоделиро-
ван участок спектра с двумя полосами поглощения на линейно
возрастающем фоне. Полосы поглощения представлены двумя га-
уссианами, перекрытие которых дает общую полосу. Линейно
изменяющееся фоновое поглощение представлено наложением
гауссиан на линейную функцию. Из рисунка видно улучшение
разрешения гауссиан с увеличением порядка производных, а так-
же исключение постоянной составляющей фона в первой произ-
водной и исключение линейной составляющей во второй произ-
водной. В первой производной линейная составляющая сохраня-
лась как постоянная, показанная пунктирной линией.
Улучшение разрешения полос поглощения при получении про-
изводных наблюдается и в реальных спектрах, как это можно
видеть из рис. 4.2.4, на котором показан небольшой участок спек-
тра зерна пшеницы с наблюдаемой в нем широкой полосой погло-
щения около 1930 нм. Как можно видеть из представленных гра-
фиков, широкая полоса поглощения, наблюдаемая в исходном
спектре, состоит из двух перекрывающихся полос, что становит-
ся заметным во второй и очень четко проявляется в четвертой
производной.
118
Рис. 4.2.3. Кривая, представляющая перекрытие двух
гауссиан, наложенных на линейно возрастающую функцию
(0), ее первая (1), вторая (2), третья (3) и четвертая (4)
производные.
119
2-я производная 1-я производная log (1/R)
Рис. 4.2.4. Полоса поглощения, наблюдаемая в спектре
зерна пшеницы (А), ее первая (Б), вторая (В), третья (Г)
и четвертая (Д) производные.
120
Исключение фонового поглощения и его различий, связанных с
рассеянием излучения поверхностью частиц и зависящих от их круп-
ности, с переходом на производные демонстрируют рис. 4.2.5 и 4.2.6.
На них показаны первые и вторые производные спектров трех пар
образцов почв. В каждой паре спектров один принадлежит образцу
с частицами размером до 1 мм, а второй — тому же образцу после
измельчения до 0,08 мм. Исходные спектры образцов показаны на
рис. 4.1.5. Это пример, рассмотренный выше при обсуждении про-
цедуры нормирования спектров. Как видно из сравнения графиков,
представленных на рис. 4.1.5, 4.2.5 и 4.2.6, фоновое поглощение и
обусловленное им варьирование спектральных данных, связанное с
различиями в крупности частиц, очень эффективно исключаются в
производных. В первых производных кривые, соединяющие положи-
тельные и отрицательные экстремумы, в большей части случаев не
проходят через нуль, что указывает на остатки фонового поглоще-
ния. Однако во второй производной фоновое поглощение практичес-
ки полностью исключается. Из рассматриваемых данных видно так-
же, что в производных спектров варьирование спектральных дан-
ных, обусловленное различиями в крупности частиц, устраняется
более эффективно, чем при нормировании спектров и устранении
тренда.
Это преимущество производных очень важно в спектроскопии диф-
фузного отражения, так как позволяет в значительной степени умень-
шить влияние крупности частиц на спектральные данные и улуч-
шить их связь с химическим составом анализируемых объектов.
Рассматривая исходные спектры диффузного отражения 95 образ-
цов зерна пшеницы, представленные на рис. 4.1.7, можно было ви-
деть существенные различия значений оптической плотности образ-
цов при одних и тех же длинах волн. Производные спектров этих же
образцов, показанные на рис. 4.2.7, различаются значительно в мень-
шей степени вследствие достаточно полного исключения варьирова-
ния фонового поглощения в исходных спектрах, связанного с разли-
чиями в крупности частиц. В то же время сохранившиеся в произ-
водных спектров различия более тесно связаны с варьированием
химического состава образцов. Как отмечено выше, максимум зна-
чений коэффициента корреляции оптической плотности с содержа-
нием белка в рассматриваемых образцах зерна пшеницы не превы-
шал 0,25 при 2206 нм (рис. 4.1.7). Связь с первой производной
значительно теснее (рис. 4.2.7). Коэффициент корреляции достига-
ет здесь значения 0,975 при 1750 нм. Наблюдается также несколько
других значений длин волн, при которых абсолютные значения ко-
эффициента корреляции превышают 0,9. Коэффициент корреляции
второй производной достигает максимальных значений — 0,979 (рис.
4.2.8). Дальнейшее повышение порядка производных увеличивает
121
Рис. 4.2.5. Первые производные спектров 6 образцов
почв, исходные спектры которых показаны на рис. 4.1.5.
Рис. 4.2.6. Вторые производные спектров 6 образцов
почв, исходные спектры которых показаны на рис. 4.1.5.
122
Рис. 4.2.7. Кривые первых производных спектров 95
образцов зерна пшеницы (А) и значений коэффициента
корреляции с содержанием белка при различных длинах
волн (В).
123
Рис. 4.2.8. Кривые вторых производных спектров 95
образцов зерна пшеницы (А) и значений коэффициента
корреляции с содержанием белка при различных длинах
волн (В).
124
число экстремумов как на кривых спектральных данных, так и на
кривых значений коэффициентов корреляции. Однако улучшения
связи спектральных данных с содержанием белка не наблюдается
(рис.4.2.9, 4.2.10). В четвертой производной максимальное значе-
Рис. 4.2.9. Кривые третьих производных спектров 95
образцов зерна пшеницы (А) и значений коэффициента
корреляции с содержанием белка при различных длинах
волн (В).
125
ние коэффициента корреляции даже снижается до 0,95. Это связано
с возрастанием шума в производных с ростом их порядка, что сни-
жает точность результатов, как это рассматривается ниже.
Более четкое проявление связи производных спектров с содержа-
нием поглощающего компонента по сравнению с исходными спек-
трами связано с тем, что при переходе к производным резко снижа-
0,045
0,025
а
g 0,005
О
g* -0,015
а
ч?
-0,035
1300 1900 2500
Длина волны, нм
Рис. 4.2.10. Кривые четвертых производных спектров 95
образцов зерна пшеницы (А) и значений коэффициента
корреляции с содержанием белка при различных длинах
волн (В).
126
ется варьирование спектральных данных, вызываемое различиями
анализируемых образцов по крупности частиц, которое маскирует
эту связь. При дифференцировании форма производных спектров,
положение экстремальных точек, соотношение амплитуд экстрему-
мов и т.п. не зависят от интенсивности исходных спектров. В то же
время амплитуда производных спектров во всех точках линейно за-
висит от интенсивности спектра поглощения, то есть от содержания
поглощающего компонента в анализируемом материале. Это можно
показать на примере основного закона поглощения света:
D = £1С.
Если продифференцировать его п раз по X, то получим
dnD _ dnE !r
п ,.п
ал ал
Из полученного уравнения следует, что значение производной
любого порядка линейно связано с концентрацией поглощающего
компонента.
Вместе с тем производная спектрофотометрия имеет и определен-
ные недостатки. Наличие в производных спектрах сателлитов, а также
экстремумов разного знака может давать основу для неправильного
их понимания. Для близко расположенных неравноценных по ин-
тенсивности или полуширине полос в производных спектрах может
наблюдаться исчезновение основного пика более слабой полосы в
результате наложения на него интенсивного^сателлита противопо-
ложного знака от соседней полосы и т.п. Значительное влияние на
производные спектров оказывает метод их получения, а также спо-
собы предварительной обработки исходных спектральных данных.
Получение производных спектра в ближней инфракрасной облас-
ти сводится обычно к измерению очень малых разностей значений
оптической плотности. Ввиду этого случайные флуктуации (шум) в
исходных значениях оптической плотности оказывают существен-
ное влияние на точность получения производных спектра. Если при-
нять, что амплитуда шума постоянна для всего диапазона измере-
ний по длинам волн («белый» шум, не зависящий от длины волны),
его интенсивность можно определить как среднеквадратическое от-
клонение измеряемого сигнала при отсутствии анализируемой про-
бы. Степень влияния шума на измеряемый сигнал можно оценить
отношением амплитуды полезного сигнала к среднеквадратической
амплитуде шума S/N (signal to noise ratio). Чем больше величина
S/N, тем лучше воспроизводимость измерений, выше чувствитель-
ность метода. Если не применяют специальных мер для снижения
шума, то отношение S/N в производных спектра всегда ниже, чем
127
в исходных. Степень, в которой падает отношение S/N при диф-
ференцировании, зависит прежде всего от формы спектральной по-
лосы, порядка и метода дифференцирования^ Это можно видеть из
примера численного дифференцирования спектральной полосы, кон-
тур которой описывает уравнение (4.2.1).
Если в рассматриваемой спектральной полосе через равные ин-
тервалы ДА. выбрать w экспериментальных точек, а отношение S/N
в исходном спектре принять за единицу, то есть (S/N) =1, то в
производных спектра (S/N)’ = 3/w, (S/N)"=3,3/w2, (S/N)’”=
8,1/ж3 и (S/N)’”'=\3/
Приведенные значения S/N получены методом сложения погреш-
ностей и являются лишь оценками. Однако их рассмотрение показы-
вает, что при каждом последующем дифференцировании отношение
S/N уменьшается в среднем в 3 — 5 раз. Уменьшение шага диффе-
ренцирования, равносильное увеличению числа экспериментальных
точек w, резко снижает отношение S/N. Таким образом, стремле-
ние к максимальному разрешению полос, требующее уменьшения,
вступает в противоречие с необходимостью поддержания 3/N на при-
емлемом уровне. Из приведенного расчета следует также, что в одном
и том же спектре отношение S/N будет больше для полос с меньшей
шириной.
Простой расчет показывает, что при йУ=1О (S/N)"” ~0,002(S / N)°,
то есть,^отношение сигнал/шум для четвертой производной примерно
в 500 раз меньше, чем в исходном спектре. Усиление шума в произ-
водных спектра с повышением порядка дифференцирования требует
специальных мер повышения отношения S/N, без которых исполь-
зование производных может вызывать значительные погрешности.
Приемами, которые позволяют увеличить отношение сигнал/шум в
исходных спектрах, а соответственно и в производных, являются
усреднение исходных данных, а также сглаживание спектра.
Многократное сканирование спектра и усреднение получаемых
результатов являются одним из способов сглаживания всех случай-
ных флуктуаций. Процесс дифференцирования сам по себе снижает
низкочастотный шум. Однако это не исключает высокочастотного
шума, преобладающего в спектрах. Высокочастотный шум перехо-
дит в производные спектра, снижая отношение S/N. Поэтому полу-
чение производных, как правило, включает сглаживание.
Широко используется сглаживание спектров методом скользяще-
го (бегущего) среднего (окна). Суть метода иллюстрирует рис. 4.2.11.
Сканирующие инфракрасные анализаторы снимают спектр по точ-
кам обычно через каждые 2, реже через 1 нм. При сглаживании
выбирается размер интервала для усреднения, который часто назы-
вают окном. Процесс сглаживания начинают с начала спектра, со
стороны коротких длин волн. Например, если размер окна задан в 5
128
Рис. 4.2.11. Сглаживание методом скользящего (бегущего)
среднего (окна).
точек спектра, суммируют сначала значения оптической плотности 5
первых точек спектра, то есть с 1-й по 5-ю, вычисляют среднее и при-
писывают полученное значение средней точке окна, то есть третьей
точке спектра. Затем окно в пять точек сдвигают на одну точку, сумми-
руют значения оптической плотности в данном интервале, то есть то-
чек со 2-й по 6-ю, вычисляют среднее арифметическое и приписывают
полученное значение 4-й точке спектра. Таким образом, последова-
тельно сдвигая окно на одну точку, проходят спектр до конца, получая
в результате сглаженную спектральную кривую, которую можно еще
более сгладить, повторяя рассмотренную процедуру.
Производные спектров в современных инфракрасных анализа-
торах получают с помощью численных методов дифференцирова-
ния с использованием ЭВМ, что представляет оператору широ-
кие возможности оптимизации условий математической обработ-
ки спектров.
Основой для численного дифференцирования являются исход-
ные данные, представляющие собой значения оптических плот-
ностей анализируемых материалов в диапазоне длин волн, кото-
рый обеспечивает применяемый прибор, или в интервале, выбран-
ном по тем или иным соображениям оператора. Оптические плот-
ности должны быть сняты через равные промежутки по шкале
129
длин волн. В большинстве сканирующих приборов это обеспечива-
ется снятием спектров по точкам, равноотстоящим друг от друга по
значениям длин волн. Обычно промежуток между точками состав-
ляет 2, реже 1 нм. Оперирование с точками спектра упрощает про-
цесс расчетов и сокращает машинное время, однако это необходимо
иметь в виду при работе с программным обеспечением.
Для повышения точности результатов перед вычислением произ-
водных обязательно проводят сглаживание спектров тем или иным
методом или одновременно несколькими методами. При работе на
приборах, которые достаточно быстро сканируют спектр, исходные
данные предварительно усредняют по нескольким сканированиям.
Например, при использовании спектрометров моделей 4250, 4500,
5000, 6500 и программного обеспечения NIR оператору предлагает-
ся определить число сканирований спектра пробы и встроенного
керамического стандарта в промежутках между снятием спектров
изучаемых материалов, выбрать способ усреднения спектра мето-
дом скользящего среднего или с помощью ряда Фурье по 4 точкам
спектра. Перед получением производных спектры могут дополни-
тельно сглаживаться методом скользящего среднего, причем до двух
раз последовательно.
Методы получения производных спектров можно условно раз-
делить на две группы: метод конечных разностей и методы, вклю-
чающие подбор математической функции, описывающей зависи-
мость оптической плотности от длины волны, выражаемой спект-
ром, с последующим аналитическим дифференцированием полу-
ченной функции. В этом методе подбираемая функция служит
одновременно и сглаживающей. Дополнительно может использо-
ваться и специальная сглаживающая функция.
Наиболее простым способом получения производных является метод
конечных разностей. Он состоит в том, что рассчитывают разности
значений оптической плотности при конкретных длинах волн, разде-
ленных интервалом конечной, измеримой величины. При вычисле-
нии первой производной используют разность значений результатов
последовательных измерений оптической плотности:
D’.= (D.+l — D)/h , (4.2.2)
где i — порядковый номер точки спектра;
h — интервал между точками, выраженный числом точек.
Стремление к увеличению отношения S/N (сигнал/шум) дикту-
ет необходимость увеличения h, что ведет к прогрессирующему ис-
кажению производных спектров. Разумным компромиссом считает-
ся использование разности результатов измерений, разделенных
интервалом 2ah, где а — целое положительное число, с отнесением
полученной разности к середине интервала:
130
D- = Da + l Di-a (4.2.3)
' 2a h
Второе и последующие дифференцирования проводят аналогичным
образом, используя уравнения (4.2.2) или (4.2.3) и исходные дан-
ные. Так, вторая производная при том же интервале h может быть
получена следующим образом:
a Di+i-D; Di+i-2Di+Di-i
i - h - h2
четвертая производная —
= (£).+ 2-4О- +j+6£>.-4£>-_ 1 - £)._ 1)/й
(4.2.4)
(4.2.5)
Шаг каждого последующего дифференцирования не обязательно
должен быть равен шагу предыдущего. Более того, использование
неравных шагов при последовательных дифференцированиях обес-
печивает эффективное увеличение отношения S/N в производных
спектрах благодаря включению в расчеты большего числа данных.
Так, в уравнении (4.2.5) при вычислении четвертой производной
могут использоваться исходные данные для пяти длин волн. Если
шаги четырех последовательных дифференцирований принять рав-
ными соответственно 16/г, 12/г, 10/г и 8/г, то в формулу для вычисле-
ния войдут исходные данные для 16 длин волн:
Л'Г = <Л+и-Л+,5
- Л+7 + Л+5
+ Л-3 + Л-5
- Л—/5 + Л-23
В уравнениях (4.2.5) и (4.2.6)
является алгебраической суммой
ти, но среднее значение шума в
примерно в три раза меньше.
При последовательном дифференцировании через неравные
Л+м
+ Di+3 +Di+I + Л-/ +
- Л-7 - Л-/, - Л-72 -
) / (16х12х10х8х/г). (4.2.6)
значение четвертой производной
16 значений оптической плотнос-
последней формуле должно быть
промежутки максимальное разрешение полос поглощения лими-
тируется максимальным шагом, а величина сигнала — минималь-
ным. Вероятно, оптимальным является набор близких по величи-
не, но неравных шагов, последовательно уменьшающихся с ро-
стом дифференцирования.
В практической спектроскопии ближней инфракрасной области про-
изводные спектров обычно получают несколько проще. Если S — спектр
равномерно распределенных длин волн 1, a i - 0,1,2, N, то первая
производная S' при точке г находится следующим образом:
131
S’ = S — S+ , (4.2.7)
। i—g i+g’ ' '
где g — целочисленная величина, называемая интервалом, или ша-
гом, по которому берется разность;
S; — величина оптической плотности (log 1 /R) в точке /.
Подобным образом рассчитывают вторую производную, а также
производные более высоких порядков:
S.” = S.. — 2—S. + S , (4.2.8)
। i+g 1 1—g
S”’= S.+, — 3—S + 3—S. — S., . (4.2.9)
J »+3g i+g 1—g i-3g x 7
Строго говоря, три приведенных выше уравнения позволяют полу-
чить первый, второй и третий порядки разностей, а не производных,
как это следует из формального численного анализа. Следует отме-
тить, что в литературе часто данные понятия смешивают, что за-
трудняет понимание публикуемых результатов.
Преимуществом метода разностного дифференцирования явля-
ется простота вычислений. Недостатком метода является отсут-
ствие в нем специальных процедур, направленных на подавление
шума и увеличение отношения S/N. Этот недостаток обычно ком-
пенсируют предварительным усреднением и сглаживанием исход-
ных данных^ Более эффективны в данном отношении методы, пре-
дусматривающие предварительное описание исходных данных функ-
циональной зависимостью.
Получаемые методом конечных разностей производные спектров в
значительной степени зависят от способов предварительного усред-
нения и сглаживания исходных спектральных данных и размера ин-
тервала, шага, при расчете приращений. Это иллюстрируют рис.
4.2.12 — 4.2.15. На них показаны узкий участок исходного спектра
зерна пшеницы в диапазоне 1540 — 1610 нм и его производные.
Производные получены методом конечных разностей при различных
условиях сглаживания спектров и размере шага при расчете разнос-
тей. Показаны также и кривые значений коэффициента корреляции
спектральных данных с содержанием клейковины в зерне. Из приве-
денных графиков видно, что исходная кривая оптической плотности
внешне практически не осложнена случайными флуктуациями (шу-
мом). Однако в спектрах производных шум проявляется достаточно
четко, причем он возрастает с ростом порядка производных. Увели-
чение размера шага, по которому рассчитываются конечные разнос-
ти, снижает шум. При получении первой производной шум стано-
вится практически незаметным при размере шага уже в 2 точки
спектра (4 нм) и предварительном сглаживании спектра с помощью
скользящего среднего также по 2 точкам. Для производных более
высоких порядков шаг для расчета конечных разностей и окно
для сглаживания требуют увеличения до 4 — 5 точек спектра.
132
1 производная Log (1/R)
1550 1570 1590 1610
Рис. 4.2.12.
Влияние
размеров шага
при получении
конечных
разностей и
бегущего окна
при сглаживании
спектра на форму
спектральных
кривых:
А — участок исход-
ного спектра зер-
на пшеницы;
Б — первая произ-
водная того же
участка спектра
при шаге диффе-
ренцирования в
одну точку спек-
тра и без сглажи-
вания;
В — первая произ-
водная при шаге
в 2 точки спект-
ра и сглаживании
по 2 точкам;
С — спектральная
кривая;
R — коэффициент
корреляции с со-
держанием бел-
ка.
133
Рис. 4.2.13.
Влияние
размеров шага
при получении
конечных
разностей и
бегущего окна
при сглаживании
спектра на форму
спектральных
кривых:
А — вторая произ-
водная спектра
зерна пшеницы
при шаге диффе-
ренцирования в
одну точку спект-
ра и без сглажи-
вания;
Б — то же при шаге
в 4 точки спект-
ра без сглажива-
ния;
В — то же при шаге
в 4 точки и сгла-
живании по 4
точкам;
С — спектральная
кривая;
/? — коэффициент
корреляции с
белком.
Коэффициент корреляции Коэффициент корреляции Коэффициент корреляции
134
в:
св
S
Ч
О
«
СП
S
О
Л
е
Длина волны, нм
3-я производная 3-я производная
Рис. 4.2.14.
Влияние
размеров шага
при получении
конечных
разностей и
бегущего окна
при сглаживании
спектра на форму
спектральных
кривых:
А — третья произ-
водная спектра
зерна пшеницы
при шаге диффе-
ренцирования в
одну точку спек-
тра и без сглажи-
вания;
Б — то же при шаге
в 5 точек спектра
без сглаживания;
В — то же при шаге
в 5 точек и сгла-
живании по 5 точ-
кам;
С — спектральная
кривая;
R — коэффициент
корреляции с бел-
ком.
135
Рис. 4.2.15.
Влияние
размеров шага
при получении
конечных
разностей и
бегущего окна
при сглаживании
спектра на
форму
спектральных
кривых:
А — четвертая про-
изводная спектра
зерна пшеницы
при шаге диффе-
ренцирования в
одну точку спек-
тра и без сглажи-
вания;
Б — то же при шаге
в 5 точек спект-
ра без сглажива-
ния;
В — то же при шаге
в 5 точек и сгла-
живании по 5
точкам;
С — спектральная
кривая;
R — коэффициент
корреляции с
белком.
1550 1570 1590 1610
Длина волны, нм
1550 1570 1590 1610
Длина волны, нм
136
При больших значениях шага при получении конечных разностей
теряется разрешение спектральных кривых и кривых зависимости
спектральных данных от содержания гумуса. Это показывает рис.
4.2.16, из которого видно, что при шаге дифференцирования в 10
точек спектра (20 нм) исчезают мелкие детали спектра почвы, а
соответственно и кривой коэффициента корреляции спектральных
данных с содержанием органического вещества, проявляющиеся при
шаге и размере окна, равных 5 точкам спектра (10 нм).
Здесь следует отметить, что речь идет о качестве получаемых кри-
вых в отношении уровня шума и разрешения полос поглощения,
наблюдаемых в спектрах визуально. Что касается вопроса оптими-
зации условий получения градуировочных уравнений, то он более
сложен. В некоторых случаях огрубление спектров производных
увеличением шага при расчете конечных разностей или размеров
скользящего окна при сглаживании может дать более точное граду-
ировочное уравнение. Так как заранее по внешнему виду спектраль-
ной картины трудно предсказать результаты градуировки, единствен-
ным способом здесь остается метод проб и ошибок. Обычно получа-
ют несколько градуировочных уравнений, используя производные
различных порядков при различных условиях сглаживания. Затем
оценивают точность уравнений по результатам анализа образцов,
которые не использовались для градуировки, и выбирают лучшее.
Заранее можно только предсказать, что в большинстве случаев про-
изводные третьего и более высоких порядков дают менее точные
градуировочные уравнения, по сравнению с первой и второй произ-
водными. Однако в данном случае могут быть и исключения.
Более сложной при расчете производных является аппроксимация
спектра подходящей математической функцией с последующим ана-
литическим нахождением ее производной. Как отмечалось выше, кар-
тина спектра отражения или поглощения представляет собой графи-
ческое выражение зависимости оптической плотности изучаемого
объекта от длины волны. Нахождение аналитического выражения
этой зависимости для всего получаемого спектрального диапазона
или его участка с последующим дифференцированием используемой
функции и составляет суть рассматриваемых методов.
Одним из методов данной группы является метод Савицкого—Го-
лая [588]. Он состоит в описании с помощью метода наименьших
квадратов 2/и+1 последовательных точек исходного спектра в ин-
тервале i — т ... i+m с использованием в качестве модели полинома
степени k. Это обеспечивает сглаживание спектра за счет неточнос-
ти приближения, которое ведет к исчезновению мелких деталей,
которые обычно и представляет шум. Кроме того обеспечивается
возможность последующего аналитического дифференцирования по-
лученного полинома до заданного порядка п и вычисления значения
137
2-я производная 2-я производная
-100 h I I I I I I I
1920 2160 2400
Длина волны,нм
Рис. 4.2.16. Влияние размеров шага при получении
конечных разностей и бегущего окна при сглаживании
спектра на форму спектральных кривых:
А — вторая производная спектра почвы при шаге дифференциро-
вания и сглаживании по 5 точкам спектра;
Б — то же при шаге в 20 точек спектра и сглаживании по 5
точкам;
В — кривая коэффициента корреляции содержания органическо-
го вещества и второй производной спектра почвы при шаге
дифференцирования и сглаживании по 5 точкам спектра;
Г — кривая значений коэффициента корреляции содержания ор-
ганического вещества и второй производной спектра почвы при
шаге дифференцирования в 20 точек спектра и сглаживании
по 5 точкам.
138
D" для центральной точки интервала. При этом нет необходимости
в расчете коэффициентов полинома, вычислении по полиномиально-
му уравнению значений оптической плотности и т.п.
Все вычисления сводятся к умножению исходных данных на цело-
численные коэффициенты С.:
j = т
°i = X сЛ+1'".
j=-m
Этот процесс называют сверткой, или инволюцией, исходных дан-
ных с функцией, представленной коэффициентами С.
В следующем цикле вычисляют значения для интервала i-
т+1 ... г + 1 ... г+гп+1 и т.д.
Значения С. и нормирующих факторов N зависят от т, k и п. Они
табулированы, что облегчает вычисления, и их можно найти в соот-
ветствующих источниках [588, 621].
Благодаря простоте вычислений метод Савицкого—Голая получил
широкое распространение. Недостатком метода является произволь-
ность в выборе величин т и k. Неоправданно высокая степень поли-
нома при аппроксимации приводит к увеличению среднеквадрати-
ческого отклонения вычисляемых производных, которое может быть
оценено по уравнению
? = U / N
I /=-«
Увеличение т при постоянных k и п увеличивает отношение сиг-
нал/шум и снижает погрешность вычисляемых производных. В то
же время значение т выбирают таким, чтобы при любых значениях
бегущего индекса i в интервал г—m...i...i+т попадало не более одно-
го перегиба спектра. По сравнению с другими методами получения
производных данный метод дает лучшие результаты при обработ-
ке острых максимумов поглощения при высоком уровне шума, а
также в случаях, когда желательна величина производной при
длине волны между соседними точками и при очень малых смеще-
ниях длины волны.
Более сложной в вычислительном отношении, но более эффектив-
ной является кусочно-полиномиальная аппроксимация исходных дан-
ных с помощью так называемой сплайновой функции [332]. Весь
исследуемый спектральный диапазон разбивают на произвольное
число отрезков. В каждом из этих отрезков данные описывают поли-
номом степени k. В местах соединения отрезков (узлах) значения
функций и их производных до порядка k—1 должны совпадать. Та-
ким образом, вся функция степени k конструируется как линейная
139
комбинация компонентов той же степени k. Коэффициенты этой ком-
бинации определяются расположением узлов и рассчитываются ме-
тодом наименьших квадратов. Сглаженную кривую и ее производ-
ные рассчитывают аналитически по этим коэффициентам. Для ис-
ключения артефактов рекомендуется изучение сплайновой функции
нескольких степеней с различным числом узлов и разными схемами
их размещения.
Отношение S/N уменьшается с ростом числа узлов. Поэтому оп-
тимальные результаты получают при минимальном числе узлов, да-
ющем наиболее гладкую функцию. Метод может быть использован
для сглаживания и дифференцирования любой кривой, заданной в
численной форме.
Для сглаживания и дифференцирования спектров предложено также
использование преобразования Фурье. Оно основано на том, что
широкий класс функций может быть аппроксимирован до любой сте-
пени приближения суммой синусов и косинусов функций возраста-
ющей частоты. Поскольку преобразование Фурье применяется в спек-
троскопии для решения ряда вопросов и не ограничивается сглажи-
ванием спектров и получением производных, оно рассматривается
отдельно в разделе 5. По сравнению с другими методами описания
спектров при получении производных преобразование Фурье имеет
преимущества, когда результирующий спектр используется и для
других целей, например для идентификации материалов, так как
позволяет значительно сократить объем данных без потери инфор-
мативности.
4.3. «МАТЕМАТИКА» РАЗНОСТЕЙ
И ОТНОШЕНИЙ
Для улучшения связи спектральных данных с содержанием опре-
деляемых компонентов в анализируемых объектах, а также для со-
кращения числа независимых переменных в градуировочных уравне-
ниях предлагалось использование разностей оптической плотности
при различных длинах волн, отношений различных величин и т.п.
Улучшение корреляции спектральных данных с содержанием бел-
ка в зерне пшеницы с помощью использования разностей и отноше-
ний значений оптической плотности, отношений разностей значе-
ний оптической плотности иллюстрируют взятые из литературы рис.
4.3.1 [381] и 4.3.2 [678].
Очень детальное сравнительное изучение различных способов об-
работки спектральных данных проведено Норрисом и Уильямсом [527],
Уильямсом и др. [690]. В качестве независимых переменных в градуи-
ровочных уравнениях при анализе зерна пшеницы по диффузному
отражению размолотого материала на содержание белка и влаги
140
Длина волны, нм
1.0
ол
0,0
0,5
-1J0
1000 1800 2600
Длина волны, нм
Рис. 4.3.1. Зависимость коэффициента корреляции
спектральных данных с содержанием белка в 50 образцах
зерна пшеницы от длины волны при различных
преобразованиях спектров [381]:
А — коэффициент корреляции с оптической плотностью {log(l/R)};
В — коэффициент корреляции с разностью А — В,
где A=log( 1 /R) при каждой длине волны, В = log(l//?) при
2166 нм;
С — коэффициент корреляции отношения А/ В,
где A =log(l//?) при каждой длине волны, В = log( 1 /R) при
2138 нм;
D — коэффициент корреляции отношения (А — В)/(С — D),
где С =log(l /R) при каждой длине волны;
А, В и С равны log( 1 /R) при 1982, 1907 и 1838 нм соответственно.
брали оптическую плотность при значениях длин волн, выделяемых
светофильтрами приборов фирмы Dickey-john и Technicon (до 6 не-
зависимых переменных в градуировочном уравнении), три разности
значений оптической плотности при трех парах длин волн, пред-
141
Длина волны, нм
Рис. 4.3.2. Кривая значений коэффициента корреляции
содержания белка
в зерне пшеницы с первой производной спектра (А)
и отношением значений первой производной при данной
длине волны и при 2434 нм (В) [677].
ставляющих первые производные, что используется в анализаторе
зерна GQA-31 фирмы Neotec, отношение разностей оптической плот-
ности при двух различных парах длин волн, то есть первых произ-
водных (анализатор качества зерна GQA-101, Neotec), отношение
первой производной к коэффициенту отражения (анализатор качес-
тва зерна GQA-41, Neotec), отношение первых производных (урав-
нение с одной переменной), отношение вторых производных (урав-
нение с одной переменной), функцию Кубелки—Мунка при 3 и 5
142
длинах волн, отношение значений функции Кубелки—Мунка при
двух длинах волн (уравнение с одной переменной).
Большая часть изученных преобразований дает примерно одина-
ковые по точности результаты. Наибольшие погрешности со значи-
тельной чувствительностью к различиям образцов по размерам час-
тиц наблюдались при использовании функции Кубелки—Мунка. Мак-
симальную точность анализа обеспечивало использование в градуи-
ровочном регрессионном уравнении только одной независимой пе-
ременной, в качестве которой брали отношение вторых производ-
ных. Оптимальными для определения содержания белка в зерне
пшеницы длинами волн для числителя была вторая производная при
2187 нм и для знаменателя — вторая производная при 2328 нм.
Среднеквадратическое отклонение от результатов химического ана-
лиза составляло в этом случае 0,145%, в то время как другие вари-
анты характеризовались погрешностями не лучше 0,24%.
Большой набор различных «математик» запрограммирован в ПЗУ
микропроцессора, встроенного в инфракрасный анализатор Infrapid-
61. Как указано в руководстве для оператора, кроме коэффициента
отражения (математика 0), оптической плотности (математика 1) в
качестве независимых переменных могут быть использованы:
— разность, когда уменьшаемым может быть оптическая плот-
ность или коэффициент отражения при различных длинах волн, а
вычитаемым — значение соответствующей величины при фиксиро-
ванной, то есть при одной и той же, длине волны, заданной операто-
ром (математика 2 и 4);
— разность отношений оптической плотности, в числителях кото-
рых может быть оптическая плотность или коэффициент отражения
при различных длинах волн, а в знаменателях — соответствующая
величина при фиксированной длине волны (математика 3 и 5);
— разность первых производных коэффициента отражения или
оптической плотности, определяемых методом конечных разностей
(математика 6 и 7);
— разность вторых производных оптической плотности;
— разность отношений вторых производных, в числителях кото-
рых могут быть эти величины при различных длинах волн, а в зна-
менателях — фиксированное значение.
Необходимо только отметить, что требуемые для градуировки зна-
чения длин волн в той или другой «математике» вводятся операто-
ром. Микропроцессор не может определить оптимальные значения
длин волн для анализа данного вида продукта. Требуемые значения
длин волн должны быть заранее определены с помощью более мощ-
ных вычислительных устройств и соответствующего программного
обеспечения. Микропроцессор может только рассчитать значения
коэффициентов градуировочного уравнения по заданной оператором
«математике» и введенным значениям длин волн.
143
5. МЕТОДЫ ГРАДУИРОВКИ
ИНФРАКРАСНЫХ АНАЛИЗАТОРОВ
5.1. МНОЖЕСТВЕННАЯ ЛИНЕЙНАЯ
РЕГРЕССИЯ
Градуировка измерительных приборов состоит в нахождении ма-
тематического выражения количественных соотношений между зна-
чением непосредственно измеряемого сигнала или величины, полу-
ченной в результате его математического преобразования, и значе-
нием определяемой физической величины. Обычно в практике ана-
литической химии градуировка сводится к построению градуировоч-
ного графика, то есть к графическому представлению искомой зави-
симости. Использование соответствующих электронно-вычислитель-
ных устройств позволяет быстро рассчитать параметры градуиро-
вочного уравнения и получить аналитическое выражение искомой
зависимости.
В спектроскопии ближней инфракрасной области используемые
количественные связи в большинстве случаев слишком сложны, что
не позволяет найти простого графического их представления, поэто-
му для градуировки используют аналитические выражения искомых
соотношений. Кроме того, это позволяет автоматизировать процесс
математической обработки результатов измерений, а также выдачи
результата анализа в окончательном цифровом виде в заданных еди-
ницах измерения.
Исходя из основного закона поглощения света, при градуировке
инфракрасных анализаторов чаще всего исходят из предположения
линейной зависимости между величиной оптической плотности и
содержанием определяемого компонента. В некоторых случаях, как
было отмечено выше, используют производные, разности или отно-
шения значений оптической плотности при соответствующих дли-
нах волн или производных, коэффициенты ряда Фурье, описываю-
щего спектр, функцию Кубелки—Мунка, главные компоненты и не-
которые другие результаты преобразований спектральных данных.
Линейная зависимость величины Y от X выражается следующим
образом:
Г = Ь0 + Ь,Х, (5.1.1)
где У — содержание определяемого компонента в анализируемом
объекте;
X — оптическая плотность или ее преобразованная величина
(производная, разность, отношение и т.п.).
144
Задача градуировки в данном случае сводится к нахождению дли-
ны волны, при которой наблюдается наиболее тесная связь между
содержанием определяемого компонента и оптической плотностью
или ее преобразованной величиной, а также констант уравнения Ьо
и Ь Геометрический смысл этих констант, или, как говорят, граду-
ировочных характеристик, иллюстрирует рис. 5.1.1. Из приведенно-
го графика видно, что bQ, или нулевой член уравнения, представляет
собой отрезок, который линия регрессии отсекает на оси Y. Его
значение можно найти по (5.1.1), задав X = 0:
у = Ьо + ьх 0 = Ьо.
Приняв Ьо = 0, можно найти Ь}:
Y = Ьх Хи b,= Y/X.
Таким образом, Ьх представляет собой коэффициент пропорцио-
нальности, тангенс угла наклона градуировочного графика, называе-
мый часто крутизной, или наклоном. В аналитической химии крутизна
градуировочного графика служит показателем чувствительности ис-
пользуемого метода. Чем больше значение bv тем круче поднимается
градуировочный график, а соответственно и более чувствителен метод.
Для нахождения констант градуировочного уравнения применяют
модель следующего вида:
Y=p+p,X+£, (5.1.2)
где Y — зависимая переменная, значение искомой величины;
X — независимая переменная, результат измерения или его пре-
образования;
Е — остаток, случайное отклонение.
В уравнении (5.1.2) До, Д, и е неизвестны, причем величину е
вообще трудно определить, так как она для каждого значения Y имеет
Рис. 5.1.1. График
линейной регрессии.
145
свое значение. Однако До и — постоянные, которые можно опреде-
лить с известной степенью приближения в виде их оценок Ьо и Ьг
Это можно записать в таком виде:
У = + ь}х,
где Y — значение зависимой переменной при данном значении неза-
висимой переменной X, когда Ьо и Ь, определены.
Для расчета значений коэффициентов, или констант, уравнения
(5.1.2) обычно используют метод наименьших квадратов отклонений
от линии регрессии. Если имеется п пар наблюдений (X), УД (Х2,
У2), ..., (Yn, Хп), то уравнение (5.1.2) можно написать в виде:
Отсюда сумма квадратов отклонений от линии регрессии есть
S = Z<2 =Ъ(У,-^-Ш. (5.1.3)
<=I 1=1
Задача сводится к нахождению таких оценок р0 и рг при которых
их подстановка в уравнение (5.1.2) давала бы наименьшее значение
S. Это можно сделать дифференцированием уравнения (5.1.3) сна-
чала по До, затем по fi, и приравниванием результатов к нулю:
Ч«0 1=1
-^ = -2ЕВД-^о-А^)- (5.1.4)
Ф1 (=1
Приравнивая уравнения (5.1.4) к нулю, получаем:
£ (^-Л-А^) = о,
(5.1.5)
ЕВД-/?о-ДЛ) = О.
(=1
Подставляя вместо До и Д их оценки Ьо и Ьх в уравнения (5.1.5), имеем
(516)
i X,Y, X, = 0.
1 = 1 1=1
Решая систему уравнений (5.1.6), находим
= , (5.1.7)
1 Е х,2 - ( 2 х; )2 / П
146
или, что то же самое:
Щ,-Щ-У) . (5.1.8)
4 £(%,.-%)Е 2
Теперь можно найти Ьо:
b0 = Y - Ьх~Х . (5.1.9)
Для оценки точности уравнения регрессии можно рассмотреть
тождество л _ л _
(W<) = ty-YHY-Y), (5.1.10)
Если возвести обе части этого выражения в квадрат и провести
суммирование от i =1 до п, можно получить
Z(^-K,)2=Z[(}<-y)-(T-y)]2=
= £[« - У)2+(Т,- У)2-2(^ - У)(Г, - У)]-
= Zt(^ -T)2+Z(^- Y^-KYi -У)(У, -У)].
Последний член полученного уравнения можно переписать так:
-2(Г, - У )/>,(.¥, - X) = -26, (X,- - У)(Х, - X) =
= -262£(Xz-%)2 =-2£(Г;- Y )2 (5.1.11)
Отсюда
X (Y, - Y )2 =Х (Y, - Y )2 - X (У,- - У )2
или
Е ( У,- - Y )2 = J (У, - У )2 + S (Y - У )2 (5.1.12)
Здесь величина У — У в правой части уравнения есть отклонение
г-го наблюдения от общего среднего, а левая часть уравнения есть
SS — сумма квадратов отклонений от среднего, так как Yt- Yt есть
отклонение г-го определения от его предсказанного значения,
a Yt - Yj представляет отклонение предсказанного значения z-ro на-
блюдения от среднего. Таким образом, уравнение (5.1.12) есть
Сумма
квадратов
Сумма квадратов
отклонений от
регрессии
Сумма квадратов,
обусловленная
регрессией
Из этого следует, что чем большая часть суммы отклонений от
среднего приходится на сумму квадратов, обусловленную регрес-
147
сией, тем теснее изучаемая связь. Другими словами, чем ближе к
единице величина отношения
/?2 = (SS, обусловленная регрессией) / (SS относительно среднего),
тем статистически достовернее изучаемая связь, точнее уравнение
регрессии.
Всякая сумма квадратов связана с числом, называемым числом
степеней свободы. Это число показывает, сколько независимых
элементов информации, получающихся из п независимых чисел
Y, Y2, ..., Yn, требуется для образования данной суммы квадратов.
В статистике числом степеней свободы некоторой величины называ-
ют разность между числом различных измерений и числом кон-
стант, найденных по этим измерениям независимо друг от друга.
Для SS относительно среднего требуется п — 1 независимых
элементов, так как из чисел Y, Y,..., Yn- Y независимыми
являются только п — 1. Число степеней свободы для суммы квад-
ратов отклонений^ SS, обусловленной регрессией, можно определить
по Ьг так как Z(V-YI2 = ^E(a:-A)2, то есть по единственной фун-
кции, и поэтому данная сумма квадратов имеет только одну степень
свободы. По разности сумма квадратов относительно регрессии имеет
п — 2 степеней свободы. Следовательно, в соответствии с уравнением
(5.1.11) степени свободы можно разложить таким образом:
(п — 1) = (п — 2) + 1.
Результаты дисперсионного анализа представлены в таблице 5.1.1.
Среднеквадратическое отклонение S от регрессии можно рассчи-
тать по уравнению
S = -П2-г>2Е(х;.-х)2 (5.1.13)
V п - 2
Этот показатель используется для характеристики точности полу-
чаемого градуировочного уравнения.
Для оценки значимости уравнения регрессии могут использовать-
ся различные статистические критерии. В качестве показателя тес-
ноты связи изучаемых величин используют коэффициент корреля-
ции. Его значение обычно находят по уравнению
Е(Х,-Х)(Х-У)
г = -Н-=1 ------------- (5.1.14)
I п - л И _ Л
EOQ-X)2^.-/)2
Vi=l i=I
По значению коэффициента корреляции и числу наблюдений, по
которому он рассчитан, можно оценить значимость статистической
связи между изучаемыми величинами. Для этого можно использо-
148
вать таблицу, приведенную в приложении 13.5. Показателем тесно-
ты связи является и сам коэффициент корреляции, вернее, квадрат
этой величины, называемый коэффициентом детерминации, кото-
рый показывает, какую долю общей дисперсии данных описывает
уравнение регрессии.
Таблица 5.1.1.
Результаты дисперсионного анализа
Источник вариации Сумма квадратов Число степе- ней свободы Средний квадрат
Общее (относительно среднего) ХУ2 —(ХУ.)2 /п = SS, 1 1 ' общ. п — 1
Обусловлено регрессией b[XX.Y — (ХХ)(ХУ)/п] = = ss' рег. 1 MS рег.
Относительно регрессии (остаток) По разности: SS , — SS = SS общ. рег. ост. п — 2 (Z to II у? ьо э
О степени достоверности уравнения регрессии судят также по значе-
нию F-критерия, который определяется как отношение среднего квад-
рата отклонений от среднего, обусловленного регрессией (таблица
5.1.1), к среднему квадрату остатков, то есть к случайной дисперсии:
F _ м^рег (5.1.15)
S2
F-критерий используется для определения вероятности отличия
от нуля значения коэффициента Ьг что определяет значимость урав-
нения регрессии. При выборе критического значения в случае пар-
ной корреляции, когда определяют существенность отличия от нуля
только одного коэффициента регрессии, число степеней свободы
для числителя принимают v = 1, а для знаменателя — v = п — 2,
как это следует из таблицы 5.1.1.'Если полученное значение Рфакгп
превышает соответствующее значение Fma6, при заданном уровне
доверительной вероятности, то уравнение регрессии достоверно. Зна-
чения F 6 приведены в приложении 13.4.
Критические значения F-критерия можно найти в приложениях
многих руководств по статистической обработке результатов на-
блюдений. Очень детально для различных уровней доверительной
вероятности они даны в таблицах математической статистики [116].
149
Могут быть также определены среднеквадратические отклонения
для коэффициентов Ьо и bt:
I EX2
n^(Xi-X)2
(5.1.16)
s .
ECX-X)2
Полученные среднеквадратическне отклонения могут быть исполь-
зованы для проверки достоверности отличия коэффициентов рег-
рессии от заданного значения, например от нуля. Для этого исполь-
зуют /-критерий Стьюдента
А
t = T- (5.1.17)
Если полученное значение t меньше табличного при данной дове-
рительной вероятности Р и числе степеней свободы п — 2, где п —
число пар измерений, то нет оснований считать достоверным отли-
чие значения данного коэффициента регрессии от нуля. Значения
критерия t при доверительной вероятности Р = 0,95 приведены в
таблице приложения 13.4.
Аналогичным образом можно оценить достоверность отличия зна-
чений параметров 6 от любого числа, например от единицы:
(5-1.18)
Простую линейную регрессию часто используют для сравнения
результатов, получаемых различными методами, для оценки значи-
мости их различий. Этот вопрос рассматривается в разделе 6.
С помощью среднеквадратических отклонений параметров урав-
нения регрессии можно оценить достоверность различия коэффици-
ентов двух градуировочных уравнений, полученных, например, на
разных партиях анализируемых образцов или в разное время, на
разных приборах, разными аналитиками и т.п.
Более полно метод множественной линейной регрессии описан в
литературе [2, 58, 459].
Использование уравнения регрессии (5.1.1) с одной независимой
переменной в инфракрасной спектроскопии обычно не дает удовлет-
ворительных результатов, если используются исходные значения
оптической плотности. Причиной является перекрытие различных
полос поглощения, а также влияние на поглощение гранулометри-
ческого состава проб. Это хорошо видно из рассмотренного выше
150
рис. 4.1.7, на котором показано значение коэффициента корреляции
оптической плотности зерна пшеницы с содержанием протеина при
различных длинах волн. Из графика видно, что максимум коэффи-
циента корреляции наблюдается около 2200 нм, но его значение не
превышает 0,245. При такой корреляции хороших результатов от
соответствующего уравнения регрессии с одной независимой пере-
менной, в качестве которой была бы оптическая плотность при
2200 нм, ожидать не приходится. Такое уравнение описывало бы
только около 6% дисперсии химических данных и при использова-
нии для анализа давало бы среднеквадратическое отклонение ре-
зультатов определения содержания белка более 2% (абс.).
Как было отмечено выше, положение можно улучшить, исполь-
зуя, например, нормирование спектров и исключение тренда или
получение производных. Однако разброс данных оставался бы при
этом еще весьма существенным. При использовании нормирования
спектров при определении белка среднеквадратическое отклонение
составило бы в данном случае не менее 1% (абс). Применение
производных в уравнениях регрессии с одной переменной значи-
тельно улучшает результаты по сравнению с тем, что дает исходная
оптическая плотность, но качество получаемых данных остается
неудовлетворительным. Среднеквадратическое отклонение получа-
ется не менее 0,7% (абс.). Это улучшение в сравнении с использо-
ванием исходных значений оптической плотности обусловлено бо-
лее или менее полным исключением влияния гранулометрического
состава проб на спектральные данные, а также улучшением разре-
шения полос поглощения. Однако перекрытие полос поглощения в
той или иной мере сохраняется. Поэтому использование при граду-
ировке в качестве модели уравнения простой линейной регрессии с
одной переменной не позволяет учесть перекрытия полос поглоще-
ния, что не может не ограничить возможности метода.
Исключением является использование в качестве независимой пе-
ременной отношения двух разностей оптической плотности при оп-
ределении содержания (с) белка и влаги:
. log(l / /?,) - log(l / /?2)
с 0 1 log(l//?3)-log(l//?4) '
Подстрочные индексы относятся здесь к длинам волн, a Ьо и —
коэффициенты уравнения регрессии.
Такая «математика» используется в анализаторе качества зерна
GQA-101 фирмы Neotec. Для определения белка используется сле-
дующее отношение:
с = hf}+b ,
г ° 'log(l//?)
2276 l°gU/A)2236
151
где подстрочными индексами показаны длины волн, при которых
проводятся измерения, в нанометрах.
Для определения влажности используется следующее отношение:
q = ь + ь 1°ё( 1^)1968~ 1°ё( 1^)2016 .
w ° 1 log(l/tf)2059-log(l//?)2076
Как показывают результаты исследований [527, 690], применение
отношения разностей позволяет определять содержание белка в зерне
пшеницы с высокой точностью. Среднеквадратическое отклонение
от данных химического метода может составлять 0,241%. Еще более
точные результаты можно получить, применяя отношение вторых про-
изводных при двух длинах волн — 2187 и 2328 нм. В этом случае
среднеквадратическое отклонение достигает 0,145%, что не уступает
методу Кьельдаля, погрешность которого составляет 0,155% [527, 691].
В большей части случаев простые уравнения с одной независимой
переменной в инфракрасной спектроскопии не обеспечивают необ-
ходимой точности результатов. Используют уравнения с нескольки-
ми независимыми переменными, которые представляют множествен-
ную линейную регрессию:
Г=Ьо + Ь,Х1 + Ь2Х2+... + Ь>Хл. (5.1.19)
где Y — содержание определяемого компонента;
X. — оптическая плотность при i-й длине волны;
Ьо и Ь. — коэффициенты уравнения регрессии.
Коэффициенты уравнения (5.1.19) находят методом наименьших квад-
ратов, решая систему п + 1 уравнений, где п — число независимых
переменных (X). Если, например, используют измерения при двух дли-
нах волн, то необходимо решить следующую систему уравнений:
п п п
i=l i=l 1=1
п п п п
i=l i=l 1=1 i=l
n n n n
tb + ti V
i=l (=1 i=l i=l
Значительно удобнее использовать для выражения систем уравне-
ний матричную форму. В этом случае линейная модель может быть
представлена следующим образом:
Y = ХЬ + е ,
где Y — вектор значений У;
X — матрица независимых переменных X;
152
b — вектор параметров, подлежащих оцениванию;
£ — вектор остатков, случайных отклонений.
Оценка b вектора Р может быть найдена по формуле
b = (X X)-' X Y,
где X’ — транспонированная матрица.
Решение систем линейных уравнений с несколькими переменными
представляет очень трудоемкую задачу. Здесь необходимо исполь-
зование электронно-вычислительной техники. Чем больше число
переменных в уравнении регрессии и чем более многочисленна вы-
борка образцов, используемых для градуировки, тем больше опера-
тивной памяти должен иметь компьютер и больше времени требует-
ся для решения задачи.
В инфракрасной спектроскопии множественный регрессионный ана-
лиз используется для нахождения оптимальных длин волн, при ко-
торых наблюдается достаточно тесная связь оптических парамет-
ров с содержанием определяемого компонента, а также значений
коэффициентов соответствующего градуировочного уравнения.
Первоначально, когда использовали фильтровые приборы, обеспе-
чивающие измерения спектральных характеристик при небольшом
числе длин волн, для градуировки использовали все возможные пе-
ременные, рассчитывая коэффициенты градуировочного уравнения
методом наименьших квадратов. При этом уравнение оценивалось в
целом, независимо от того, насколько значимыми были коэффици-
енты при тех или других переменных. С появлением общедоступной
и достаточно мощной вычислительной техники, а также соответ-
ствующих программных средств в основном стал использоваться
метод пошагового регрессионного анализа. Это .позволяет отобрать
для составления множественной регрессий значения длин волн, из-
мерения при которых дают оптимальное решение.
Существует несколько версий пошагового регрессионного анали-
за. Расчеты коэффициентов уравнения множественной регрессии
могут быть первоначально проведены для всех изучаемых перемен-
ных. После этого с помощью статистических критериев проводится
оценка полученных коэффициентов, и те из них, которые при задан-
ной доверительной вероятности не отличаются от нуля, исключают-
ся. Этот метод, известный под названием Bacward (назад), исполь-
зуется редко, обычно в случаях, когда число возможных независи-
мых переменных невелико. Он требует много времени и большой
оперативной памяти компьютера. В инфракрасном анализе, особен-
но при работе со сканирующими спектр приборами, которые дают
слишком много данных, этот метод не применим. Обычно использу-
ют метод, по которому переменные включают в уравнение регрес-
153
сии последовательно по одной. Выбор очередной переменной для
включения в регрессию основывается обычно на значении частного
коэффициента корреляции или его квадрата, а для оценки перемен-
ных, уже введенных в уравнение, — на значении частного F-крите-
рия «для исключения». Могут использоваться также F-критерий
«для введения», /-критерий при оценке значимости коэффициентов
регрессии и некоторые другие.
На первом шаге регрессионного анализа обычно в уравнение вклю-
чают переменную, которая наиболее коррелирует с содержанием
определяемого компонента, или ту переменную, которую оператор
считает необходимым использовать, руководствуясь теми или ины-
ми соображениями. В некоторых программах, например в програм-
мном комплексе NSAS фирмы NIRSystems,. на график коэффициен-
тов корреляции по всему рабочему диапазону спектра может быть
наложен график значений коэффициентов при переменных, которые
они будут иметь при введении в уравнение. Это полезная информа-
ция, так как обычно чем больше значение коэффициента при данной
переменной, тем в большей степени ее вклад в результат анализа
подвержен случайным флуктуациям спектральных данных. Могут
быть и другие вспомогательные показатели. Например, при работе
с тем же комплексом NSAS на кривую коэффициентов корреляции
может быть наложен спектр компонента или свойства материала,
для определения которого проводится градуировка. Такой спектр
получают из спектров образцов, взятых для градуировки. Способы
извлечения спектра компонента или свойства из спектров сложного
по составу объекта рассматриваются в разделе 5.3.
В программерNIR фирмы Infrasoft International'компьютер пред-
ставляет пользователю график квадратов частных коэффициентов
корреляции по точкам спектра. Использование квадрата коэффици-
ента корреляции удобно тем, что в отличие от коэффициента корре-
ляции он имеет только положительные значения. Это облегчает
сравнение тесноты связи спектральных и химических данных при
различных длинах волн. В то же время нельзя определить, является
ли эта связь прямой или обратной, что может представлять опреде-
ленный интерес при выборе длины волны. Включив в уравнение ту
или иную переменную, оператор может оценить статистическую
значимость полученного коэффициента. Для этого обычно исполь-
зуют значения/рассмотренных выше 4-критерия Стьюдента или F-
критерия Фишера, а также коэффициент частной корреляции или
его квадрат. На первом этапе, когда в уравнении только одна пере-
менная, речь идет о простой парной корреляции.
На втором и последующих шагах при решении вопроса о включе-
нии второй и последующих независимых переменных квадрат коэф-
фициента парной корреляции превращается в квадрат коэффициента
154
частной корреляции, а ^-критерий — в частный ^-критерий оценки
второй или последующей переменной, вводимой в регрессию.
Частный коэффициент корреляции определяет тесноту связи дан-
ной независимой переменной с зависимой при фиксированном зна-
чении других переменных, то есть при исключении влияния других
переменных.
Если, например, общая дисперсия зависимой переменной Y равна
S2 при введении в регрессию первой независимой переменной Хг она
опишет часть общей дисперсии зависимой переменной S,2 и остаточ-
ная дисперсия будет равна S2 — S2 При введении второй перемен-
ной Х2 дисперсия, описываемая илр и Х„ будет равна S2, а остаточ-
ная дисперсия уменьшится и составит S2~ S22. Разность остаточных
дисперсий после введения первой и второй переменных в уравнение
регрессии, равная (S2— S2) — (S2 — S2), отнесенная к остаточной
дисперсии после введения первой переменной ЗД является относи-
тельной характеристикой тесноты связи зависимой переменной У и
Х2, свободной от влияния Хг Это отношение представляет квадрат
коэффициента частной корреляции У и Х2. Частный коэффициент
корреляции У и Х2 при исключении влияния Х2 будет равен:
_ - ^2
ГрГ1'Х2 у 52
Частные коэффициенты корреляции могут быть выражены также
и через обычные парные. Например, частный коэффициент корреля-
ции Xt и У при учете влияния Х2 будет равен:
г
ух{ х2
где г = yxt х2— частный коэффициент корреляции У и X, при ис-
ключении влияния Х2;
г. — парные коэффициенты корреляции соответствующих пере-
менных.
Коэффициент частной корреляции У и Х2 при исключении влияния
X' будет равен соответственно
Г — г г
г - >х\ х\х:
- r^)(l - r2J
При учете влияния только одной переменной на связь двух других
рассчитываются частные коэффициенты корреляции первого поряд-
ка. Для учета влияния двух переменных на связь двух других рас-
155
считывают частные коэффициенты второго порядка, используя час-
тные коэффициенты первого порядка и т.д.
В общем случае частные коэффициенты корреляции порядка k,
например Y и X,, при исключении влияния k мешающих переменных
рассчитывают по частным коэффициентам корреляции порядка k—
1 следующим образом:
_ ГуХ'(х2,х3 xktl) - ГуХк.Лхг.Хз хк ) Гх1хк (х2<хз *к)
Гух1(х2.х3..*кЛ ~ /Г1_ 2 и , 2 1
-\/11 ГУхкМХ2-хз.... *к^1)И 1+ ГУ^к*1(-<2-хз. -«к)1
Для оценки достоверности отличия от нуля значения коэффици-
ента b при переменной X , введенной в уравнение регрессии, ис-
пользуется частный F-критерий. Его значение рассчитывают по сле-
дующему уравнению:
с2 _ с2
F= 2 2 ’ (5.1.20)
где 5,2 — средний квадрат отклонений, обусловленный регрессией
до включения в нее данной переменной;
S2 — средний квадрат отклонений, обусловленный регрессией
после введения в уравнение данной переменной;
S2 — остаточный средний квадрат после введения в уравнение
данной переменной.
При этом каждая переменная рассматривается так, как если бы
она была введена в уравнение последней. То есть частный F-крите-
рий является мерой значимости коэффициента 6 при z-й переменной
в уравнении регрессии, которое первоначально ее не содержало, но
содержало все остальные переменные.
При оценке значимости переменной, уже введенной в уравнение, по
частному /•'-критерию число степеней свободы для числителя равно
единице, а для знаменателя оно рассчитывается как п — р — 1.
После введения в уравнение очередной переменной значения час-
тных /•'-критериев переменных, введенных в уравнение ранее, изме-
няются, так как с появлением новой переменной остаточная диспер-
сия изменяется. При этом введение новой переменной может как
увеличить, так и уменьшить значение частного F-критерия перемен-
ной, введенной ранее. Если оно окажется ниже заданного критичес-
кого значения, определяемого уровнем принятой доверительной ве-
роятности, переменная требует исключения.
Для оценки уравнения регрессии в целом может использоваться
общий /•'-критерий, определяемый как отношение дисперсии, описы-
ваемой регрессией к остаточной. Число степеней свободы для зна-
менателя р берется равным числу независимых переменных в урав-
нении регрессии, а для знаменателя оно равно п — р — 1, где п —
число образцов в градуировочной серии, по которым рассчитывает-
ся регрессия:
156
s2
F = рег-
S2
^ocm.
(5.1.21)
c2 c2
где лрег. и ^ост. — дисперсия, описываемая регрессией, и оста-
точная дисперсия.
Точность уравнения характеризуют среднеквадратическим откло-
нением от регрессии, который рассчитывают следующим образом;-
Г7,------------------ (
S= (5.1.22)
V <=!
где Y. — фактическое значение определяемой величины, найденное
химическим методом;
— значение, рассчитанное по уравнению регрессии;
п — число измерений (образцов);
р — число независимых переменных в уравнении регрессии.
При работе с персональной ЭВм)под управлением программного
комплекса NIR фирмы Infrasoft International (после запуска соответ-
ствующей программы градуировки на дисплее появляется график, по-
казывающий по точкам спектра значения квадратов коэффициентов
корреляции спектральных данных с содержанием определяемого ком-
понента в анализируемом объекте. При этом курсор в виде вертикаль-
ной линии автоматически устанавливается на точку спектра, при кото-
рой наблюдается максимальное значение квадрата коэффициента кор-
реляции. Оператор может ввести в уравнение переменную, предложен-
ную компьютером, или, руководствуясь какими-либо соображениями,
выбрать другую точку спектра, переведя на нее курсор. Получив соот-
ветствующее указание, компьютер рассчитывает параметры Ьо и bt
уравнения простой линейной регрессии, получаемого на первом шаге
регрессионного анализа. Для оценки коэффициентов уравнения выда-
ются значения Д-критерия, а для оценки уравнения в целом — квадрат
коэффициента корреляции. Затем пользователь может добавить в урав-
нение новую переменную, исключить или заменить ранее введенную,
записать полученное уравнение в соответствующий файл. На этапах
регрессионного анализа, когда в уравнении две или более переменных,
в качестве критериев значимости в программе используются соответ-
ственно значения коэффициентов частной корреляции для выбора но-
вой переменной и включения ее в уравнение, а также частных /•'-кри-
териев для исключения ранее введенных. Для оценки значимости урав-
нения в целом используется квадрат коэффициента множественной
корреляции, а для оценки точности градуировки — среднеквадрати-
ческое отклонение от регрессии.
157
При выборе длин волн обычно рекомендуется предпочесть их зна-
чения, при которых наблюдаются максимумы полос поглощения
определяемого компонента, и избегать точек, где находятся макси-
мумы других. Рекомендуется предпочесть длины волн, соответству-
ющие более широкому, а не узкому и острому максимуму кривой
значений коэффициента корреляции или его квадрата. Следует стре-
миться к тому, чтобы выбираемые длины волн отстояли друг от
друга не менее чем на 40 нм.
Эти рекомендации весьма относительны и на практике не всегда
оправдываются. Наиболее существенным является недопущение ис-
пользования длин волн, где максимум корреляции представляет ос-
трый пик и при отступлении от него на 2 — 4 нм значение коэффи-
циента корреляции по абсолютной величине резко падает, теряя
значимость. Выбор длин волн для уравнения множественной линей-
ной регрессии может основываться на положении полос поглоще-
ния оптически активных компонентов и общем характере спектров^
Очень детально этот вопрос рассмотрен при анализе жидкого [350]
и сухого порошкового молока [327] в разделе 7.5. Однако lb боль-
шинстве случаев выбор длин волн проводят эмпирически, подбирая
уравнение, наиболее точно описывающее связь содержания опреде-
ляемого компонента со спектральными данными.
Процесс пошагового регрессионного анализа заканчивают, когда
становится невозможным найти новую переменную для включения
в уравнение, коэффициент при которой был бы отличен от нуля или
руководствуясь какими-либо другими соображениями. Общей реко-
мендацией является совет — иметь уравнения с минимальным чис-
лом переменных, последующее увеличение которого существенно
не повышает точности градуировочного уравнения, о чем можно
судить по значению среднеквадратического отклонения от регрес-
сии, рассчитываемому по уравнению (5.1.22), или в соответствии с
другими критериями [58, 2]. В любом случае в уравнении не должно
быть переменных, коэффициенты при которых значимо не отлича-
ются от нуля, а число переменных должно быть не более N /10+1,
где N — число образцов, используемых для градуировки. При боль-
шем числе переменных возможна переподгонка уравнения, которое
может быть очень точным применительно к образцам, участвую-
щим в градуировке, но может давать значительные погрешности при
анализе новых образцов'.' ’
Существует несколько версий пошагового метода. Например, в
программном комплексе NIR фирмы Infrasoft International имеются
два варианта обработки данных.
Setup — пошаговый регрессионный анализ, в ходе которого опе-
ратор сам выбирает для включения в уравнение или исключения из
него переменные при тех или других длинах волн, руководствуясь
158
значениями статистических критериев. Для прогнозирования значи-
мости вводимой в уравнение новой переменной используется значе-
ние квадрата частной корреляции, которое имела бы переменная
при введении ее в уравнение. Для оценки введенных в уравнение
переменных и решения вопроса об их исключении или замене в
программе используется частный /•'-критерий. Получаемое на каж-
дом этапе уравнение оценивается по квадрату коэффициента мно-
жественной корреляции и среднеквадратическому отклонению от
регрессии.
Stepwise — регрессионный анализ, выполняемый автоматически с
использованием предварительно заданных оператором значений ста-
тистических критериев. Программа последовательно вводит в урав-
нение независимые переменные, руководствуясь значениями квад-
рата коэффициента частной корреляции, или исключает ранее вве-
денные, руководствуясь значением частного F-критерия, заданного
оператором. Программа останавливается, подобрав уравнение, удов-
летворяющее заданным условиям. Во многих программах подбор
переменных в уравнении производится последовательно так, что на
каждом этапе в уравнение включается только та переменная, кото-
рая удовлетворяет заданному значению критерия для включения, а
если после этого в уравнении оказывается переменная с меньшим,
чем заданное значение критерия для исключения, то она удаляется.
Так происходит до тех пор, пока для включения в уравнение не
будет находиться новых переменных или число переменных не до-
стигнет предварительно заданного, а в уравнении не будет ни одной
незначимой переменной при заданном уровне доверительной веро-
ятности. В отличие от подобных программ в программе Stepwise
учитывается, что введение очередной переменной изменяет част-
ную корреляцию ранее введенных переменных с зависимой перемен-
ной, то есть со значениями показателя, для определения которого
проводится данная градуировка. Ранее введенные переменные могут
удовлетворять заданным значениям критериев и сохраняться в урав-
нении, но они могут быть не самыми лучшими и среди переменных,
не введенных в уравнение, могут оказаться более значимые. Поэто-
му после введения очередной переменной, например третьей, из
уравнения исключается переменная, введенная первой и она оказы-
вается в числе переменных, не включенных в уравнение. После
этого для всех переменных, которые не включены в уравнение, рас-
считываются частные коэффициенты корреляции и переменная,
которая имеет максимальное значение этого критерия, включается
в уравнение. Это может быть и та же переменная, которую исклю-
чили, пробуя заменить, но во многих случаях оказывается и другая.
Введенная при этом в уравнение переменная становится в списке
переменных последней, а бывшая до этого второй становится пер-
159
вой. Процесс исключения и замены продолжается до тех пор, пока все
переменные списка не пройдут процедуру замены, и на первое место не
выйдет переменная, введенная в уравнение при замене последней. Если
при этом значение частного /•'-критерия окажется меньше заданного,
эта первая в списке переменная будет исключена из уравнения, и так
будет продолжаться до тех пор, пока не будет найден лучший набор
переменных. Процесс будет также остановлен, когда число перемен-
ных в уравнении достигнет заданного значения. При этом набор пере-
менных также будет лучшим при данных условиях.
Если переменная, введенная в уравнение последней, имеет значе-
ние частного F-критерия меньше заданного, она сохраняется и вклю-
чается в процедуру замены переменных, начиная с введенной пер-
вой. Исключение переменной происходит только тогда, когда она
оказывается в списке первой, при этом незначимой и ей не находит-
ся в качестве замены более значимой переменной.
Таким образом, рассматриваемая программа выберет для уравне-
ния регрессии из возможного числа независимых переменных только
те, которые значимы в соответствии с заданным значением частного
F-критерия и наиболее коррелируют с независимой переменной при
данном числе переменных в уравнении. При этом само число пере-
менных в уравнении должно отвечать двум требованиям: все пере-
менные в уравнении должны быть значимы при заданном уровне до-
верительной вероятности и не превышать предела, определяемого
количеством образцов, взятых для градуировки. Значение частного
F-критерия для исключения рекомендуется задавать не менее 8, что
при обычном количестве образцов при градуировке порядка 40 и
более соответствует доверительной вероятности не менее 0,99j
Суть пошагового регрессионного анализа можно рассмотреть на
примере работы программы NIR в режиме Setup при получении гра-
дуировочного уравнения для определения белка в зерне пшеницы.
Для проведения работы использовали коллекцию из 95 образцов зер-
на пшеницы, которая включала 16 различных сортов, выращенных в
различных регионах СССР, охватывая территорию от Белоруссии и
Прибалтики до Алтая и от Северного Кавказа до Архангельска. Исход-
ные спектры исследуемых образцов показаны на рис. 4.1.7А. Методом
рандомизации для градуировки из этой серии было выбрано 75 образ-
цов, а 20 оставшихся образцов были использованы для проверки полу-
чаемых градуировочных уравнений. Образцы были размолоты на мель-
нице типа «Циклон» с ситом с круглыми отверстиями диаметром 1 мм.
Спектры сняты на спектрофотометре модели 4500 фирмы NIRSystems.
Среднее содержание белка в образцах было равно 15,56%, среднеквад-
ратическое отклонение от среднего составляло 2,42%.
В начале регрессионного анализа компьютер рассчитывает ста-
тистические характеристики градуировочной серии образцов и
160
предлагает использовать градуировочное уравнение с одним нуле-
вым членом, значение которого равно среднему арифметическому
содержанию белка в выборке. Одновременно выдается меню с опци-
ями, позволяющими добавить в уравнение новую переменную, заме-
нить или исключить из него ранее введенную, проверить получае-
мые результаты, записать полученное уравнение в файл или перейти
к градуировке для определения другого компонента. Получив ука-
зание на введение в уравнение переменной, компьютер делает пер-
вый шаг и определяет корреляцию оптической плотности в каждой
точке спектра с содержанием белка и показывает на дисплее кри-
вую значений квадрата коэффициентов корреляции. Точка спектра,
где наблюдается максимальное значение этого критерия, отмечает-
ся курсором (рис. 5.1.2). Здесь оператор может ввести указанную
переменную в уравнение или, исходя из каких-либо предпосылок,
изменить положение курсора, указав требуемое значение длины
волны. В рассматриваемом примере максимум корреляции наблю-
дается при 2206 нм. Квадрат коэффициента корреляции, в данном
случае это простая парная корреляции, так как других переменных в
уравнении регрессии еще нет, составляет всего 0,068 (значения дли-
ны волны и квадрата коэффициента корреляции оптической плотнос-
ти с содержанием белка показываются на дисплее в левом нижнем
углу, как это видно на рис. 5.1.2). Получив подтверждение на вклю-
чение в уравнение указанной переменной, компьютер выдает следую-
щие значения коэффициентов уравнений регрессии и ^-критерия:
Коэффициент Точка спектра Длина волны, нм Д-критерий
В(0) = 3,741
В(1) = 30,799 454 2206 5,35
Рис. 5.1.2.
Кривая значений
квадрата
коэффициента
корреляции
оптической
плотности с
содержанием
белка на первом
шаге процедуры
градуировки
методом
множественной
линейной
регрессии.
161
Среднеквадратическое отклонение от регрессии составляет здесь
2,35%, то есть практически равно среднеквадратическому отклоне-
нию от среднего в градуировочной серии, равному 2,42%. При про-
верке полученного уравнения на независимой серии из 20 образцов
получены результаты, показанные графически на рис. 5.1.3. Можно
видеть, что по данному уравнению получаются практически одни и
те же результаты, которые группируются вблизи среднего значения
содержания белка для градуировочной серии образцов по данным
химического анализа.
20,0-,
11,0 И I 1'1 И П | П I Г I I 11 I | II I I Ч*Т I I | I I I ГТ I I 11 | I ГТТ'ГПТТ'|
U.0 12,8 14,8 16,4 18,2 20,0
Содержание белка, % (инфракрасный метод)
Рис. 5.1.3. Сравнение результатов определения
содержания белка в 20 контрольных образцах зерна
пшеницы химическим методом и по градуировочному
уравнению с одной переменной (оптическая плотность при
2206 нм), полученному на первом шаге процедуры
градуировки методом множественной линейной регрессии.
162
[Для выбора второй переменной на дисплей выводится следую-
щая картина] показанная на рис. 5.1.4. Видно, что введение пер-
вой переменной в уравнение регрессии значительно улучшает
картину. Стал возможным выбор целого ряда переменных, тесно
коррелирующих с содержанием белка. В максимуме корреляции,
отмеченном курсором, квадрат частного коэффициента корреля-
ции составляет 0,94. Включение в уравнение новой переменной
при длине волны, отмеченной курсором, дает следующие значе-
ния коэффициентов регрессии:
Коэффициент Точка спектра Длина волны, нм F-критерий
В(0) = 20,785
В(1) = 522,018 453 2206 1320,48
В(2) = — 474,166 389 2076 1228,60
Среднеквадратическое отклонение снижается до 0,567%. Значи-
тельно повысилось значение квадрата коэффициента множествен-
ной корреляции, который теперь равен 0,945, а значение F-крите-
рия для первой переменной повышается с 5,35 до 1320. Если исклю-
чить первую переменную, оказывается, что после введения в урав-
Точки спектра
Длина волны, нм 2078
г2 0,9427
Рис. 5.1.4. Кривая значений квадрата частного
коэффициента корреляции оптической плотности с
содержанием белка на втором шаге процедуры градуировки
методом множественной линейной регрессии.
163
нение регрессии второй переменной первая оказывается не самой
лучшей. Максимум корреляции наблюдается теперь при 2176 нм
(рис. 5.1.5). При замене первой переменной на новую, более статис-
тически значимую, изменяется и значимость второй переменной.
При ее исключении максимум корреляции сдвигается к 2080 нм.
Если снова провести замену, точность градуировки повышается.
Среднеквадратическое отклонение от регрессии снижается до
0,487%, а квадрат коэффициента корреляции повышается до 0,959.
При этом получается следующее уравнение регрессии:
Коэффициент Точка спектра Длина волны, нм Д-критерий
В(0) = 20,117
В(1) = 580,897 439 2176 1750,26
В(2) = — 552,781 391 2080 1663,53
Это уравнение лучшее, что можно получить, используя только две
длины волны. Последующие попытки замены не дают новых перемен-
ных, которые улучшают точность регрессии. Результаты сравнения
данных при анализе контрольной серии образцов с использованием
1.00
0,75
0,50
Ct
0,25
0,00
О 140 280 420 560
Точки спектра
Длина волны, нм 2176
г2 0,9604
Рис. 5.1.5. Кривая значений квадрата коэффициента
корреляции оптической плотности с содержанием белка на
третьем шаге градуировки методом множественной
линейной регрессии после исключения переменной,
введенной первой.
164
последнего уравнения с двумя переменными показан на рис. 5.1.6.
Среднеквадратическое отклонение от регрессии равно 0,49%, от дан-
ных химического анализа контрольной серии оно составило 0,45%,
средняя разность равна 0,13%, как это видно из таблицы 5.1.2.
о Рис. 5.1.6. Сравнение результатов определения
содержания белка в 20 контрольных образцах зерна
пшеницы химическим методом и по лучшему
градуировочному уравнению с двумя переменными.
После получения возможного максимума /•'-критерия для коэффи-
циентов при двух переменных, введена третья переменная и процесс
замены на более статистически значимые всех ранее введенных пе-
ременных проведен снова. Процесс продолжали до тех пор, пока
исключение очередной переменной не позволяло заменить ее дру-
гой, более значимой.
Лучшим уравнением с тремя переменными было следующее:
165
Коэффициент Точка спектра Длина волны, нм F-критерий
В(0) = 17,82
В(1) = — 268,19 398 2094 404,52
В(2) = 422,78 445 2188 3843,94
В(3) = — 210,93 241 1780 148,60
Среднеквадратическое отклонение от регрессии в данном случае рав-
но 0,28%, квадрат коэффициента множественной корреляции состав-
ляет 0,98. При проверке этого уравнения на контрольной серии из 20
образцов среднеквадратическое отклонение от данных химического
анализа составило 0,29%, средняя разность равна 0,03%. Сравнение с
результатами химического анализа показано на рис. 5.1.7.
Рис. 5.1.7. Сравнение результатов определения
содержания белка в 20 контрольных образцах зерна
пшеницы химическим методом и по лучшему
градуировочному уравнению с тремя переменными.
166
Точно такое же уравнение получено при использовании програм-
мы Stepwise. При этом программа ограничилась введением в урав-
нение регрессии только трех переменных, руководствуясь тем, что
критическое значение F-критерия было задано равным 8. Введение
четвертой переменной в уравнение регрессии и замена ранее введен-
ных переменных на новые не позволили получить значения частного
/•-критерия больше заданного.
При работе в режиме Setup подобное затруднение можно было
преодолеть, введя 6 переменных, предлагаемых компьютером, не
обращая внимание на получаемые значения F-критерия, а затем
улучшить значимость коэффициентов, заменяя переменные на но-
вые. Сокращая число переменных до 4 и проведя одновременно
возможную замену остающихся переменных на более значимые при
каждом шаге назад, можно было получить следующее уравнение:
Коэффициент Точка спектра Длина волны, нм /•-критерий
В(0) = 19,89
В(1) = — 145,89 398 2094 65,2
В(2) = — 238,64 151 1600 236,71
В(3) = — 233,15 479 2256 22,29
В(4) = 563,21 455 2208 181,72
Среднеквадратическое отклонение от регрессии в данном случае
равно 0,23%, квадрат коэффициента множественной корреляции
составляет 0,98. При проверке на контрольной серии образцов это
уравнение дало среднеквадратическое отклонение от данных хими-
ческого анализа контрольной серии, равное 0,29%, квадрат коэф-
фициента корреляции сравниваемых данных был равен 0,98.
При критическом значении частного F-критерия, равном 10, что для
75 образцов соответствует доверительной вероятности примерно 0,9975,
можно было получить градуировочное уравнение с 6 переменными.
Уменьшив критическое значение частного F-критерия до 8, что соот-
ветствует доверительной вероятности не менее 0,99, можно было по-
лучить уравнение с 8 и даже 10 переменными. Как показывают данные,
приведенные в таблице 5.1.2, увеличение числа переменных в уравне-
нии множественной линейной регрессии повышает точность описыва-
емой ими связи спектральных данных с результатами химических ана-
лизов. Наиболее резко точность регрессии повышается при увеличе-
нии числа переменных в уравнении до четырех. Затем уменьшение
среднеквадратического отклонения от регрессии при увеличении чис-
ла переменных становится все менее существенным.
Лучшим для данной градуировочной серии образцов можно при-
знать уравнение с 7 переменными:
167
Коэффициент Точка спектра Длина волны, нм /•'-Крите]
В(0) = 21,33
В(1) = 2717,01 60 1418 59,34
В(2) = —2931,76 62 1422 82,02
В(3) = —127,50 292 1882 10,94
В(4) = 4299,62 391 2080 316,78
В(5) = —3926,43 394 2086 317,56
В(6) = 307,58 465 2228 8,83
В(7) = —360,68 482 2262 10,79
Среднеквадратическое отклонение от регрессии в данном случае
равно 0,20%, квадрат коэффициента множественной корреляции
составляет 0,99. Еще более точным является уравнение с 10 пере-
менными, которое характеризуется еще меньшим значением сред-
неквадратического отклонения от регрессии. Однако при проверке
Таблица 5.1.2.
Характеристика градуировочных уравнений, полученных
методом множественной линейной регрессии
Число Среднеквадратические отклонения Характеристики
незави- уравнений
симых регрессии по
перемен- До корректировки После коррек- контр, серии до
ных тировки корректировки
От per- От хим. От хим. Средняя Углов.
рессии данных данных разность коэфф.
регре<>
сии
Гра- Конт- Гра- Конт-
дуй- рольн. дуй- рольн.
ров. серии ров. серии
серии серии
1 2,35 — 2,40 — — —0,81 0,10
2 0,49 0,48 0,45 0,51 0,43 0,13 1,03
3 0,28 0,26 0,29 0,28 0,27 0,03 0,98
4 0,23 0,22 0,29 0,25 0,28 0,10 0,96
5 0,22 0,21 0,30 0,25 0,28 0,07 0,96
6 0,21 0,20 0,27 0,23 0,25 0,07 0,95
7 0,20 0,19 0,24 0,22 0,23 0,06 0,97
8 0,20 0,18 0,29 0,21 0,27 0,06 0,95
10 0,19 0,17 0,28 0,19 0,27 0,05 0,97
168
на контрольной серии образцов оно оказывается менее точным, чем
уравнение с 7 переменными. При большем числе переменных точ-
ность результатов анализа контрольной серии образцов заметно ухуд-
шается. Здесь можно говорить о заметной переподгонке градуиро-
вочных уравнений при использовании более 7 переменных. Это сле-
дует из того, что значение среднеквадратического отклонения от
данных химического анализа с увеличением числа переменных в
уравнениях систематически снижается в градуировочной серии, тогда
как при анализе контрольной серии образцов оно заметно повыша-
ется, начиная с введения восьмой переменной.
Более наглядно переподгонку можно показать на примере граду-
ировки, проведенной на 12 образцах, отобранных случайным обра-
зом из 75 образцов рассматриваемой здесь градуировочной серии.
Полученные градуировочные уравнения проверяли затем на той же
контрольной серии из 20 образцов. Как и в рассмотренном выше
примере, предварительных преобразований спектров не проводили,
так что в качестве независимых переменных использовали исходные
значения оптической плотности.
Результаты, приведенные в таблице 5.1.3, показывают, что по мере
увеличения числа переменных в градуировочных уравнениях сред-
неквадратические отклонения от регрессии снижаются практически
до нуля, а коэффициент множественной корреляции достигает зна-
чения, практически равного единице. Это наблюдается уже при 9
переменных в уравнении множественной линейной регрессии. При
Таблица 5.1.3.
Результаты градуировки и проверки уравнений,
получаемых методом множественной линейной регрессии
на 12 образцах зерна пшеницы
Число переменных Градуировочная серия Контрольная серия
СКО от регрессии Коэффициент детермина- ции R2 СКО от хим. анализа Коэффициент детермина- ции г2
1 2,25 0,24 2,58 0,04
2 1,57 0,63 1,69 0,55
3 0,25 0,99 0,40 0,97
4 0,19 0,99 0,56 0,94
5 0,13 1,00 0,59 0,94
6 0,11 1,00 0,71 0,91
7 0,07 1,00 0,71 0,92
8 0,02 1,00 0,72 0,92
9 0,00 1,00 0,75 0,91
10 0,00 1,00 0,75 0,91
169
этом ни для одной переменной этого уравнения значение частного
/•-критерия не получено меньше 61,5, что соответствует довери-
тельной вероятности более чем 0,9995. В то же время при исполь-
зовании полученных уравнений для анализа контрольной серии об-
разцов точность результатов повышалась только до введения третьей
переменной. Введение четвертой переменной и последующих не улуч-
шает точности анализа контрольной серии образцов, а только снижает
ее в тем большей степени, чем большее число переменных введено в
уравнение регрессии. Это хорошо видно по росту значений среднеквад-
ратических отклонений от результатов химического анализа по мере
увеличения числа переменных, начиная с четырех и более.
Совершенно ясно, что в данной ситуации вводить более 3 незави-
симых переменных в уравнение регрессии нельзя, так как это ведет
к его явной переподгонке.
Рассматривая обсуждаемое выше градуировочное уравнение с 7 пе-
ременными, полученное на 75 образцах чисто механическим перебо-
ром переменных и выбором наиболее коррелирующих с содержанием
белка, следует отметить, что в нем наблюдаются три пары перемен-
ных, измеряемых при очень близких длинах волн. Это первая и вторая,
четвертая и пятая, шестая и седьмая переменные. Члены этого уравне-
ния могут быть сгруппированы следующим образом:
у = 21,3 + (2717ZL. — 29327) ) + (4300 0,., — 3926 0, J +
им 02 иУ1 мУч
+ (308О465 - 360О482) - 128О292 ,
где О — оптическая плотность, а подстрочными индексами показаны
порядковые номера точек спектра, в которых она измеряется.
Коэффициенты при переменных в скобках довольно близки по
абсолютной величине, и если взять средние из их абсолютных зна-
чений, можно получить
у = 21,3 + 2825 + 4113 (£>391 - Г>394) +
+ 334 (£>465 - Г>482) - 128 D292
Полученное таким образом уравнение можно рассматривать как со-
держащее четыре переменные. Три из них представляют собой разнос-
ти, которые можно считать первыми производными, полученными при
сканировании спектра в обратном, чем это принято, порядке, то есть
от больших длин волн к меньшим, а также при различном значении
приращения аргумента. Четвертая переменная — оптическая плот-
ность. Впрочем, порядок получения разностей можно изменить на
обычный, соответствующим образом поменяв знаки перед скобками и
внутри скобок, что не изменит значения зависимой переменной.
Рассматриваемый пример показывает, что в процессе пошагового
метода множественной линейной регрессии могут получаться раз-
личные комбинации исходных переменных, которые могут быть по-
добны их преобразованию в такие новые переменные, как произвол-
170
ные или разности. При этом членами уравнения одновременно мо-
гут быть и исходные переменные, и результаты различных преобра-
зований, что делает метод очень гибким.
Результаты проверки на контрольной серии градуировочных урав-
нений, полученных на серии из 75 образцов, могут быть использова-
ны для корректировки градуировочных характеристик. Для этого
может использоваться значение средней разности результатов инф-
ракрасного анализа и химических данных, полученных при провер-
ке. Ее значение рассчитывают по уравнению (6.9) и проверяют до-
стоверность отличия результата от нуля по уравнению (6.10). Если
разность значима, ее значение вычитают из значения нулевого чле-
на градуировочного уравнения В(0). Таким образом может быть
исключена систематическая погрешность, которая имеет аддитив-
ный характер. Однако это эффективно только при отсутствии муль-
типликативной составляющей общей погрешности, которая изменя-
ется пропорционально значению определяемой величины. Возни-
кновение этой составляющей вызывается скошенностью градуиро-
вочного графика. Показателем скошенности является отличие от
единицы значения углового коэффициент Ьх уравнения регрессии, в
котором у представляет результат химического анализа, ах — ин-
фракрасного. Если коэффициента Ьх достоверно отличен от едини-
цы, что определяют по значению /-критерия, который рассчитывают
по уравнению (5.1.18), то необходима соответствующая корректи-
ровка скошенности. При ее проведении все коэффициенты градуи-
ровочного уравнения умножают на значение Ь} регрессии. Нулевой
член градуировочного уравнения В(0) умножают на Ьх, а затем к
полученному результату прибавляют значение нулевого члена bQ рег-
рессии. Если значение Ьх регрессии статистически значимо от нуля
не отличается, то для корректировки скошенности нет оснований.
В программном комплексе NIR корректировка градуировочного
уравнения проводится автоматически. Оператору достаточно толь-
ко ввести значение углового коэффициента и значения средних ариф-
метических результатов химического и инфракрасного анализов по
контрольной серии образцов. Значения этих величин рассчитывают-
ся с помощью того же программного комплекса при сравнении ре-
зультатов инфракрасного и химического анализов по программе ANL.
Как можно видеть из таблицы 5.1.2, корректировка градуировоч-
ных уравнений в рассматриваемом примере с градуировкой анализа-
тора для определения белка улучшает результаты анализа контроль-
ной серии, соответственно ухудшая результаты анализа градуиро-
вочной серии. Некоторые различия в значениях среднеквадратичес-
ких отклонений от регрессии и среднеквадратических отклонений
от данных химического анализа образцов, взятых для градуировки,
связаны с тем, что при их расчете используется различное число
171
степеней свободы. Среднеквадратическое отклонение от регрессии
рассчитывается по уравнению (5.1.19), а среднеквадратическое от-
клонение от данных химических методов — по уравнению (6.10). В
знаменателе уравнения (5.1.19) число степеней свободы меньше,
чем в уравнении (6.10), на число независимых переменных в урав-
нении регрессии. Поэтому получаемый результат несколько боль-
ше. При увеличении числа перемененных разница возрастает в тем
большей степени, чем меньше число сравниваемых результатов.
Из данных таблицы 5.1.2 видно также, что увеличение числа неза-
висимых переменных в уравнении регрессии более 6 — 7 не имеет
особого смысла. При этом числе переменных наблюдаются мини-
мальные значения отклонений от данных химического анализа об-
разцов контрольной серии. Однако лучшим вариантом в данном
случае является уравнение с тремя переменными. До корректиров-
ки это уравнение давало наименьшую среднюю разность с данными
химического анализа, равную 0,03%, и практически не имело ско-
шенности, судя по значению коэффициента Ь, который был равен
0,98, что очень близко единице и представляет максимум для срав-
ниваемых вариантов. Кроме того, чем меньше членов в градуиро-
вочном уравнении, представляющем собой уравнение множествен-
ной линейной регрессии, тем в меньшей степени результаты анализа
подвержены влиянию различных случайных факторов.
Как отмечается в литературе, применение метода множественной
линейной регрессии осложняет мультиколлинеарность спектраль-
ных данных. Под мультиколлинеарностью понимается наличие тес-
ных статистических связей между независимыми переменными. В
ряде случаев мультиколлинеарность вызывает близость к нулю, то
есть слабую обусловленность определителя корреляционной матри-
цы, составленной из парных коэффициентов корреляции перемен-
ных. Поскольку данный определитель входит в знаменатель выра-
жений для вычисления основных характеристик используемых мо-
делей, то мультиколлинеарность создает трудности и неудобства
при статистической обработке и анализе данных.
Мультиколлинеарность определяет крайнюю неустойчивость по-
лучаемых числовых характеристик анализируемых моделей, так как
коэффициенты при независимых переменных могут изменяться в
несколько раз и даже изменять знак при добавлении (или исключе-
нии) одного-двух образцов из градуировочной серии или одной-двух
переменных из регрессии. Кроме того, затруднена интерпретация
содержания физического смысла получаемого уравнения.
В инфракрасной спектроскопии ближней области, особенно при
измерении диффузного отражения, мультиколлинеарность спектраль-
ных данных выражена очень сильно.
172
Очень тесная корреляция наблюдается, например, в спектраль-
ных данных 75 образцов, взятых для демонстрации процесса граду-
ировки. Это иллюстрируют данные, представленные на рис. 5.1.8, на
котором показана гистограмма распределения образцов по значени-
ям квадрата коэффициентов корреляции их спектров со средним
спектром рассматриваемой выборки. В большей части случаев квад-
рат коэффициента корреляции спектров образцов с их средним спек-
тром превышает 0,9995. Меньшие значения имеют только 10 образ-
цов, причем ни один из них не имеет значения квадрата коэффици-
ента корреляции со средним спектром менее 0,9965.
Корреляция обычно наблюдается также и между данными хими-
ческого анализа. При анализе, например, двухкомпонентной смеси
имеется обратная зависимость содержания одного из компонентов от
другого. В материалах биологического происхождения содержание ком-
понентов находится обычно в пределах определенных соотношений,
что определяет их корреляцию. Так, в зерне пшеницы можно наблю-
дать довольно тесную корреляцию между содержанием белка и крах-
мала, которые составляют в сумме основную массу этого продукта.
Коэффициент корреляции значений этих показателей составляет обыч-
г 2
Рис. 5.1.8. Гистограмма распределения 75 образцов зерна
пшеницы по значениям квадрата коэффициентов
корреляции их спектров со средним спектром выборки.
173
но около — 0,9. В семенах сои четкая обратная корреляция наблюдает-
ся между содержанием белка и жира, которые также составляют основ-
ную массу продукта. Могут коррелировать и другие компоненты про-
дуктов биологического происхождения. Например, по литературным
данным [545] для образцов муки, взятых при размоле зерна пшеницы,
получены коэффициенты корреляции, приведенные в таблице 5.1.4.
Таблица 5.1.4.
Корреляционная матрица некоторых показателей
качества муки [545]
Показатели Показатели
Зола Клетчатка Жир Белок Цвет
Зола 1,00 — — — —
Клетчатка 0,96 1,00 — — —
Жир 0,92 0,95 1,00 — —
Белок 0,89 0,86 0,91 1,00 —
Цвет 0,92 0,74 0,84 0,63 1,00
Корреляция между значениями содержания различных компонен-
тов в объекте или его свойств в ряде случаев, когда это обусловле-
но природой объекта, может иметь положительное значение. Так,
определение содержание золы в зерне, которая как индивидуальное
вещество в нем не существует, а образуется в результате его окис-
ления и пиролиза, основывается на косвенных, опосредствованных
связях с другими его свойствами, которые проявляются в спектрах.
Можно полагать, что таким же образом определяется содержание
отдельных химических элементов, которые содержатся в объекте в
виде нескольких химических соединений, а не в виде одного кон-
кретного вещества, а также элементы и соединения, содержащиеся
в очень низких концентрациях. Другими словами, корреляция меж-
ду концентрациями компонентов объекта или его свойствами позво-
ляет определять с помощью ближней инфракрасной спектроскопии
в сочетании со статистическими методами обработки данных содер-
жание компонентов и ряд свойств, которые непосредственно не про-
являются в спектрах или проявляются в них слишком слабо, чтобы
проводить их прямое определение.
Количественный анализ, основанный на подобных косвенных, опос-
редствованных связях, возможен только в определенных условиях.
Используемые связи должны быть четко определены природой объек-
та, а образцы, взятые для градуировки, должны достаточно полно ох-
ватывать возможный диапазон варьирования используемых свойств объ-
екта, влияющих на спектры и представляющих основу такого анализа.
Вне этих пределов анализ может давать очень грубые погрешности. В
этом отношении очень ненадежен анализ объектов, представляющих
174
механическую смесь различных по природе материалов. Здесь необхо-
дим контроль, обеспечивающий выявление образцов, состав и свойства
которых отличны от образцов, используемых для градуировки.
Корреляция между компонентами пробы обычно обнаруживается
не так явно, как в рассмотренном в разделе 7.2.1 примере с образ-
цами сои, содержащими достаточно большие количества жира с
очень характерными полосами поглощения. В большей части случа-
ев определить основу выбора длины волны по максимуму квадрата
коэффициента корреляции при использовании метода множествен-
ной линейной регрессии достаточно трудно. В некоторых случаях
вопрос может осложнять также нелинейность связи спектральных
данных с содержанием определяемого компонента. Выбор длины
волны по коэффициенту частной корреляции в пошаговом методе
может быть обусловлен также и тем, что добавление новой пере-
менной в градуировочное уравнение позволяет снизить отклонения
от регрессии, вызванные нелинейностью используемой связи.
Это положение можно проиллюстрировать следующим примером.
Можно предположить, что связь оптической плотности D при четы-
рех длинах волн с концентрацией данного компонента С в анализи-
руемом объекте имеет параболический характер и выражается урав-
нениями, приведенными в таблице 5.1.5.
Кривые, описываемые данными уравнениями, представлены на рис.
5.1.9. Первым двум уравнениям соответствуют выпуклые кривые,
которыми может описываться связь оптической плотности с кон-
центрацией, третьему — вогнутые кривые. На каждой из этих кри-
вых взято по 11 точек, по которым рассчитаны коэффициенты про-
стой линейной регрессии с одной независимой переменной и мно-
жественной линейной регрессии с двумя переменными. Таким обра-
зом смоделирована градуировка анализатора по одиннадцати образ-
цам с использованием результатов измерения оптической плотнос-
ти при одной и двух длинах волн. Как видно из рис. 5.1.9, аппрокси-
мация выпуклой кривой (1) при градуировке прямой линией, описы-
ваемой соответствующим уравнением регрессии, представленным в
таблице 5.1.5, приводит к тому, что рассчитанные по этому уравне-
нию результаты оказываются заниженными в средней части измеря-
емого диапазона концентраций. Здесь фактические значения кон-
центрации оказываются выше линии регрессии, связывающей срав-
ниваемые данные. На краях рассматриваемого диапазона результа-
ты расчета завышены. В случае вогнутой кривой (3) в средней части
измеряемого диапазона наблюдается завышение результатов, а по
краям — занижение. Аналогичную картину, соответственно харак-
теру зависимости, дает обработка данных других кривых, представ-
ленных на рис. 5.1.9. Среднеквадратические отклонения от регрес
175
Таблица 5.1.5.
Возможные варианты выражения зависимости оптической
плотности от концентрации и результата градуировки с
помощью линейной регрессии с одной и двумя
независимыми переменными
Зависимость оптической плотности (D) от концентрации (С) Градуировочное уравнение и характеристики точности дан- ных, получаемых с его помощью Простая линейная регрессия
О, = 1,0 + 0,6С - о,озс2 (выпуклая кривая) D2 = 0,6 + 0,5С - 0,02С2 (выпуклая кривая) D3 = 0,4 + 0,005С + 0,03 С2 (вогнутая кривая) D4 = 0,2 + 0,05С - 0,01 С2 (вогнутая кривая) С, = -0,412 + 0,031Z), г2 = 0,920; S = 0,094 С2 = -0,273 + 0,032D2 г2 = 0,963; S - 0,064 С, = 0,050 + О,ОЗП3 г2 = 0,922; S = 0,093 С4 = 0,015 + 0,064Z)4 г2 = 0,963; S = 0,064 Множественная линейная регоессия С,3 = -0,231 + 0.017D, + 0,017D3 R2 = 1,0000; S = 0,00000 С14 = -0,213 + 0,0130, + 0,04004 R2 = 1,0000; S = 0,00000 С23 = -0,172 + 0,02002 + 0,01303 R2 = 1,0000; S = 0,00000 С24 = -0,167 + 0,0170, + 0,03304 ’ R2 = 1,0000; S = 0,00000 С12 = 0,670 - 0.670 О + О2 R2 = 1,0000; S = 0,00000 С = -0,138 - 0,069 03 + 0,20704 R2 = 1,0000; S = 0,00000
сии, связывающей фактические и рассчитанные значения рассмат-
риваемых величин, приведены в таблице 5.1.5. Наблюдаемые откло-
нения практически полностью обусловлены тем, что явно нелиней-
ная связь рассматриваемых величин аппроксимирована уравнения-
ми прямой, то есть они вызваны неадекватностью линейной модели.
Положение явно улучшает включение в регрессионные градуировоч-
ные уравнения не одной, а двух независимых переменных. При этом не
имеет значения, сочетаются ли зависимости, которые выражаются вы-
нуклон и вогнутой кривыми или двумя однотипными кривыми.
176
С1 рассчитанная
ю
8
в
4
2
0
-2
-2 0 2 4 6 8 10
С3 рассчитанная
ю
8
6
4
2
О
0 2 4 8 8 10
С12; С13; ... С34 рассчитанные
Рис. 5.1.9. Погрешности, обусловленные неадекватностью
простой линейной регрессии нелинейной зависимости, и
уменьшение погрешностей при использовании
множественной регрессии с двумя независимыми
переменными:
А — возможные формы кривых, выражающих зависимость оптичес-
кой плотности (D) от концентрации (С);
Б — отклонения от простой линейной регрессии при аппроксима-
ции зависимости, выражающейся выпуклой кривой;
В — то же для вогнутой кривой;
Г — сравнение фактических данных и рассчитанных по уравнению
множественной линейной регрессии с двумя независимыми пе-
ременными (любое сочетание кривых 1 — 4).
177
Во всех случаях отклонения значений рассчитанных величин от
фактических сводятся к нулю, а коэффициенты детерминации — к
единице, как это следует из данных, приведенных в таблице 5.1.5 и
показанных на рис. 5.1.9.
Из рассмотренного, примера ясно, что выбор длины волны по час-
тной корреляции может определяться различными причинами, поэ-
тому интерпретация получаемых уравнений множественной линей-
ной регрессии представляется весьма проблематичной. Значитель-
ные затруднения вызывает здесь также и явление мультиколлинеар-
ности спектральных данных.
Что касается мультиколлинеарности, то она снижается, когда вмес-
то исходных значений оптической плотности используют результа-
ты ее преобразований, получаемых нормированием, мультиплика-
тивной коррекцией рассеяния, переходом на использование произ-
водных, коэффициентов ряда Фурье и некоторые другие величины,
получаемые преобразованием исходных данных. Наиболее радикаль-
ное решение проблемы мультиколлинеарности дают рассматривае-
мые ниже методы градуировки, которые используют линейные ком-
бинации спектральных данных в виде главных компонент в регрес-
сионных уравнениях или скрытых переменных, получаемых в мето-
де дробных наименьших квадратов.
5.2.МЕТОДЫ ГРАДУИРОВКИ ПО ВСЕМУ
СПЕКТРУ
Существенным недостатком метода множественной линейной регрес-
сии является, как было отмечено выше, чувствительность к мультикол-
линеарности спектральных данных. Кроме того, особенно при использо-
вании сканирующих приборов этот метод позволяет реализовать только
незначительную часть получаемых спектральных данных. Действитель-
но, такой прибор как модель 4500 фирмы NIRSystems, проводит измере-
ния в 550 точках спектра. В то же время в градуировочном уравнении
число переменных обычно не превышает 6. Это значит, что когда в
качестве независимых переменных в уравнении служат исходные значе-
ния оптической плотности, для анализа используются всего только 6
точек спектра, что составляет лишь 1,2% результатов измерений. Боль-
ше точек спектра включает получение производных. Так, для расчета
каждого значения второй производной необходимо взять три точки спек-
тра, однако и в этом случае при 6 независимых переменных в градуиро-
вочном уравнении используются только 18 длин волн, что составляет
всего 3,3% исходных данных. В то же время большая часть измерений,
оставшаяся неиспользованной, может содержать полезную информацию.
В последнее время в спектроскопии ближней инфракрасной области
все большее применение находят методы, которые в более полной
мере используют получаемый спектр, а также не только не чувстви-
178
тельные к явлению коллинеарности, но и использующие корреляцию
спектральных данных между образцами, взятыми для градуировки. Таким
методом является регрессия на главных компонентах, применяемая в
ближней инфракрасной спектроскопии для решения различных задач
[2, 58, 59, 223, 285, 303, 459, 470, 488, 568], а также метод дробных
наименьших квадратов [236, 325, 328, 450, 455, 470]. Необходимо
отметить, однако, что метод множественной линейной регрессии более
прост в понимании и позволяет в ряде случаев заранее предопределить,
какие длины волн должны использоваться в градуировочном уравне-
нии. Регрессия на главных компонентах и метод дробных наименьших
квадратов дают уже эмпирическое, чисто статистическое решение, и
интерпретации могут подлежать только конечные его результаты.
Оба рассматриваемых метода сводятся к преобразованию множества
переменных, которыми являются значения оптической плотности или
результаты их преобразований (производные, нормированные величи-
ны и т.п.), в меньшее число новых переменных, представляющих ли-
нейные комбинации исходных данных, причем без потери полезной
информации, содержащейся в спектрах. В этом отношении им близок
метод, основанный на использовании преобразования Фурье, который
также позволяет значительно уменьшить объем спектральных данных
без потери их информативности, а также в значительной степени умень-
шить эффект коллинеарности, улучшить разрешение полос поглоще-
ния [481, 476, 380, 480, 470, 381, 179, 479, 54, 476, 417].
5.2.1. Использование описания спектра рядом Фурье
Метод основан на том, что широкий класс математических функ-
ций может быть представлен рядом Фурье практически с любой
степенью приближения. Если /(1), /(2), .... /(jV) представляют ре-
зультаты измерений спектральных параметров при N равноотстоя-
щих друг от друга длинах волн (точек спектра) и N = 2М, то есть
четное число, то спектр может быть аппроксимирован рядом
/(2) = ar, + £atcos(?^)+ sin(-2-^) + аЛ1 соз(яЛ) - (5.2.1.1)
u=i N t=i /V
где X = 1,2, ..., N — индексы длин волн;
k- 1, 2, ..., М — коэффициенты ряда Фурье.
Значения коэффициентов ak и bk рассчитывают быстрым преобра-
зованием Фурье [480] для k =1, 2, 3, ..., М-1:
1 Л'
«о = ^Е/а),
/V я=1
где а0 — среднее значение оптической плотности в спектре;
179
для k = 1, 2, 3, M—1;
для k = 1, 2, 3, ..., М—1;
1 N
ам = — Ё/(Я)со5(яЯ).
N л=1
В общем виде преобразование Фурье можно записать так:
£(/) = У{НЛ)} (5.2.1.2)
и обратное преобразование:
№) = /'{£(/)}, (5.2.1.3)
где обозначают преобразование Фурье и обратное преобразова-
ние соответственно.
Здесь JF1 обозначает не обратную величину, а именно обратное
преобразование ряда Фурье к исходному спектру. Исходный спектр
может быть записан в виде пар коэффициентов av и Ь,. преобразова-
нием по (5.2.1.2), а затем восстановлен обратным преобразованием
по (5.2.1.3). Точность приближения получаемого таким образом спек-
тра зависит от числа k, то есть числа пар коэффициентов. Чем боль-
ше его значение, тем достигается большая степень приближения.
Число коэффициентов Фурье подбирается достаточно большим,
чтобы спектр описывался достаточно точно, но не настолько, чтобы
при этом воспроизводился и шум, представляющий в исходном спек-
тре относительно высокочастотную составляющую. Обычно 50 пар
коэффициентов Фурье достаточно, чтобы решить эту задачу даже
для описания спектров с острыми пиками. Для описания спектров с
очень острыми пиками, например спектра сахарозы, требуется боль-
шее значение k, чтобы достаточно точно описать спектр.
Для большей части сельскохозяйственных объектов спектры в
ближней инфракрасной области имеют тенденцию повышения опти-
ческой плотности с увеличением длины волны (тренд). Вследствие
этого значения начала и конца спектра по ординате не совпадают,
что создает определенную проблему. Для исключения этого явле-
ния спектральные данные преобразуют так, чтобы зациклить спектр,
то есть привести значение ординаты конечной точки к значению
начальной. Для этого делают пересчет исходных значений оптичес-
кой плотности в каждой точке спектра ДЛА), получая новые значе-
ния /(А.л)’, вводя поправку, исключающую наклон спектра:
180
/(\)’ = /(\) - - /(\)}/{/(\) - /(\)},
где /(Хл) — исходное значение оптической плотности в текущей
точке спектра;
/(X ) — исходное значение оптической плотности в начале спек-
тра, при первой длине волны;
/(A.J — исходное значение оптической плотности в конце спек-
тра, при последней длине волны.
В результате такого преобразования наклон спектра ликвидирует-
ся, так что значения ординат его начальной и конечной точек совпа-
дают (рис. 5.2.1.1). Если сохранить значение т, то при обратном
преобразовании ряда Фурье можно получить исходный спектр с его
первоначальным наклоном, трендом. Это иллюстрирует рис. 5.2.1.2,
на котором показаны исходный спектр шерсти и спектр аппроксимиро-
ванный с использованием первых 49 пар коэффициентов Фурье [476].
Результирующий спектр для наглядности несколько сдвинут на графи-
ке по оси ординат. Среднеквадратическое отклонение аппроксимиро-
ванного спектра от исходного составляет всего лишь 0,00023 единицы
оптической плотности, как это видно из рис. 5.2.1.3.
Длина волны, нм
Рис. 5.2.1.1. Исходный спектр (а), и он же после
приведения к виду, удобному для преобразования в ряд
Фурье (Ь) [480].
181
Длина волны, нм
Рис. 5.2.1.2. Исходный спектр (а) и результат его
аппроксимации 50 парами коэффициентов Фурье (Ь). Для
наглядности спектры раздвинуты по ординате [480].
Длина волны, нм
Рис. 5.2.1.3. Разность исходного спектра и аппроксимиро-
ванного рядом Фурье (SD — среднеквадратическое
отклонение) [480].
182
Таким образом, использование преобразования Фурье значительно
сокращает объем исходных данных, не снижая их информативности.
Так, например, если описывать спектр, представленный значениями
оптической плотности при 550 длинах волн, с помощью 50 пар коэф-
фициентов Фурье и одним значением среднего для спектра, количество
чисел, которые необходимо сохранить, сокращается более чем в 5 раз.
Преобразование Фурье имеет и другие преимущества. Уже указы-
валось, что спектры освобождаются от шума за счет огрубления.
Однако возможно и специальное сглаживание данных с помощью
соответствующей апозидирующей функции. Применяя в этом слу-
чае самообращенную свертку, можно акцентировать максимумы пог-
лощения, если подобрать соответствующую апозидирующую функ-
цию [417, 480, 479]. Кроме того, в градуировочных уравнениях,
необходимых для выполнения анализов, в качестве независимых пе-
ременных можно использовать непосредственно коэффициенты
Фурье, не проводя обратного преобразования к исходному спектру.
Это позволяет не только значительно сократить объемы вычисли-
тельной работы, но и ослабить мультиколлинеарность спектраль-
ных данных. Как отмечено в литературе [480], коэффициент корреля-
ции спектров обычно близок единице, тогда как в спектрах, выраженных
коэффициентами Фурье, коэффициент корреляции обычно не превыша-
ет 0,66. В конечном итоге это улучшает устойчивость, или, как говорят,
робастность, градуировочных уравнений, в которых используют непос-
редственно коэффициенты Фурье без обратного преобразования.
Применение преобразования Фурье позволяет также провести кор-
рекцию варьирования спектральных данных, вызываемого различи-
ем анализируемых проб по размерам частиц. Это показывают графи-
ки, приведенные на рис. 5.2.1.4 [476]. Четыре спектра одного и того
же материала, но с различной крупностью частиц (0,10, 0,20, 0,30
и 0,60 мм) значительно различаются по общему уровню поглоще-
ния, когда спектры реконструированы по всем коэффициентам Фурье
от 1 до 99 (1—99), включая первый коэффициент уравнения (5.2.1.1),
представляющий среднее значение оптической плотности образца в
его спектре. При исключении первого коэффициента аои реконструи-
ровании спектров только по коэффициентам 2 — 99 спектры сближа-
ются по общему уровню поглощения. Таким образом, различия в спек-
трах, вызываемые варьированием спектральных данных, обусловлен-
ным различиями в крупности частиц, значительно снижаются.
Описание спектра аппроксимирующей функцией, которую выра-
жает ряд Фурье, позволяет получать производные спектра аналити-
чески. Принимая 2k/N=K, первая производная уравнения (5.2.1.1)
по А, (длина волны) может быть найдена следующим образом:
Mi\ A/-I ,
= - £ Как sin(^2)+ £КЬк cos(KA)-miM sin(^). 5.2.1.4)
JZ *=i
183
Рис. 5.2.1.4. Четыре спектра одного и того же материала с
различной крупностью частиц [477]:
А — спектры образцов с различным размером частиц, аппроксими-
рованные рядом Фурье с использованием коэффициентов 1—99;
В — те же спектры с использованием коэффициентов 2—99 (кроме
а0, представляющего среднее значение оптической плотности в
184
Вторая производная будет в этом случае равна
^.^2- = ~ SK;o,cos(2^^) - £ К'Ъ. sinf2»*1» - ff2o„ cos(a^)
" “ N “ N (5.2.1.5)
Производные спектров по длинам волн могут быть получены об-
ратным преобразованием по уравнению (5.2.1.3) с подстановкой в
него значений, полученных по уравнениям (5.2.1.4) или (5.2.1.5),
соответственно порядку производной. При этом первые два члена в
уравнении (5.2.1.4) необходимо переставить перед обратным преоб-
разованием.
Следует отметить, что при использовании ряда Фурье для получе-
ния производных нет необходимости в обратном преобразовании к
длинам волн. Можно показать, что значения Кгак и K*bk, где г мо-
жет быть любым числом, могут быть прямо подставлены в «произ-
водные коэффициентов спектра Фурье» для дальнейшего использо-
вания. Примером этому могут служить результаты одного из пер-
вых приложений рассматриваемого преобразования спектров в ближ-
ней инфракрасной спектроскопии при получении градуировочных
уравнений по 44 образцам зерна пшеницы для определения белка.
Показано, что при использовании исходных результатов измерений
оптической плотности, коэффициентов Фурье и второй производ-
ной без обратного преобразования среднеквадратические отклоне-
ния от регрессии составили 0,38, 0,28 и 0,18% соответственно [476].
Преобразование Фурье может быть использовано при классифи-
кации и идентификации материалов, а также при решении ряда дру-
гих задач [479]. Несмотря на многие достоинства, рассматриваемый
метод применяется в спектроскопии ближней инфракрасной облас-
ти относительно редко. В последнее время для описания спектров и
сокращения объема данных для аппроксимации спектров чаще при-
меняются главные компоненты.
5.2.2. Регрессия на главных компонентах
Метод включает два этапа. Сначала для сокращения объема спек-
тральных данных и исключения мультиколлинеарности их преобра-
зуют так, что вся спектральная информация описывается значи-
тельно меньшим числом переменных, называемых главными компо-
нентами. Главные компоненты представляют собой ортогональные,
то есть некоррелированные, результаты линейных преобразований
исходных данных. При этом первая из них рассчитана так, что опи-
сывает наибольшую часть дисперсии данных, вторая — максимум
дисперсии, оставшейся после первой, и т. д.
Геометрический смысл главных компонент, которые называют также
скрытыми, или латентными, переменными, можно видеть на примере
185
двухмерного распределения результатов измерений ряда образцов в
двух точках спектра и х2. Для упрощения дальнейших манипуляций
и улучшения линейной аппроксимации связи с концентрацией определя-
емого вещества данные центрируют относительно среднего значения:
и.. = х.. — X. ,
lk k ’
где и.к — искомое центрированное значение;
х — исходное значение результата измерения оптической плот-
ности или ее преобразованной величины, например, производ-
ной и т.п., :-го образца на k-й длине волны;
хк — среднее арифметическое значение исходной величины из
результатов измерений по всем образцам на k-й длине волны.
На рис. 5.2.2.1 значения оптической плотности в точках спектра
Xj и х2 отложены по осям xt, которую представляет сплошная гори-
зонтальная линия, и х2 — сплошная вертикальная линия. Новые оси
координат и и2 после центрирования показаны пунктирными ли-
ниями, параллельными первичным осям х{ и х2. Как видно из рисун-
ка, пересечение этих новых осей координат находится примерно в
центре рассеяния данных, который соответствует среднему арифме-
тическому значению переменных в первоначальных координатах.
Из рис. 5.2.2.1 видно также, что оси координат можно повернуть
так, что отклонения от одной из получаемых таким образом новых
Рис. 5.2.2.1. Центрирование спектральных данных и
главные компоненты:
Xj и х2 — первоначальные оси координат;
Uj и и2 — оси координат после центрирования данных;
и ?2 — главные компоненты.
186
осей, показанных сплошными линиями под углом к исходным осям,
будут значительно меньше, чем от первоначальных. Обозначив эти
новые оси как и /2, можно видеть, что вариация по оси tx больше,
чем по оси t Видно также, что если при исходных координатах
данные хорошо коррелировали, то при новом положении осей кор-
реляция практически исключена. В этом состоит геометрический
смысл преобразования исходных центрированных переменных и, и
и2 в новые переменные и t2, которые представляют собой резуль-
таты линейных преобразований последних. Эти новые, скрытые в
исходных данных переменные называют главными компонентами.
При этом в процессе получения скрытых переменных первая глав-
ная компонента подбирается так, чтобы она описала максимум дис-
персии спектральных данных. Положение первой главной компо-
ненты устанавливается поворотом первоначальных осей так, чтобы
сумма квадратов отклонений от нее точек, представляющих спек-
тральные данные, была минимальной. Это подобно методу наимень-
ших квадратов, только расстояния измеряются перпендикулярно
новой оси, а не параллельно оси и2. Вторая главная компонента
подбирается так, чтобы описала максимум дисперсии, остающейся
после исключения дисперсии описанной первой, и т.д.
Новые переменные tx и t2 могут быть выражены через первона-
чальные центрированные переменные следующим образом:
= w,
t2 = w2lu2 + w22u2,
где t1 и t2 — главные компоненты;
wtl и да12 — веса первой главной компоненты;
ам21 и w22 — веса второй главной компоненты.
Эти уравнения выражают связь новых переменных с первоначаль-
ными и могут использоваться как для преобразования исходных
данных в новые переменные, так и обратно. Например, если веса
имеют соответственно значения w} ^О.бб; w} 2=0,76 и w2 =0,70; w22=—
0,71, то образец, координаты которого на первоначальных осях были
ut = 3,0 и и2 = 2,0, на новых осях будет иметь координаты:
= 0,65-3,0 +0,76-2,0,
и
t2 = 0,70-3,0 — 0,71-2,0.
Такой поворот первоначальных осей координат к новым осям остав-
ляет всю исходную информацию, но она поделена таким образом, что
первая компонента теперь представляет большую ее часть, а вторая —
оставшуюся меньшую. Поскольку данные по двум новым осям теперь
некоррелированы, они имеют нулевую ковариацию и ортогональны.
В общем, при использовании скрытых переменных на К первона-
чальных переменных, где К обычно много больше двух, имеют дело с
187
Х-мерным пространством с К осями координат, которыми служат
точки спектра, то есть длины волн, при которых проводятся измере-
ния. Получение главных компонент включает поворот этих осей
для получения новых Лосей так, чтобы первая ось описывала мак-
симум первоначальной дисперсии данных, вторая описывала макси-
мум оставшейся дисперсии и не коррелировала с первой, третья —
максимум дисперсии, не описанной первыми двумя, и не коррелиро-
вала с ними и т.д.
Каждая из создаваемых А компонент может быть выражена как
линейные комбинации первичных осей:
= wx ,u, + ^12u2, + ..., +wl KuK
(2 = Vl + W2.2U2> + -> + Vk
t = w .u. + w .u,, + ..., +w.vuv
a a.k k a.k k* * A,K К
= + ^A,2U2- + -> +^A.KUK
Если число главных компонент равно числу точек спектра, он
будет описан идеально точно. Обычно ограничиваются максимум
10 — 12 главными компонентами, которые содержат основную,
полезную часть спектральной информации. Последующие главные ком-
поненты обычно описывают очень небольшую долю дисперсии, имею-
щую случайный характер и связанную в основном с погрешностями в
измерениях спектральных данных, то есть представляют шум. Проще
говоря, исключение последних компонент несколько огрубляет описы-
ваемый ими спектр, лишает его очень мелких деталей, которые обус-
ловлены обычно случайными флуктуациями в спектрах.
При расчете главных компонент в инфракрасной спектроскопии
обычно используют матрицу U центрированных спектральных дан-
ных, полученных как описано выше, и дисперсионно-ковариацион-
ную матрицу V, которая содержит значения ковариаций всех воз-
можных пар спектральных данных для всех точек спектра, исполь-
зуемых при градуировке. U представляет собой матрицу ГхК, каж-
дой строкой которой являются центрированные спектральные дан-
ные Лго образца, упорядоченные по длинам волн так, что каждый
столбец представляет данные по образцам для /г-й точки спектра.
Можно показать, что дисперсии главных компонент являются со-
бственными числами матрицы V, а коэффициенты при компонентах
U являются компонентами соответствующих собственных векторов.
Если — первая компонента центрированной переменной U:
к
П = Е ™\к»к = W(U,
k «1
то математическое ожидание 0 и дисперсия
188
/ к
var(/,) = Etf) = zz^,Жи£(«Л) = W/Vw,,
i=i *=i
где 1, 2, 3, ..., i, ..., I — индексы образцов, взятых для градуировки;
1, 2, 3, k, К — индексы точек спектра (длин волн).
Вектор коэффициентов w1 выбирается таким образом, чтобы дис-
персия f имела максимальное значение при условии, что
Z wli = w{w, = l.
( = 1
Максимизация решается с применением множителей Лагранжа.
Задача сводится к нахождению вектора wp максимизирующего
wJVw,-A|(wjwl-1) , (5.2.2.1)
где — множитель Лагранжа.
Взяв производную по Wj и приравняв ее нулю, получаем
(V-A^w, =0, (5.2.2.2)
где I — единичная матрица.
Поскольку необходимо решение, когда Wj Ф 0, должно выполнять-
ся условие
|V-A,l| = 0. (5.2.2.3)
Из этого уравнения видно, что X, — собственное число матрицы
V, a w, — соответствующий собственный вектор.
Выражение (5.2.2.3) может быть переписано в виде
Vw ] = 2]Wj.
Умножая на wj и учитывая (5.2.2.1), получаем
Vwi = Aiw'|W( = Zj. (5.2.2.4)
Поскольку левая часть этого равенства есть var(/1), то есть дис-
персия компоненты t, и решалась задача максимизации этой вели-
чины, то Xj — максимальное собственное число матрицы V.
Для нахождения второй главной компоненты
Z2 = W2U
необходимо выполнение двух условий. Это условия нормирования:
w'2w2 = 1
и условие ортогональности:
w2w2 = 0 .
Вектор w2 должен быть определен так, чтобы дисперсия f была
максимальной при выполнении двух заданных условий. Эта задача
требует использования двух множителей Лагранжа X! и Д:
189
w'2Vw2 -Z2(w2w2 -1)-/J(w2w2 -0).
Взяв производную от этого выражения и приравняв ее нулю, в соот-
ветствии с условием ортогональности можно найти, что Д = 0. В силу
условия нормировки Х2 есть второе по величине собственное число
матрицы V, Х2 = var(t2), a w2 — соответствующий собственный вектор.
Процесс повторяют до тех пор, пока не будет описана основная
часть дисперсии исходных переменных. Поскольку
А
= trace V,
а=1
сумма собственных чисел может рассматриваться как полная дис-
персия совокупности, то первые А компонент с наибольшими дис-
персиями учитывают долю полной дисперсии. То есть дисперсии,
которую описывали бы все К возможных компонент по числу всех
К точек спектра. Доля полной дисперсии, описываемая А компонен-
тами, может быть определена как
А К
2 Л / 2 Л •
а=1 ^-1
Если эта доля будет достаточно велика, то компоненты с диспер-
сиями А. , ..., могут не учитываться и совокупность будет адек-
ватно представлена с помощью А первых главных компонент.
Число компонент, которое достаточно полно описывает спектраль-
ные данные, зависит от характера спектров и их сложности. В час-
тности, для описания спектров оптической плотности требуется
меньше главных компонент, чем производных спектров, которые
более детализированы, имеют более узкие и острые пики. Напри-
мер, при анализе 95 образцов зерна самых различных сортов пшени-
цы для описания 99,99% дисперсии оптической плотности в спект-
рах достаточно 7 главных компонент, тогда как для описания пер-
вой производной при этом же условии их требуется больше 10. Это
можно видеть из данных, приведенных в таблице 5.2.2.1.
Следует отметить, что в ряде случаев вместо дисперсионно-кова-
риационной матрицы для получения главных компонент может ис-
пользоваться корреляционная матрица. В этом случае исходные дан-
ные не только центрируют, но и нормируют по среднеквадратичес-
кому отклонению, приводя вариации к единому масштабу. Это не-
обходимо, когда исходные переменные измеряются в различных еди-
ницах. Такая ситуация возникает, когда исходными переменными
служат разные физические величины и результаты измерений выра-
жаются числами различных порядков. В инфракрасной спектроско-
пии измеряется обычно только одна величина — оптическая плот-
190
Таблица 5.2.2.1.
Доля дисперсии спектральных данных 75 образцов зерна
пшеницы, описываемая главными компонентами
Оптическая плотность Первая производная
Главные Доля описы- Накапливае- Доля описы- Накапливае-
компо- ваемой мая сумма, % ваемой мая сумма, %
ненты дисперсии,% дисперсии,%
1 97,38 97,38 63,57 63,57
2 1,71 99,09 18,76 84,33
3 0,69 99,78 12,95 97,28
4 0,16 99,94 1,63 98,91
5 0,03 99,97 0,73 99,28
6 0,02 99,98 0,23 99,51
7 0,01 99,99 0,16 99,67
8 0,00 100,00 0,08 99,75
9 0,00 100,00 0,06 99,81
10 0,00 100,00 0,03 99,84
ность, значения которой различаются мало, так что в нормировании
исходных данных нет необходимости.
Регрессия на главных компонентах подробно рассмотрена в лите-
ратуре [2, 59, 179, 459, 470].
Применение главных компонент в целях сокращения объема дан-
ных для описания спектров при идентификации объектов рассмат-
ривается в разделе 8, при выборе образцов для составления градуи-
ровочной серии — в разделе 9.3.1.
После того как рассчитаны все главные компоненты, необходи-
мые для градуировки, устанавливают их связь с концентрацией оп-
ределяемого вещества, выражаемую регрессионным уравнением
с = Z>0 + Z>] Z] + Z>2 ^2 4-...+Z>a ta +...+Ъд tд. (5.2.2.5)
Коэффициенты регрессионного уравнения рассчитывают с помощью
метода наименьших квадратов.
Полученное уравнение регрессии с использованием главных ком-
понент преобразуют затем в градуировочное уравнение, в котором
используются не главные компоненты, а исходные результаты изме-
рений или преобразований спектральных данных, из которых полу-
чают главные компоненты.
Поскольку главные компоненты связаны с исходными спектраль-
ными данными следующим образом:
/„ = w„,u, + w.2u2 + ... +w_KuK,
191
уравнение (5.2.2.5) может быть преобразовано:
С = ^ ! +b2W2A +....+baWaA +....+ЬА WAA) Uj +
+(^1 2 +^w22 +....+bawa2 +....+bA wa 2)u2 +
+(b}wa.k +^2wa.k +-—+bawa.k +-+bA WAk) Uk +
+(^ K +....+bawAK +....+bA wAK)uK .
Так как выражения в скобках представляют константы, заменяя
их соответственно на Вк, получаем
с = Ьо + Вхщ + B2U2 +....+Вкик
Переходя от центрированных значений ик — хк — хк к исходным
значениям переменных хк, имеем:
с = bQ + Blxl - В[х( + В2х2 — В2х2+.... +ВКхК - ВКхК.
Значения средних арифметических определены в процессе граду-
ировки и представляют собой константы. Суммируя все постоянные
слагаемые, включая Ьй, и обозначая результат как Во, можно полу-
чить очень простое выражение:
с = Во + fyxi + В2х2+.... + ВКхК, (5.2.2.6)
где Во = b0 - В1х1 - В2х2-.-Вкхк.
Уравнение (5.2.2.6) представляет собой градуировочное уравнение,
которое связывает концентрацию определяемого вещества в анализи-
руемом объекте непосредственно с результатами измерений или значе-
ниями их преобразованных величин, например, производных и т.п., при
каждой из К длин волн, которые использовали при градуировке. В
рассмотренных выше примерах это была каждая вторая точка спектра.
Смысл коэффициентов при независимых переменных достаточно ясен
из вывода уравнения. Совершенно ясно также, что для количественно-
го анализа достаточно сохранить только значения коэффициентов гра-
дуировочного уравнения. Сами по себе главные компоненты и средние
значения спектральных данных по длинам волн, полученные при граду-
ировке, в данном случае для расчета определяемых концентраций в
анализируемых образцах не являются необходимыми. Они нужны были
только для получения регрессионного уравнения.
Важным моментом при проведении градуировки является число
используемых главных компонент. Следует еще раз подчеркнуть,
что если их будет слишком много, получаемое на основе такой
192
модели градуировочное уравнение будет учитывать случайную ва-
риацию, загрязнено шумом в результатах измерений, что сделает
его неустойчивым и будет приводить к погрешностям. При слишком
малом числе скрытых переменных модель может недоучитывать
некоторые химические или физические особенности образцов, что
также будет приводить к погрешностям. Для определения опти-
мального числа главных компонент обычно используют итерацион-
ную процедуру так называемой «перекрестной проверки», что будет
рассмотрено ниже.
Следует отметить, что речь идет о регрессионной модели, а не о
конечном градуировочном уравнении, в котором скрытые перемен-
ные преобразованы в исходные. В градуировочном уравнении столь-
ко членов, сколько точек спектра использовано для градуировки, не
считая нулевого члена. Число точек спектра при градуировке мо-
жет быть ограничено оперативной памятью используемого компь-
ютера. В этом случае оно будет зависеть от числа проб, по которо-
му проводится градуировка, числа скрытых переменных. При опе-
ративной памяти 640 килобайт, если она не занята посторонними
резидентными программами, при размерах градуировочной серии
порядка 40 образцов и числе скрытых переменных менее 6 для
градуировки может использоваться каждая из 550 точек спектра, в
которых проводятся измерения при работе на спектрофотометре
модели 4500. В этом случае в градуировочном уравнении может
быть 550 независимых переменных. Если число образцов и главных
компонент больше, оперативной памяти компьютера может не хва-
тить. В этом случае выполнение программы может прекратиться с
выдачей соответствующего сообщения. Выходом из подобной ситу-
ации является сокращение числа точек спектра. Это возможно сде-
лать или исключением части спектра, который несет мало информа-
ции о содержании определяемого вещества в анализируемом матери-
але, или путем использования для градуировки только каждой второй,
третьей и т. д. точки спектра, сокращая их число в два или соответ-
ственно другое число раз. Обычно использование только каждой чет-
вертой и даже пятой точки спектра, то есть сокращение числа точек
спектра в 4 или в 5 раз, значительно не ухудшает точности получаемо-
го градуировочного уравнения. Следует отметить также, что чем боль-
ше точек спектра или переменных в регрессионной модели, тем боль-
ше времени занимают расчеты, что в некоторых случаях может иметь
существенное значение. Лучше, однако, использовать компьютер с до-
статочно большой оперативной памятью и высокой скоростью выполне-
ния операций, чтобы более полно использовать спектральные данные.
Число главных компонент, оптимальное для получения градуиро-
вочного уравнения, определяют различными методами. В некото-
рых программах пользователь предопределяет заведомо большее
193
число, чем это необходимо. Программа после выполнения задания
остановится, и компьютер покажет, какую долю общей дисперсии дан-
ных описывает каждая из полученных главных компонент. Руководству-
ясь этим, пользователь может определить, сколько компонент следует
оставить для последующих расчетов, и продолжит решение задачи.
В программе могут быть заложены критерии, по которым компьютер
сам может определить нужное число первых главных компонент.
В ряде программ для определения оптимального числа главных
компонент используется процедура перекрестной проверки. Поль-
зователь задает заведомо большее число компонент, исходя из опре-
деленных представлений, и число групп, на которые подразделяется
серия градуировочных образцов при перекрестной проверке. В про-
цессе выполнения программы одна из групп образцов исключается
из общего массива данных, а оставшаяся часть используется для
расчетов параметров градуировочных уравнений, получаемых при
разном числе используемых главных компонент. Исключенная группа
образцов используется для проверки получаемых уравнений. Затем
из общей выборки исключается новая группа образцов. Группа об-
разцов, использованная для проверки, возвращается в оставшуюся
часть общей выборки, а новая часть образцов исключается и проце-
дура повторяется столько раз, сколько групп задано для перекрес-
тной проверки. В результате каждый образец участвует и в проме-
жуточной градуировке, и в проверке, причем в проверке он участву-
ет только один раз. После завершения перекрестной проверки рас-
считываются окончательные градуировочные уравнения по всем
образцам, а обобщенные результаты перекрестной проверки позво-
ляют определить их предсказующую способность в зависимости от
числа используемых для их получения главных компонент.
Процесс перекрестной проверки иллюстрирует таблица 5.2.2.2. В ней
показаны результаты расчетов на серии из 75 образцов зерна пшеницы
при градуировке для определения содержания белка. Это та же серия
образцов, использованная для получения градуировочных уравнений с
помощью метода множественной линейной регрессии в разделе 5.1.
Окончательные результаты градуировки по главным компонентам при-
ведены в таблице 5.2.2.3. В расчетах главных компонент использовали
каждую вторую точку спектра. Для перекрестной проверки образцы
делились на 4 группы. SEC обозначает среднеквадратическое отклоне-
ние от регрессии при градуировке, SECV — при перекрестной проверке,
1—VR представляет аналог квадрата множественной корреляции.
Приведенные данные показывают, что первая главная компонента
практически не связана с содержанием белка. На это указывают как
очень малые значения Л-критерия и коэффициента детерминации,
практически равные нулю, так и большие значения среднеквадрати-
ческого отклонения от регрессии. При этом отклонения от регрсс-
194
Таблица 5.2.2.2.
Оценки погрешностей и корреляции исходных данных
химического анализа и результатов, рассчитанных по
спектральным данным с помощью регрессии на главных
компонентах в процессе перекрестной проверки
Число ком- понент Группы при перекрестной проверке
Первая Вторая Третья Четвертая
SECV 1-VR SECV 1-VR SECV 1-VR SECV 1-VR
1 2,28 0,02 2,23 0,01 2,86 0,07 2,43 0,01
2 1,64 0,50 1,37 0,63 2,08 0,43 1,67 0,52
3 0,84 0,87 0,75 0,89 0,91 0,89 0,85 0,88
4 0,31 0,98 0,34 0,98 0,40 • 0,98 0,33 0,98
5 0,32 0,98 0,35 0,98 0,42 0,98 0,34 0,98
6 0,31 0,98 0,30 0,98 0,42 0,98 0,35 0,98
7 0,33 0,98 0,26 0,99 0,34 0,99 0,30 0,98
8 0,34 0,98 0,24 0,99 0,33 0,99 0,29 0,99
9 0,30 0,98 0,25 0,99 0,29 0,99 0,28 0,99
10 0,27 0,99 0,24 0,99 0,28 0,99 0,27 0,99
11 0,25 0,99 0,22 0,99 0,26 0,99 0,26 0,99
12 0,27 0,99 0,22 0,99 0,25 0,99 0,26 0,99
13 0,27 0,99 0,21 0,99 0,26 0,99 0,26 0,99
14 0,26 0,99 0,19 0,99 0,26 0,99 0,25 0,99
Обозначения:
SECV — среднеквадратическое отклонение,
1-VR — аналог коэффициента детерминации.
сии практически равны среднеквадратическому отклонению от сред-
него (СКО) содержания белка в образцах градуировочной серии.
Включение в регрессию второй, третьей и четвертой компонент рез-
ко изменяет ситуацию. Из таблицы 5.2.2.3 видно, что четыре первые
компоненты описывают, судя по коэффициенту детерминации, 98,3%
дисперсии содержания белка в градуировочной серии образцов. Сред-
неквадратическое отклонение от регрессии (SEC) при этом снижа-
ется до 0,31%. Пятая и шестая компоненты достоверной связи с
содержанием белка не проявляют и практически не изменяют ситу-
ацию. Однако седьмая компонента значима и заметно повышает
точность градуировки. Компоненты с восьмой по одиннадцатую ста-
тистически достоверно, с вероятностью не менее 0,95, судя по зна-
чениям /•’-критерия, связаны с содержанием белка. Точность граду-
ировки после введения одиннадцатой компоненты улучшается, но
очень слабо.
195
Таблица 5.2.2.3.
Окончательные результаты перекрестной проверки
градуировки при определении содержания белка в зерне
пшеницы с помощью регрессии на главных компонентах
(без преобразований спектров)
Число точек спектра: 275
Исключение выбросов: Нет
Мат. обработка: 0, 0, 1, 1
Коррекция рассеяния: Нет
Определяемый компонент: белок Число образцов: 75
Средн.: 15,564% Диапазон: 10,80 — 20,10% СКО: 2.419%
Число компонент SEC R2 F SECV 1-VR
1 2.428 0.007 0.47 2.434 0.014
2 1.610 0.557 93.98 1.667 0.525
3 0.809 0.888 214.11 0.846 0.878
4 0.313 0.983 405.73 0.334 0.981
5 0.313 0.983 0.74 0.342 0.980
6 0.314 0.983 0.50 0.346 0.979
7 0.269 0.988 26.07 0.299 0.985
8 0.259 0.989 6.32 0.291 0.985
9 0.250 0.989 5.51 0.277 0.987
10 0.240 0.990 6.75 0.269 0.988
11 0.230 0.991 6.47 0.257 0.989
12 0.228 0.991 2.41 0.258 0.989
13 0.228 0.991 0.93 0.256 0.989
14 0.223 0.992 3.93 0.251 0.989
Обозначения:
SEC — среднеквадратическое отклонение от регрессии;
SECV — среднеквадратическое отклонение;
1-VR — аналог коэффициента детерминации.
Судя по данным таблицы 5.2.2.3, вводить в регрессионное уравне-
ние более 11 главных компонент не имеет смысла, так как это
практически не улучшает точности, но создает опасность перепод-
гонки градуировочного уравнения.
Более четкую картину дают результаты проверки градуировочных
уравнений, получаемых на основе использования различного числа
главных компонент на 20 образцах пшеницы, которые не участвова-
ли в процессе градуировки. Результаты проверки, представленные в
таблице 5.2.2.4, показывают, что после введения восьмой главной
компоненты точность результатов практически не меняется.
196
Таблица 5.2.2.4.
Результаты проверки градуировочных уравнений,
полученных на различном числе главных компонент, при
определении содержания белка в 20 образцах зерна
пшеницы (без преобразований спектров)
Число главн. компо- нент в регрес- сии Среднеквадр. отклонение от результатов химического анализа Средняя разность ре- зультатов сравниваемых методов Угловой коэфф, рег- рессии при сравнении результатов Коэффи- циент де- терминации, т*
1 2,27 -0,84 -2,31 0,02
2 1,04 -0,57 1,10 0,83
3 0,81 -0,06 0,88 0,87
4 0,33 0,10 0,98 0,98
5 0,33 0,10 0,98 0,98
6 0,32 0,09 0,98 0,98
7 0,28 0,06 0,98 0,98
8 0,25 0,06 0,98 0,99
9 0,24 0,03 0,96 0,99
10 0,26 0,05 0,96 0,99
11 0,25 0,06 0,97 0,99
12 0,26 0,07 0,96 0,99
13 0,27 0,07 0,96 0,99
14 0,25 0,06 0,97 0,99
Коэффициенты градуировочных уравнений, полученных в рас-
сматриваемом примере с определением содержания белка в зерне пше-
ницы показаны графически на рис. 5.2.2.2 и 5.2.2.3. Из приведенных
графиков видно, что кривая коэффициентов, полученных из регрессии
на первой компоненте, внешне очень близка среднему спектру образ-
цов в ближней инфракрасной области, представленных на рис. 4.1.7.
Поскольку первая главная компонента практически не связана с со-
держанием белка, коэффициенты градуировочного уравнения оказыва-
ются подобранными так, что результат анализа конкретного образца
близок среднему арифметическому содержанию белка в градуировоч-
ной серии образцов. Так, например, сравнение результатов инфракрас-
ного анализа, проведенного с помощью градуировочного уравнения,
полученного на основе только первой главной компоненты, контроль-
ной серии из 20 образцов с данными химического анализа, показало
следующее. При значении среднего арифметического содержания бел-
ка в образцах контрольной серии, равном 14.71%. использование гра-
дуировочного уравнения, полученного на основе одной главной компо-
197
Значения коэффициентов ( 0j ) Значения коэффициентов ( 0 j ) Значения коэффициентов ( 0 j)
Длина волны, нм Длина волны, нм
Рис. 5.2.2.2. Кривые значений коэффициентов
градуировочных уравнений, полученных с использованием
одной (1), двух (2), трех (3), четырех (4), пяти (5)
и шести (6) главных компонент.
198
Длина волны, нм
Длина волны, нм
Рис. S.2.2.2. Продолжение. Кривые значений
коэффициентов градуировочных уравнений, полученных с
использованием семи (7), восьми (8), девяти (9), десяти
(10), двенадцати (12) и четырнадцати (14) главных
компонент.
199
ненты, дает среднеарифметическое, равное 15,55%, что близко к сред-
нему градуировочной серии, равному 15,56%. Среднеквадратическое
отклонение от химических данных составляет 2,27%, что даже не-
сколько больше, чем среднеквадратическое отклонение от среднего
содержания белка в образцах контрольной серии, равное 2,14%. При
таком среднеквадратическом отклонении результат анализа, получен-
ный по уравнению, основанному на одной первой главной компоненте,
при доверительной вероятности 0,95 может быть равен практически
любому значению содержания белка градуировочной серии.
При увеличении числа компонент в регрессии кривые коэффициен-
тов градуировочного уравнения все более усложняются. Улучшается
разрешение пиков на кривых, базовая линия приходит к нулю, теряя
первоначальный тренд. Включение в регрессию последних компонент
осложняет рассматриваемые кривые шумом, который становится за-
метным в кривой, полученной при использовании 12 компонент, и
очень четким при введении в регрессию следующих компонент.
Таким образом, из данных, получаемых при градуировке, следует,
что вводить более 11 первых главных компонент в регрессию не следу-
ет, исходя из значений Л-критерия последующих компонент. Это не
противоречит и результатам перекрестной проверки, из которых вид-
но, что после введения 11 компонент точность градуировочных урав-
нений практически не улучшается. Однако результаты анализа кон-
трольной серии образцов показывают, что для предотвращения пере-
подгонки градуировочного уравнения лучше ограничиться 9 первыми
главными компонентами. Включение следующих компонент в регрес-
сию результатов инфракрасного анализа не улучшает, однако создает
опасность переподгонки градуировочного уравнения. Очень малая доля
дисперсии спектральных данных, которая описывается десятой и один-
надцатой главными компонентами, обнаруживает статистически зна-
чимую связь с содержанием белка в образцах градуировочной серии.
Эта связь свойственна, очевидно, только образцам градуировочной серии,
так как не проявляется в образцах контрольной серии, которые не
участвовали в градуировке. Об этом говорит отсутствие улучшения
точности результатов анализов, полученных по уравнениям на основе
10 и более главных компонент. Отсутствие улучшения точности ана-
лиза образцов контрольной серии при использовании 10 и более ком-
понент, тогда как при градуировке она хотя и слабо, но повышалась,
указывает на некоторую переподгонку соответствующих градуировоч-
ных уравнений. Нет гарантии, что в новых образцах, которые могут
поступать на анализ, переподгонка не проявится в большей степени,
вызывая существенные погрешности.
Рассмотренный пример показывает также, что для предотвращения
возможной переподгонки градуировочного уравнения можно пользо-
ваться простым правилом, согласно которому число главных компо-
200
нент, включаемых в регрессионное уравнение, можно достаточно точ-
но предопределить по числу образцов, используемых для градуировки.
Количество первых главных компонент для регрессионного уравнения
должно ограничиваться числом, равным 1/10 образцов, к которому
можно добавить еще 2 главные компоненты или даже 3 при большом
числе образцов, как это рекомендуется в программном комплексе NIR.
Переподгонку градуировочного уравнения при использовании глав-
ных компонент можно проиллюстрировать на примере градуировки
для определения белка на тех же 12 образцах пшеницы, что и в методе
множественной линейной регрессии. Результаты градуировки и пере-
крестной проверки представлены в таблице 5.2.2.5.
Таблица 5.2.2.5.
Характеристика точности градуировочных уравнений при
использовании различного числа первых главных
компонент при определении белка в зерне пшеницы по
оптической плотности диффузного отражения
Число главных компонент SEC R2 F SECV 1-VR
1 2,516 0,045 1,52 2,542 0,020
2 0,956 0,862 60,27 1,228 0,771
3 0,334- 0,983 65,65 0,888 0,881
4 0,305 0,986 2,59 0,586 0,948
5 0,251 0,990 4,32 0,714 0,923
6 0,172 0,996 7,78 0,650 0,936
7 0,148 0,997 2,77 0,631 0,940
8 0,067 0,999 16,53 0,618 0,942
9 0,072 0,999 0,62 0,602 0,945
10 0,046 1,000 3,90 0,604 0,945
11 0,000 1,000 0,00 0,594 0,946
Обозначения те же, что и в табл. 5.2.2.3.
Из приведенных данных видно, что введение в уравнение регрес-
сии 8 первых главных компонент дает явную переподгонку, что
ясно из того, что получаемая при этом точность, судя по значению
среднеквадратического отклонения от регрессии, явно превышает
точность химического анализа. В то же время связь спектральных
данных, описываемых первыми 8 компонентами, с содержанием белка
статистически достоверна при доверительной вероятности более 0,95.
Однако при перекрестной проверке среднеквадратическое отклоне-
ние от регрессии почти на порядок выше, что так же, как и сравне-
ние с точностью химического анализа, указывает на явную перепод-
гонку уравнения.
201
5.2.3. Метод дробных наименьших
квадратов
Как и в регрессии на главных компонентах, в методе дробных
наименьших квадратов находятся скрытые переменные в спектраль-
ных данных. Однако между этими методами имеется существенная
разница. Она состоит в том, что в регрессии на главных компонен-
тах сначала находят все скрытые переменные, достаточно полно
описывающие спектры, а только после этого их последовательно
связывают с данными химического анализа, используемыми для по-
лучения градуировочного уравнения. В методе дробных наимень-
ших квадратов скрытые переменные, которые удобнее называть
факторами, сразу же связывают и со спектральными, и с химически-
ми данными. Факторы подбираются так, чтобы, описывая возможно
большую часть дисперсии спектральных данных, они одновременно
были бы максимально связаны с химическими данными. В процессе
итерационной процедуры после расчета очередного фактора опи-
санные им доли обоих дисперсий исключаются. При нахождении
очередного фактора в расчеты принимаются только части диспер-
сий, которые не описаны предшествующими факторами.
Имеются два варианта метода дробных наименьших квадратов.
Это PLS1, в котором спектральные данные связывают с химически-
ми данными по одному определяемому показателю, и PLS2, в кото-
ром имеют дело с двумя массивами данных: матрицей спектральных
данных и матрицей химических данных по нескольким определяе-
мым показателям [179]. Ниже рассматривается только первый вари-
ант, поскольку достаточного опыта применения второго в спектрос-
копии ближней инфракрасной области пока не имеется.
Как и в регрессии на главных компонентах, вычисления начинают-
ся с центрирования данных. В некоторых версиях метода дробных
наименьших квадратов данные также и нормируют. Центрируют не
только спектральные данные, но и результаты химического анализа
образцов, взятых для градуировки.
Сначала, когда еще ни один фактор не рассчитан, счетчик факто-
ров а = 0, рассчитывают:
Е = X — 1х,
f = с — 1с,
где Е — матрица центрированных спектральных данных;
X — матрица значений спектральных данных;
х — вектор средних значений спектральных данных;
f — вектор.центрированных значений концентрации определяе-
мого вещества;
с — вектор исходных значений концентрации;
с — среднеарифметическое значение концентрации.
202
При этом Е и 1 рассматриваются как остатки — случайная вари-
ация, не описанная рассчитанными ранее факторами.
Для каждого нового фактора а = 1,2, ..., А, в определении кото-
рого используют соответствующую ковариационную матрицу, вы-
полняют следующую итерационную процедуру, которая начинается
с а = 0:
1. Устанавливают счетчик факторов а = а + 1.
2. Для очередного фактора а рассчитывают вектор весов спектраль-
ных данных, которые находят как нормализованную матрицу ковариа-
ций между центрированными значениями концентраций и остатками
спектральных данных после предшествующего а~1 фактора:
wa =£,(0-1 ЭХ-Г
где коэффициент ga подобран так, чтобы сумма квадратов wa была
равна единице.
3. Рассчитывают вектор факторов ta, которые выполняют роль
предикторов и для спектральных, и для химических данных:
л u ta='Ea-}Wa-
4. Находят вектор спектральных нагрузок на фактор t методом
наименьших квадратов:
5. Получают матрицу остатков спектральных данных:
Еа =Ee-i-tep'.
6. Находят вектор нагрузок химических данных на фактор ta
методом наименьших квадратов:
Ча ~ t't
7. Рассчитывают вектор остатков химических данных:
8. Повторяют расчеты, начиная с пункта 1, пока не получат тре-
буемое число факторов.
Из этого краткого описания порядка расчетов видно, что факторы
в методе дробных наименьших квадратов рассчитываются по спек-
тральным данным, учитывая одновременно как их корреляцию меж-
ду собой, так и их корреляцию с содержанием определяемого ком-
понента. Это отличает метод от расчета главных компонент, кото-
рые получают только из спектральных данных вне связи с содержа-
нием определяемого компонента.
203
В программном комплексе NIR фирмы Infrasoft International кро-
ме рассмотренной версии PLS имеется модифицированный вариант
расчета MPLS, в котором после расчета очередного фактора прово-
дится нормирование остатков.
Расчет значений концентраций определяемого вещества в анали-
зируемых образцах проводят по градуировочному уравнению тако-
го же вида, как и в регрессии на главных компонентах. Его удобнее
представить в символах векторной алгебры:
к
fc=i
где tfe = с-Х4> и b = W (p/wZ’q7.
Число факторов, или скрытых переменных, необходимое для по-
лучения градуировочного уравнения, определяют так же, как и в
регрессии на главных компонентах. Обычно для этого используют
перекрестную проверку. Результаты перекрестной проверки при про-
ведении градуировки анализатора для определения содержания бел-
ка в зерне пшеницы иллюстрирует таблица 5.2.3.1. В ней показаны
результаты расчетов для той же серии из 75 образцов, которые
были взяты для регрессии на главных компонентах. Исходной спек-
тральной информацией служили те же значения оптической плот-
ности при каждой второй точке спектра.
Из приведенных данных видно отличие метода дробных наимень-
ших квадратов от регрессии на главных компонентах. В регрессии
на главных компонентах скрытые переменные рассчитываются вне
связи с концентрацией, а только по спектральным данным, и часть
первых компонент может быть не связана с содержанием определя-
емого вещества. В рассмотренном выше примере это первая, пятая
и шестая главные компоненты, судя по значениям Е-критерия. В
методе дробных наименьших квадратов первые факторы связаны с
концентрацией. Уже первый фактор достоверно коррелирует с ре-
зультатами химического анализа, хотя вариация исходных значений
оптической плотности в первую очередь связана с различиями об-
разцов по гранулометрическому составу и влажности, что обычно
маскирует их связь с химическим составом. Статистическая значи-
мость факторов более или менее равномерно снижается в порядке
очередности, начиная с четвертого, по мере того как для каждого
последующего фактора остается все меньше и меньше вариации,
которую он может описать.
Коэффициенты градуировочных уравнений рассмотренного при-
мера определения содержания белка в зерне пшеницы показаны гра-
фически на рис. 5.2.3.1. Из приведенных графиков видно, что кри-
вые, описывающие связь значений коэффициентов градуировочных
204
уравнений с длиной волны, по мере увеличения числа факторов в
регрессии делаются все более сложными. Возрастают амплитуды
экстремумов и их разрешение. Одновременно увеличиваются и аб-
солютные значения коэффициентов градуировочных уравнений. Гра-
фики коэффициентов градуировочных уравнений, соответствующих
10 и более факторам в регрессии, явно осложнены шумом, который
усиливается по мере включения в регрессию очередного фактора.
Таблица 5.2.3.1.
Результаты перекрестной проверки градуировки при
определении содержания белка в зерне пшеницы с
помощью метода дробных наименьших квадратов
Мат. обработка: 0, 0, 1, 1 Число точек спектра: 275
Коррекция рассеяния: Нет Исключения выбросов: Нет
Аналит: белок Число образцов: 75
Средн.: 15,564% Диапазон: 10,80 — 20,10% СКО: 2,419%
Число факторов SEC R2 F SECV 1-VR
1 1,709 0,501 75,24 2,568 0,101
2 1,132 0,781 194,52 0,895 0,866
3 0,441 0,967 103,07 0,555 0,949
4 0,356 0,978 39,04 0,343 0,980
5 0,293 0,985 34,47 0,306 0,984
6 0,258 0,989 20,62 0,302 0,985
7 0,233 0,991 16,63 0,271 0,988
8 0,222 0,992 7,74 0,268 0,988
9 0,210 0,992 8,82 0,270 0,988
10 0,193 0,994 13,26 0,280 0,987
11 0,180 0,994 10,48 0,275 0,987
12 0,170 0,995 8,64 0,266 0,988
13 0,161 0,996 7,56 0,258 0,989
14 0,159 0,996 2,81 0,264 0,988
Обозначения те же, что и в табл. 5.2.2.3.
В данном конкретном случае использовать для получения градуи-
ровочного уравнения более 8 факторов не представляется целесо-
образным. Как видно из данных, приведенных в таблице 5.2.3.2, при
этом числе факторов наблюдается минимальное среднеквадратичес-
кое отклонение от химических данных при проверке градуировоч-
ных уравнений на контрольной серии из 20 образцов, которые не
участвовали в градуировке.
205
Длина волны, им Длина волны, нм
Рис. 5.2.3.1. Кривые значений коэффициентов
градуировочных уравнений, полученных методом дробных
наименьших квадратов с использованием одного (1), двух
(2), трех (3), четырех (4), пяти (5) и шести (6) факторов.
206
Длина волны, мм Длина волны, мм
Рис. 5.2.3.1. Продолжение. Кривые значений
коэффициентов градуировочных уравнений, полученных
методом дробных наименьших квадратов с использованием
семи (7), восьми (8), девяти (9), десяти (10), двенадцати
(12) и четырнадцати (14) факторов.
207
Включение следующих факторов практически не улучшает ре-
зультатов. Здесь можно говорить о заметной переподгонке граду-
ировочных уравнений при включении в регрессию более 8 факто-
ров. Это проявляется в том, что среднеквадратическое отклоне-
ние от регрессии все время снижается при включении в нее оче-
редных факторов. Однако при проверке уравнений на контроль-
ной серии образцов после введения 8 факторов в регрессию точ-
ность получаемых результатов не меняется.
Таблица 5.2.3.2.
Результаты проверки градуировочных уравнений,
полученных методом дробных наименьших квадратов,
при определении содержания белка в 20 образцах зерна
пшеницы
Число главк, факто- ров в регрес- сии Среднеквадр. отклонение от результатов химического анализа Средняя разность ре- зультатов сравниваемых методов Угловой коэфф, рег- рессии при сравнении результатов Коэффи- циент детер- минации, г2
1 1.36 -0.38 1.20 0.63
2 1.04 -0.21 0.83 0.79
3 0.47 0.12 0.98 0.95
4 0.40 0.11 0.97 0.97
5 0.32 0.10 0.97 0.98
6 0.26 0.04 0.98 0.99
7 0.24 0.08 0.98 0.99
8 0.23 0.07 0.98 0.99
9 0.25 0.06 0.96 0.99
10 0.26 0.06 0.98 0.99
11 0.27 0.05 0.98 0.99
12 0.25 0.03 0.98 0.99
13 0.25 0.04 0.99 0.99
14 0.26 0.04 0.99 0.99
Другим моментом, который необходимо иметь в виду, является рез-
кое увеличение абсолютных значений коэффициентов градуировочных
уравнений при включении в регрессию десятого и последующих факто-
ров, как это видно из рис. 5.2.3.1. Примерно до введения 8 фактора в
регрессию абсолютные значения коэффициентов градуировочного урав-
нения возрастали более или менее плавно, не более чем на 10-15.
Однако, начиная с введения девятого фактора, коэффициенты начали
резко возрастать. Если при 8 факторах максимальное абсолютное
208
значение коэффициентов не превышало 50, при 9 оно возросло до
90, при 10 стало достигать 220, то есть стало возрастать практи-
чески в геометрической прогрессии. В то же время увеличение
абсолютных значений коэффициентов градуировочных уравнений
снижает их устойчивость, повышает их чувствительность к слу-
чайным флуктуациям в спектрах. Это еще один момент, который
необходимо учитывать при определении числа скрытых перемен-
ных, используемых для получения градуировочных уравнений.
Можно сравнить точность инфракрасного анализа одной и той же
контрольной серии из 20 образцов зерна пшеницы, выполненного по
градуировочным уравнениям, полученным методом множественной
линейной регрессии (табл. 5.1.1), с помощью регрессии на главных
компонентах (табл. 5.2.2.4) и методом дробных наименьших квадратов
(табл. 5.2.3.2). Из приведенных в таблицах данных видно, что особой
разницы в точности определения содержания белка в зерне пшеницы
при использовании сравниваемых методов градуировки не наблюдает-
ся. Необходимо отметить, что это относится к конкретному примеру
определения содержания белка в зерне пшеницы. Однако во многих
случаях лучшим оказывается метод дробных наименьших квадратов.
5.3. МЕТОДЫ ИЗВЛЕЧЕНИЯ СПЕКТРА
ОТДЕЛЬНОГО КОМПОНЕНТА ИЗ СПЕКТРА
СЛОЖНОГО ПО СОСТАВУ ОБЪЕКТА
Извлечение спектра отдельного компонента из спектра исследуе-
мого объекта представляет значительный интерес. Знание положе-
ния полос поглощения компонента в спектрах бывает нужным при
проведении градуировки анализатора пошаговым методом множес-
твенной линейной регрессии. Это помогает выбрать длины волн,
измерения при которых обеспечивают более надежные результаты,
чем это может дать эмпирический выбор по коэффициенту частной
корреляции. Например, программный комплекс NSAS фирмы NIRSys-
tems позволяет при проведении градуировки с помощью пошагового
метода множественной линейной регрессии одновременно со спектром
значений коэффициента частной корреляции спектральных данных с
содержанием компонента, для определения которого проводится градуи-
ровка, выдать на дисплей спектр этого компонента. Спектр компонен-
та извлекается из спектров образцов, используемых для градуировки,
и может помочь оператору в выборе длины волны.
Спектр компонента, извлеченный из спектров образцов анализи-
руемого объекта, может служить средством контроля правильнос-
ти результатов ИК-анализа, что использовано, например, при опре-
делении содержания карбонатов в горных породах [376]. Он может
209
служить также основой для интерпретации градуировочных уравне-
ний, установления их физического смысла и т.п.
В обычной спектрофотометрии растворов в видимой области чаще
всего имеют дело с низкими концентрациями поглощающих свет рас-
творенных веществ. Когда растворитель практически прозрачен, зна-
чение оптической плотности раствора представляет сумму оптичес-
ких плотностей абсорбентов и линейно связано с их концентрацией.
В таком случае для получения спектра любого из компонентов рас-
твора достаточно изменить его концентрацию, чтобы по разности
спектров растворов с большей и меньшей концентрацией получить
требуемый результат. Естественно, что это справедливо в условиях,
когда компоненты раствора не реагируют друг с другом и изменение
концентрации изучаемого вещества не влияет на спектры других, изме-
няя, например, pH, окислительно восстановительный потенциал и т.п.
Такой прием, но в приложении к спектрам диффузного отраже-
ния, использован нами при получении спектра воды сравнением спек-
тров одного и того же образца почвы при высушивании (рис. 7.11.1.3),
при выдерживании в атмосфере близкого к насыщению водяного
пара (рис. 7.11.2) или сухого и увлажненного зерна пшеницы (рис.
7.1.3). Для большей наглядности и сопоставимости получаемых спек-
тров воды со спектрами исследуемых объектов значения разностей
при каждой длине волны приводились к желаемому масштабу и
смещались по ординате так, чтобы их можно было разместить на
общем графике. Это можно выразить следующим уравнением:
У = а + ЬХ,
где У — значение разности значений оптической плотности после
масштабирования;
X — исходное значение разности спектров;
а — смещение разности спектров по ординате;
b — коэффициент масштабирования.
По этому уравнению пересчитывали значения разностей оптичес-
кой плотности по всем длинам волн (точкам) исходных спектров.
Параметры уравнения а и b представляют константы, и их значения
подбирали так, чтобы получить достаточно четкую картину.
Спектры разностей, показанные на рассматриваемых рисунках,
достаточно близки со спектром воды, чтобы прийти к заключению,
что максимумы поглощения изучаемых объектов около 1,4 и 1,9
мкм в той или иной степени обусловлены присутствием воды и их
амплитуда увеличивается или уменьшается в соответствии с изме-
нением содержания этого компонента.
В то же время получаемые разности спектров заметно отличают-
ся от спектра воды. Прежде всего они отличаются положением
максимумов полос поглощения, которые сдвинуты в сторону более
коротких длин волн. Это, очевидно, связано с различиями в состо-
янии воды в исследуемых объектах и в жидком состоянии. Кроме
210
того, высушивание почвы вызывает общее снижение уровня погло-
щения по всему спектру, что особенно четко проявляется в спект-
рах почв, и не может быть обусловлено только уменьшением содер-
жания воды (рис. 7.11.2 и 7.11.3), и явно связано также и с измене-
нием состояния других поглощающих излучение компонентов. Вы-
сушивание при 105°С явно вызывает необратимые изменения черно-
земной почвы, на что указывает гестерезис, обнаруживаемый при
сравнении исходного спектра со спектрами высушенной, а затем
увлажненной почвы. Причем это выражается в необратимости об-
щего сдвига спектра по оси ординат. Для спектров воды, получае-
мых из спектров почв с различной влажностью, особенно из черно-
зема, характерно уменьшение интенсивности поглощения с умень-
шением длины волны в коротковолновой части спектра. Ослабление
поглощения обнаруживается и в видимой части спектра визуально по
ослаблению окраски почвы после ее высушивания при сравнении с
окраской исходной почвы. В то же время вода в видимой области
практически не поглощает, тем более при столь низких концентраци-
ях, в которых она содержится на уровне гигроскопической влажности.
Это указывает на то, что уменьшение содержания воды или сам процесс
сушки влияет на поглощение излучения другими компонентами почвы.
Извлеченные из спектров почв спектры воды отличаются от спек-
тра жидкой воды также наличием небольшого максимума около
2200 нм, который в спектре воды должен отсутствовать. Его проис-
хождение можно объяснить только изменением состояния других
компонентов почвы. Более близкую спектру воды кривую, если не
считать заметного отличия в положениях максимумов полос погло-
щения, дает разность спектров исходного образца размолотого зер-
на пшеницы, выдержанного в атмосфере близкого к насыщению
водяного пара при комнатной температуре и в воздушно-сухом со-
стоянии. Однако получаемый таким способом спектр не может очень
точно соответствовать спектру соответствующих форм воды, содер-
жание которых изменяется при данной процедуре. Дело в том, что
изменение содержания воды вызывает соответствующие изменения
в содержании других поглощающих компонентов зерна. Чем боль-
ше массовая доля воды в пробе, тем меньше доли других компонен-
тов, которые вместе с водой составляют целое, и это не может не
отражаться в разности спектров. Кроме того, изменение влажности
образца может оказывать влияние на его гранулометрический со-
став в результате изменения электростатических сил взаимодейст-
вия частиц вследствие изменения диэлектрической постоянной воз-
духа, зависящей от его влажности, которая в замкнутом объеме
кюветы определяется влажностью помещенного в нее образца.
Если содержание такого компонента, как вода, можно легко изме-
нять в исследуемом объекте, то для получения спектров других компо-
нентов, особенно при анализе сложных по составу объектов биологи-
ческого происхождения, в большинстве случаев такой способ неприго-
211
ден. Это обусловлено прежде всего тем, что исследуемый объект обыч-
но не представляет собой простой механической смеси компонентов.
Поэтому изменить состав объекта, сохранив при этом его структуру,
гранулометрический состав и ряд других свойств, которые оказывают
влияние на спектры, практически невозможно. В такой ситуации воз-
можным способом получения спектра компонента мог бы быть подбор
пары образцов, для которых единственным различием было бы разли-
чие только в содержании интересующего компонента. Однако осущес-
твить это трудно, поэтому для извлечения спектров компонентов из
спектров содержащих их объектов используют другие методы.
Простейшим из них является метод извлечения спектра интересу-
ющего компонента по разности усредненных спектров, рассмотрен-
ный в литературе [382]. Он основан на том, что, имея достаточно
большую партию образцов с известным содержанием исследуемого
компонента, ее разделяют на две группы. В одну группу отбирают
образцы с более высоким содержанием интересующего компонента,
в другую — с более низким. Граничным значением при решении
вопроса о включении образца в соответствующую группу может
быть среднее значение исследуемого компонента в исходной выбор-
ке. Предполагается, что в среднем эти группы образцов будут в
основном различаться только по данному признаку. Другие свойст-
ва изучаемого объекта будут достаточно усреднены, и их средние
значения в выделенных группах не будут значительно различаться.
Исходя из этих предпосылок, спектр интересующего компонента на-
ходят как разность средних спектров групп с высоким и низким содер-
жанием. Ввиду того, что получаемые значения разностей спектров,
как правило, очень малы, для большей наглядности получаемый спектр
интересующего компонента приводят к соответствующему масштабу и
при необходимости сдвигают по ординате, как это описано выше. Опи-
сываемый метод позволяет извлекать из спектра объекта как спектры
отдельных компонентов, так и спектры отдельных его свойств, кото-
рые оказывают влияние на спектральные данные. Суть этого метода в
рассматриваемой работе проиллюстрирована следующим примером.
В качестве объекта исследования были взяты 100 образцов зерна
твердой пшеницы с известным содержанием воды, белка, крахмала,
а также с известным показателем твердозерности. Содержание крах-
мала рассчитывали по разности, исходя из того, что в сумме с
содержанием белка и воды оно дает практически 100%. Спектры
зерна пшеницы и выделенных препаратов веществ, представляющих
его компоненты, представлены на рис. 5.3.1, взятом из рассматрива-
емой работы [382]. Для получения спектра каждого из указанных ком-
понентов и твердозерности исходную партию делили на две группы по
50 образцов с высоким и низким значениями соответствующего компо-
нента или твердозерности. Средние спектры групп, подобранных для
получения соответствующего спектра, а также спектры изучаемых
компонентов и твердозерности показаны на рис. 5.3.2 — 5.3.5. Как
Рис. 5.3.1. Спектры зерна пшеницы (1) и его
компонентов: крахмала (2), белка (3) и воды (4) [382].
Ml/R)
Длина волны, нм
Рис. 5.3.2. Средние спектры групп образцов зерна
пшеницы с высоким (1), низким (2) содержанием воды и их
разность (3). Значения разности увеличены в 7,8 раза [382].
213
Рис. 5.3.3. Средние спектры групп образцов зерна
пшеницы с высоким (1), низким (2) содержанием белка и
их разность (3).
Значения разности увеличены в 15 раз, и при нанесении на график
кривая сдвинута по ординате на 0,25 единицы оптической плотности [382].
Длина волны, нм
Рис. 5.3.4. Средние спектры групп образцов зерна
пшеницы с высоким (1), низким (2) содержанием
крахмала и их разность (3).
Значения разности получены как Dau е — 0,93-£>низкое. При нанесе-
нии на график результаты умножены на 9 и увеличены на 0,12 единицы
оптической плотности [382].
214
Длина волны, нм
Рис. 5.3.5. Средние спектры групп образцов зерна
пшеницы с высокой (1), низкой (2) твердозерностью и их
разность (3). Значения разности увеличены в 9 раз [382].
видно из представленных данных, метод дает спектры, очень близ-
кие спектрам чистых компонентов, исключая отдельные детали, обус-
ловленные тем, что группы образцов, предназначенные для опреде-
ления одного показателя, заметно различались по среднему содер-
жанию и соотношению других. Кроме того, выделенные группы могли
различаться и по другим свойствам, в частности по гранулометри-
ческому составу, что должно было влиять на рассеяние излучения
и служить дополнительным источником различия в спектрах поми-
мо разницы в содержании изучаемого компонента. В то же время
получаемые результаты дают достаточно точное представление о
спектрах изучаемых компонентов и твердозерности. Однако приро-
да спектра твердозерности, характеризующего качество зерна, труд-
нообъяснима. В рассматриваемой работе спектр твердозерности,
получаемый разностным методом, не обсуждается. Вместе с тем
необходимо отметить, что спектр твердозерности в данном случае
подобен реконструированному таким же методом спектру воды,
показанному на рис. 5.3.2. Согласно данным, приведенным в рас-
сматриваемой работе, содержание воды довольно тесно коррелиру-
ет с твердозерностью. Коэффициент корреляции равен 0,59. Воз-
можно, что корреляция и является в данном случае одним из фак-
торов, определяющим подобие рассматриваемых спектров.
На той же партии образцов продемонстрирован метод извлечения
спектров компонентов и свойств объекта, основанный на использо-
вании регрессионного анализа. Этот метод предложен ранее [373].
215
Он состоит в том, что для группы образцов исследуемого объекта с
известным содержанием компонента получают спектры каждого об-
разца и по полученным данным рассчитывают значения оптической
плотности для каждой точки спектра компонента по уравнению
Sn=^nyk}(\-Y)/^yl+Xn,
где Sn— значение оптической плотности в точке спектра п спектра
компонента;
Хп — значение оптической плотности образца в точке п;
Хп — среднее исходных значений оптической плотности в точ-
ке спектра п исследуемых образцов;
хп — центрированное значение оптической плотности исходного
спектра в точке спектра п, рассчитываемое как хп = Хп - Хп;
Yk — содержание компонента в k-м образце, выраженное как
массовая доля;
Y — среднее содержание компонента в исследуемой выборке;
ук — центрированное значение содержания компонента в &-м
образце, рассчитываемое как yk = Yk - Y
Рассматриваемый метод на той же выборке из 100 образцов дал
следующие результаты, представленные на рис. 5.3.6, взятом из того
же источника [382]. Как и метод разностей, обсуждаемый выше,
Длина волны, нм
Рис. 5.3.6. Спектры воды (1), белка (2), крахмала (3) и
твердозерности (40), извлеченные из спектров образцов
зерна пшеницы [382] расчетным методом Хонигса [373].
216
данный метод дает вполне удовлетворительные результаты даже для
крахмала, содержание которого получено расчетным методом. Спектр
данного показателя качества зерна, полученный рассматриваемым
методом, подобен среднему спектру образцов зерна пшеницы, как
это видно из рис. 5.3.7. В данном случае это объясняется автором
рассматриваемой работы тем, что твердозерность определяется по
крупности частиц, получаемых при помоле, а крупность частиц влияет
на спектры при всех длинах волн. Однако, почему при получении
спектра разностным методом он был более похож на спектр воды, а в
данном случае на средний спектр зерна, остается неясным. Это пока-
зывает, что спектры компонентов или свойств, извлекаемые из спект-
ров соответствующих объектов, могут в значительной степени зави-
сеть от того, с помощью какого метода они получены.
Для извлечения спектра компонента из спектра объекта, в котором
он содержится, могут использоваться также главные компоненты 1459].
Спектр интересующего компонента можно найти по уравнению
Л, =(0.01fe,)(l-0.01C) + X..
• J • J
где k. — коэффициент градуировочного уравнения, полученный ме-
тодом регрессии на главных компонентах при /-Й длине волны по
уравнению (5.2.2.6);
С — среднее значение содержания интересующего компонента
в используемой партии образцов;
Длина волны, нм
Рис. 5.3.7. Спектр твердозерности (1), извлеченный
методом Хонигса [373] из спектров образцов пшеницы, и
их средний спектр (2) по данным [382].
217
Xj — среднее значение оптической плотности образцов при /
длине волны;
0,01 — коэффициент, учитывающий, что содержание компонен-
та выражено как массовая доля в процентах.
Точность получаемого спектра зависит прежде всего от числа
использованных главных компонент, как это видно из рис. 5.3.8,
взятого из рассматриваемой работы [459]. Указывается также на
возможность использования ряда Фурье или других функций, ап-
проксимирующих спектры.
извлеченные
из спектров
зерна
пшеницы с
использованием
одной (А),
двух (В) и
трех (С)
главных
компонент
[459].
218
5.4. ПЕРЕНОС ГРАДУИРОВОЧНЫХ
УРАВНЕНИЙ С ОДНОГО ПРИБОРА НА ДРУГОЙ
Градуировка представляет весьма трудоемкую процедуру, тре-
бующую выполнения значительных объемов работ по проведению
химических анализов для аттестации образцов, по статистичес-
кой обработке результатов, а также по получению градуировоч-
ных уравнений и их оценке. Поэтому использование готовых гра-
дуировочных уравнений представляет значительный интерес для
практики.
Сканирующие спектрофотометры и фильтровые приборы, приме-
няемые в спектроскопии ближней инфракрасной области, имеют
очень высокие метрологические характеристики. Однако градуиро-
вочные уравнения, полученные на одном приборе, могут давать зна-
чительные погрешности анализа при использовании на другом при-
боре даже такой же модели и того же изготовителя. Это объясняет-
ся тем, что количественные определения компонентов анализируе-
мого материала с помощью спектроскопии ближней инфракрасной
области основываются, как правило, на очень малом варьировании
спектральных данных. Например, максимальный размах варьирова-
ния в спектрах диффузного отражения 95 образцов зерна пшеницы,
показанных на рис. 4.7.1, не превышает 0,13 единицы оптической
плотности. Если учесть, что столь малое варьирование вызывается
различиями всех физических и химических факторов, влияющих на
спектры, то на долю каждого из них приходятся крайне малые вели-
чины, для достоверного определения которых необходима очень
высокая точность измерений. Как подтверждает огромный опыт при-
менения метода, на отдельно взятом анализаторе можно получить
градуировочное уравнение, обеспечивающее достаточно высокую
точность результатов анализа, что определяется высокой воспроиз-
водимостью результатов измерений спектральных данных. Однако
обеспечение достаточно высокой воспроизводимости результатов
измерений спектральных характеристик анализируемых материалов
на разных приборах встречает определенные трудности.
Состояние метрологического обеспечения спектроскопии ближ-
ней инфракрасной области, технология изготовления элементов оп-
тики и электроники не позволяют изготовить два достаточно близ-
ких по параметрам прибора. Однако это не значит, что проблема
переноса градуировочных уравнений не решается. Для переноса гра-
дуировочных уравнений с одного прибора на другой могут исполь-
зоваться различные методы. Наиболее простым из них является
корректировка градуировочного уравнения. Параметры уравнения,
219
полученные на одном приборе, вводят в вычислительное устройст-
во, используемое в другом приборе, и проводят анализ серии образ-
цов с известным содержанием определяемого компонента. Полу-
ченные результаты сравнивают с данными химического анализа и
рассчитывают среднюю разность, среднеквадратическое отклонение
полученных результатов от действительных значений, а также зна-
чения нулевого члена и углового коэффициента линейной регрес-
сии, связывающей сравниваемые данные. Далее поступают также,
как и при корректировке градуировочных уравнений, как это описа-
но в разделе 5 и рекомендовано, например, Международным общес-
твом по химии зерна (раздел 13.2). Образцов должно быть не менее
20, и по содержанию определяемого компонента они должны равно-
мерно охватывать весь его возможный диапазон в анализируемом
материале. В ряде случаев, когда имеют дело с фильтровыми прибо-
рами одной и той же модели с фиксированными длинами волн, соот-
ветствующая корректировка позволяет получать вполне удовлетво-
рительные по точности результаты.
При перенесении градуировочных уравнений с одного сканиру-
ющего прибора на другой предварительно должна быть проведена
корректировка значений длин волн. Это возможно при соответ-
ствующей юстировке прибора. Некоторые приборы, например
модели 4500, 5000, 6500 имеют встроенный стандарт длин волн
на основе полистирола, что позволяет корректировать установку
длин волн. Делается это чисто программно, используя регресси-
онный анализ. Поскольку дисперсия дифракционной решетки мо-
жет быть нелинейной, в качестве модели используют полином
второй степени.
Влияние сдвига значений длин волн на результаты анализов изуча-
лось на определении содержания белка и влаги в зерне на монохро-
маторном инфракрасном анализаторе Infrapid-61 [137]. Найдено, что
погрешность результатов анализа, вызываемая сдвигом аналитичес-
ких длин волн прибора, зависит как от характера градуировочного
уравнения используемых длин волн, так и от измеряемого компо-
нента. Результаты определения содержания белка более чувстви-
тельны к сдвигу длин волн, чем определения влажности. Для граду-
ировочного уравнения, полученного методом множественной ли-
нейной регрессии, изменение показаний прибора, обусловленное
сдвигом длины волны на 5 нм при измерении содержания белка и
на 10 нм при измерении влажности, заметно влияют на результа-
ты анализа. Одновременный сдвиг нескольких длин волн вызыва-
ет аддитивное изменение результатов измерений содержания бел-
ка и влаги. Полученные данные указывают на возможность ком-
пенсации в определенных пределах сдвига аналитических длин
волн прибора путем простой корректировки суммарного систе-
220
матического отклонения результатов, получаемых по контроль-
ным пробам анализируемого материала. Корректировка осущес-
твляется введением поправки, представляющей среднюю разность
результатов сравниваемых методов, в значение нулевого члена
регрессионного уравнения [137].
Простой корректировкой нулевого члена на систематическую раз-
ность результатов при переносе градуировочных уравнений с одного
анализатора Infrapid-61 на другой ограничивались и в других работах
[99, 100], что было достаточно для получения удовлетворительных
результатов. Корректировки нулевого члена обеспечивали очень высо-
кую точность, например, при переносе градуировочных уравнений при
определении содержания белка в зерне пшеницы на фильтровых анали-
заторах с фиксированными длинами волн InfraAlyzer-ЗОО. Поправки по
содержанию белка достигали значений 2,67%. Однако после соответ-
ствующей корректировки ни на одном из 12 приборов, на которые
были перенесены градуировочные уравнения, не получено среднеквад-
ратического отклонения от данных химического анализа более 0,18%
белка [631].
Корректировка только нулевого члена возможна в условиях, ког-
да величина смещения результатов, то есть систематическая пог-
решность, постоянна во всем диапазоне измеряемых концентраций
определяемого компонента. Когда погрешность связана с концен-
трацией линейно, необходима также корректировка наклона, как
отмечено выше. Этот прием возможен только при переносе уравне-
ний с одного прибора на другие приборы того же типа (модели) и
часто дает хорошие результаты. Подобная корректировка очень
проста и при работе на анализаторах с встроенным микропроцессо-
ром не требует применения внешней ЭВМ. Однако она требует
наличия достаточно большой серии образцов анализируемого мате-
риала, аттестованных химическим методом, и не всегда дает пол-
ожительные результаты.
Возможные методы переноса градуировочных уравнений и факто-
ры, влияющие на результаты анализов, рассматриваются в ряде ра-
бот [606, 595, 184, 652, 607].
В последнее время для переноса градуировочных уравнений с од-
ного прибора на другие, даже различных типов, используют прин-
цип виртуального прибора-мастера [184, 596, 663, 607]. Это требует
очень трудоемкой математической обработки данных, что можно
сделать только с помощью ЭВМ. Американской фирмой Infrasoft
International разработано для этих целей соответствующее програм-
мное обеспечение, которое использует АО «Интерагротех», обеспечи-
вая пользователей анализаторов моделей 4250 и 4500 готовыми граду-
ировочными уравнениями для определения многих показателей качес-
тва сельскохозяйственной продукции и продуктов питания.
221
Методики спектрального согласования монохроматорных при-
боров с прибором-мастером, используемым как эталонный, осно-
вываются на применении регрессионного анализа. Как отмечено
выше, для согласования спектров используется полином второй
степени, квадратический член которого учитывает нелинейность
дисперсии. Для корректировки значений оптической плотности
для каждой точки спектра рассчитываются коэффициенты про-
стой линейной регрессии, связывающей значения оптической плот-
ности, полученные на данном приборе и на приборе-мастере. Ну-
левой член уравнения регрессии учитывает различия в отража-
тельной способности встроенных стандартов отражения, относи-
тельно которых измеряется оптическая плотность анализируемо-
го образца, а коэффициент пропорциональности — различия в
работе фотоприемников и электроники. Для корректировки ис-
пользуют ряд образцов анализируемых материалов, охватываю-
щий возможно большее разнообразие спектральных данных. В
результате такого спектрального согласования градуировочное
уравнение, полученное на приборе-мастере, можно использовать
на другом монохроматорном приборе, даже другой модели и типа,
без корректировки. Проще говоря, корректируются получаемые
спектры, а не градуировочные уравнения.
Спектры, полученные на фильтровом приборе, могут быть также
согласованы с монохроматорным прибором-мастером. Процедура в
этом случае более сложная, основанная на использовании двублоч-
ного метода дробных наименьших квадратов [596]. Таким образом,
монохроматорный прибор может служить одновременно прибором-
мастером для нескольких типов приборов, если он полностью
охватывает диапазон используемых этими приборами длин волн.
Метод спектрального согласования апробирован на приборах
различных типов в США и Европе [596, 607, 10, 291]. Нами спек-
тральное согласование по программе NIR проверялось на 10 ин-
фракрасных анализаторах модели 4500 фирмы NIRSystems. Ме-
тодика согласования состояла в том, что на приборе-мастере и
согласуемых приборах снимали спектры 30 образцов различных
сельскохозяйственных объектов. Образцы были помещены в гер-
метично закрытые кюветы, что исключало изменение влажности,
а для предотвращения расслоения содержимого кюветы храни-
лись в контейнере в гнездах из пенопласта. По размерам и форме
эти кюветы точно соответствовали стандартным кюветам, исполь-
зуемым в анализаторе модели 4500. Поскольку спектральные
данные в определенной степени зависят от температуры, спектры
образцов снимали в контролируемых условиях при (23±0,5)°С в
пятикратной повторности так, что после каждого получения спек-
тра образец выдерживался при температуре помещения не менее
222
30 минут. По результатам измерений по соответствующей про-
грамме фирмы Infrasoft International созданы специальные файлы,
содержащие данные, согласующие испытуемые приборы по спек-
трам с прибором-мастером.
Для проверки качества спектрального согласования приборов
проведен анализ контрольного образца соевой муки, которая пред-
ставляет ингредиент комбикормов с высоким содержанием белка,
на содержание сухого вещества, сырого протеина, сырой клетчатки
и сырого жира по соответствующим градуировочным уравнениям,
полученным на приборе-мастере. Образец также был в герметично
закрытой кювете, так что влажность и упаковка материала были
постоянными. Измерения проведены в пятикратной повторности.
Результаты обработки данных с помощью однофакторного диспер-
сионного анализа приведены в таблицах 5.4.1 и 5.4.2.
Таблица 5.4.1.
Результаты дисперсионного анализа данных, полученных
на 10 спектрально согласованных приборах при анализе
соевой муки
Источник дисперсии Сумма квадратов Степени свободы Средний квадрат Значение /•-крите- рия Довери- тельная вероят- ность
Содержание сухого вещества, %
Приборы 0,31665 9 0,03518 Более
Повторения 0,01240 40 0,00031 113,5 0,999
Общее 0,39048 49
Содержание сырого протеина, %
Приборы 1,8408 9 0,2045 Более
Повторения 0,0151 40 0,000377 542,5 0,999
Общее 1,8559 49
Содержание сырой клетчатки, %
Приборы 0,7016 9 0,07795 Более
Повторения 0,0272 40 0,00068 114,6 0,999
Общее 0,7288 49
Содержание сырого жира, %
Приборы 0,2272 9 0,0252 Более
Повторения 0,00256 40 0,000006 4200 0,999
Общее । 0,2298 49
223
Таблица 5.4.2.
Результаты проверки качества анализа образца соевой
муки на спектрально согласованных инфракрасных
анализаторах модели 4500
№ при- бора Чис- ло из- мере- ний Сухое в-во, % Белок, % Клетчатка, % Жир, %
Сред- нее СКО Сред- нее СКО Сред- нее СКО Сред- нее СКО
1 5 90,14 0,007 52,53 0,006 4,86 0,012 1,88 0,004
2 5 90,28 0,007 52,21 0,010 4,97 0,004 2,04 0,005
3 5 90,04 0,005 52,83 0,007 4,69 0,021 1,80 0,002
4 5 90,13 0,004 52,61 0,005 4,79 0,007 1,87 0,002
5 5 90,01 0,012 52,76 0,009 4,77 0,012 1,80 0,002
6 5 90,12 0,003 52,52 0,009 4,92 0,013 1,83 0,002
7 5 90,21 0,004 52,32 0,010 4,90 0,010 1,93 0,002
8 5 90,22 0,011 52,40 0,007 5,04 0,011 1,87 0,005
9 5 90,22 0,012 52,40 0,007 5,04 0,011 1,87 0,005
10 5 90,18 0,005 52,31 0,014 5,03 0,009 1,92 0,004
Об-
щее 50 90,18 0,002 52,49 0,003 4,90 0,004 1,88 0,001
Аттестован, значение Повторения Приборы 90,16 0,018 0,19 52,49 0,019 0,45 4,90 0,026 0,28 1,88 0,008 0,16
Из приведенных данных видно, что значения общих средних точно
соответствуют аттестованному значению содержания изучаемых ком-
понентов. При этом сходимость результатов измерений на каждом
из испытуемых приборов по всем видам определяемых компонентов
достаточно высока и не превышает 0,021% (абс.). Более значитель-
ны различия данных, получаемых на разных приборах. Среднеквад-
ратические отклонения от общего среднего, обусловленные разли-
чиями данных, получаемых на разных приборах, то есть системати-
ческие отклонения, составляют для содержания сухого вещества
0,19%, для белка 0,45, для клетчатки 0,28 и для жира 0,16%. Это
намного, и очень достоверно статистически, превышает отклонения
от общего среднего, наблюдаемые при повторных измерениях, то
есть случайные погрешности, которые не превосходят 0,026%. Од-
нако с точки зрения аналитической практики получаемая точность
224
вполне приемлема, так как погрешности укладываются в пределы
отклонений, допускаемых при проведении соответствующих анали-
зов стандартными химическими методами. Например, при контроле
качества анализа кормов в лабораториях агрохимической службы
при определении содержания белка в диапазоне значений, соответ-
ствующих рассматриваемому образцу соевой муки, допускается от-
клонение от аттестованного значения на 2,5% при доверительной
вероятности 0,95. Соответственно для сырой клетчатки оно состав-
ляет 1,74% и 0,51 — для сырого жира. Это значительно превосхо-
дит удвоенные значения погрешностей (доверительные пределы при
вероятности 0,95), связанных с различиями приборов в рассматри-
ваемом опыте. Что касается случайной составляющей погрешнос-
ти, то в данном случае она пренебрежимо мала. Как показывают
результаты иерархического дисперсионного анализа, доля диспер-
сии, обусловленной случайными факторами при повторных измере-
ниях, от общей дисперсии не превышает 4,3% при определении
рассматриваемых компонентов, тогда как систематические откло-
нения, обусловленные различиями приборов, составляют не менее
95,7%.
Таким образом, изучаемая методика спектрального согласования
инфракрасных анализаторов не устраняет полностью систематичес-
ких различий между результатами анализов, получаемых на разных
приборах. Однако эти систематические различия достаточно малы,
что позволяет получать вполне приемлемые результаты анализов
при перенесении градуировочных уравнений с одного прибора на
другой.
225
6. МЕТРОЛОГИЧЕСКАЯ ОЦЕНКА
РЕЗУЛЬТАТОВ ИЗМЕРЕНИЙ
Процедура измерения состоит в сравнении неизвестного размера
величины с известным и представлении первого через второй в
кратном или дольном выражении. Математически это можно выра-
зить следующим образом:
~ = (6.1)
Qc
где Qc — известный размер, в качестве которого выступает единица
СИ;
Q — измеряемый размер;
X — результат измерения.
Международная система единиц определена государственным стан-
дартом [49]. Термины и определения, используемые в химическом и
агрохимическом анализе, рассмотрены в литературе [145, 150].
Главной особенностью процесса измерения является то, что при
многократном измерении одной и той же физической величины пос-
тоянного размера результат получается все время разным.
Теоретически отношение двух размеров должно быть вполне опре-
деленным неслучайным числом. Однако при практическом сравнении
двух размеров проявляется влияние множества случайных и неслу-
чайных факторов, точный учет которых невозможен. Поэтому ре-
зультаты сравнения обязательно отличаются друг от друга. Это по-
ложение, установленное практикой, формулируется в виде аксиомы,
которую можно назвать основным постулатом метрологии: отсчет
является случайным числом. Из этого следует, что, хотя значение
измеряемой величины существует, определить его можно только с
тем или иным приближением.
Признав, что результат измерения является случайным, метроло-
гия с полным правом использует аппарат математической статистики.
Центральным моментом математической статистики является поня-
тие случайной величины. Случайной величиной называют перемен-
ную величину, точное значение которой в каждом отдельном случае
неизвестно, но может быть известна область ее изменения, то есть
область, включающая все возможные ее значения, а также вероят-
ность, с которой конкретные значения попадают в тот или иной
промежуток этой области. Понятие случайной величины неразрывно
связано с понятием распределения. Для полной характеристики слу-
чайной величины наряду с ее возможными значениями необходимо
знать, как часто она принимает эти значения. Другими словами, не-
226
обходимо знать вероятность значений, лежащих внутри того или ино-
го интервала.
Наиболее общий способ задания вероятности тех или иных значений
случайной величины состоит в использовании функций распределения,
где аргументом является значение случайной величины, а функцией —
вероятность значений случайной величины или производная от нее.
В аналитической химии в большей части случаев результаты изме-
рений подчиняются закону нормального распределения, которое на-
зывают еще распределением Гаусса. Если результаты измерений под-
чиняются нормальному распределению, то весь массив эксперимен-
тальных данных при многократном измерении одной и той же величи-
ны постоянного размера группируется около некоторого среднего
значения и выпадение какого-либо отдельного результата из этого
массива позволяет предположить, что он ошибочный. Можно опреде-
лить вероятность, с которой значение случайного числа, подчиняю-
щегося нормальному закону распределения, должно находиться в за-
данных пределах.
Нормальное распределение характеризуется двумя параметрами: сред-
ним арифметическим значением и дисперсией. Среднее арифметическое
значение измеряемой величины определяют следующим образом:
п
ЕЛ
J = (6.2)
п
где X.— отдельный результат измерения;
п — число измерений.
Дисперсии результатов измерений оценивают следующим образом:
(6.3)
п - 1
где X — среднее арифметическое;
X.— отдельный результат измерения;
п — число измерений.
Квадратный корень изЗ2 называют среднеквадратическим отклоне-
нием и обозначают буквой S:
5 = VF =
£(а-,-л2
и-1
(6.4)
Среднее арифметическое и дисперсия характеризуют определенную
совокупность данных. Эта совокупность данных представляет собой
227
выборку из возможного множества данных, представляющих уже так
называемую генеральную совокупность, для которой возможно свое
среднее арифметическое, называемое генеральным средним, которое
обозначают обычно буквой ц. Выборочное среднее всегда конкретно,
но оно никогда не может быть точно"равно генеральному среднему и
является только его приближением. Точность этого приближения
зависит от представительности выборки, правильности и точности
измерений. То же самое касается дисперсии. Выборочная оценка дис-
персии S2 является только приближенной оценкой дисперсии гене-
ральной совокупности, обозначаемой как о2.
При условии подчинения результатов измерений закону нормально-
го распределения среднее арифметическое представляет центр рассея-
ния результатов измерений, вблизи которого наблюдается максималь-
ное число результатов, а среднее квадратическое отклонение харак-
теризует ширину рассеяния (рис. 6.1).
Согласно закону нормального распределения, при достаточно боль-
шом числе измерений, когда значениеS приближается ко, в интерва-
ле ±5 от среднего при доверительной вероятности 0,95 находится
68% результатов измерений. В интервале ±2S находится 95% ре-
зультатов и в интервале ±35 — 97,5% результатов. В биологии,
сельском хозяйстве, аналитической химии принято ограничиваться
уровнем доверительной вероятности 0,95. Поэтому результаты, вы-
ходящие за пределы ±35, считаются не принадлежащими изучаемой
выборке, так как вероятность их появления крайне мала и их рассмат-
ривают как грубые «промахи» по известному правилу «трех сигм».
Рис. 6.1. Кривая нормального распределения.
228
Значение среднего арифметического характеризуется своим средним
квадратическим отклонением, которое зависит от числа измерений:
(6.5)
(6.6)
= Д
\1п
и лежит в доверительном интервале:
X = ±tSx, или X — tSx < X < X + tSx.
где t — значение критерия Стьюдента, зависящее от уровня довери-
тельной вероятности и числа степеней свободы. При рассмотрении
доверительных границ значений среднего арифметического число сте-
пеней свободы равно п — 1, где п — число измерений. Значение
критерия Стьюдента является параметром распределения плотности
вероятности при малых выборках, когда п меньше 20. При больших
выборках распределение Стьюдента практически не отличается от
нормального распределения.
Из уравнения (6.5) следует, что при увеличении числа измерений
точность определения среднего арифметического возрастает.
Кроме вопроса о доверительном интервале значений результата из-
мерений аналитика интересует также вопрос о возможном отклоне-
нии отдельного результата измерения от среднего арифметического.
При достаточно большом числе измерений отдельный его результат
при доверительной вероятности 0,95 может отличаться от среднего
на 25. В 68% случаев отклонения не будут превосходить S, как это
следует из нормального закона распределения случайной величины.
В ряде случаев погрешность измерений характеризуют размахом
варьирования, который определяется как разность максимального и
минимального значений результатов:
R = X . — X ,
mtn max’
где R — размах варьирования;
Хп/п — минимальное значение результата;
X — максимальное значение результата.
Размах варьирования связан со среднеквадратическим отклонением.
При достаточно большом числе измерений R = 6S, что соответствует
99,7% случаев. Когда S известно и определено по большому числу
измерений, расхождения между двумя результатами измерений в 95%
случаев не выходят из пределов 2,775. Это положение обычно ис-
пользуется при определении допустимых пределов расхождений ре-
зультатов двух параллельных анализов, приводимых в стандартах.
Среднеквадратическое отклонение от среднего и среднеквадратичес-
кое отклонение среднего арифметического являются характеристика-
ми случайной погрешности измерений, которая характеризует вое-
(6.7)
229
производимость метода или средства измерений. Более строго, вос-
производимость измерений — это качество, отражающее близость
друг другу результатов измерений, выполняемых в различных усло-
виях, например в различное время, в различных местах, разными
методами и средствами.
Это понятие необходимо отличать от сходимости, под которой по-
нимают качество измерений, отражающее близость друг к другу ре-
зультатов измерений, выполненных в одинаковых условиях.
Воспроизводимость и сходимость оценивают, как уже отмечено
выше, величиной среднеквадратического отклонения, полученного
в соответствующих условиях эксперимента по уравнению (6.4). В
ряде случаев анализы выполняют в двукратной повторности и при-
нимают за результат среднее арифметическое двух параллельных
определений, выполненных в идентичных условиях, оценивая ка-
чество результатов по сходимости. При определении сходимости
результатов среднеквадратическое отклонение рассчитывают сле-
дующим образом:
_ , (6.8)
•\х. ~ ~
V 2п
где и Х2 — параллельные определения;
п — число пар измерений.
При измерении какой-либо физической величины на разных прибо-
рах, разными методами или в различных условиях может обнару-
житься систематическое расхождение данных, вызванное наличием
систематической погрешности. Например, при многократных измере-
ниях на двух разных приборах или различными методами можно
получить систематическую разницу средних значений. Сравнение сред-
них арифметических двух выборок является довольно сложным, так
как на систематическую погрешность накладывается случайная пог-
решность, которую необходимо вычленить.
Систематическая погрешность характеризует правильность измере-
ний. Под правильностью измерений понимают их качество, характе-
ризующее близость к нулю систематических погрешностей. Что каса-
ется погрешности измерения, то в метрологии понимают под ней
отклонение результата измерения от истинного значения измеряемой
величины.
Точность измерений — это качество измерений, отражающее бли-
зость их результатов к истинному значению измеряемой величины.
Высокая точность измерений соответствует малым погрешностям всех
видов, как систематических, так и случайных. Истинное значение
физической величины — это значенио физической величины, кото-
230
рое идеальным образом отражало бы в качественном и количествен-
ном отношениях соответствующие свойства объекта. Поскольку ис-
тинное значение непостижимо, его приближением служит действи-
тельное значение физической величины — значение, найденное эк-
спериментальным путем и настолько приближающееся к истинному
значению, что для данной цели может быть использовано вместо
него.
Общие вопросы метрологии более подробно рассматриваются в ли-
тературе [6, 13, 185], соответствующими стандартами определены тер-
минология [32], параметры нормального распределения [29], правила
проверки согласия опытного распределения с теоретическим [28].
Лучшим способом выявления систематической погрешности явля-
ется анализ стандартного образца. Аттестованные значения стандарт-
ных образцов обычно получают соответствующей статистической об-
работкой результатов, полученных многими лабораториями, различ-
ными методами, а также с использованием различных приборов и т.п.
Поэтому аттестованное значение можно считать достаточно объек-
тивной оценкой истинного значения.
При отсутствии стандартных образцов за действительное значение
измеряемой величины принимают результат, полученный стандарт-
ным методом, то есть методом, официально утвержденным для опре-
деления данной физической величины. В этом случае систематичес-
кую погрешность выявляют методом текущей разности. Он состоит в
том, что ряд проб анализируют изучаемым и стандартным методами.
За основу принимают разность результатов анализа каждой пробы и
рассчитывают среднее арифметическое значение полученных разностей:
J = - г,). (6.9)
где d — средняя разность;
п — число сравниваемых пар результатов;
X. и К.— результаты анализа i-й пробы изучаемым и стандартным
методами соответственно.
При суммировании разностей учитывают их знаки, так что получа-
емая величина представляет собой алгебраическую сумму. При отсут-
ствии систематической погрешности сумма разностей стремится к
нулю.
После этого находят среднеквадратическое отклонение разности от
ее среднего значения в выборке:
е _ (6.10)
п-1
231
Полученное значение Sd используют для проверки значимости от-
личия средней разности от нуля по /-критерию Стьюдента:
П
(6.11)
зл
где |d\ — абсолютное значение средней разности.
Если полученное значение t превышает табличное значение для
доверительной вероятности Р=0,95 при числе степеней свободы, рав-
ном в данном случае п — 1, где п — число образцов, результаты
анализов которых сравниваются, то систематическая погрешность
существенна и она оценивается величиной d. Если полученное значе-
ние /-критерия меньше табличного, систематическая погрешность су-
щественно от нуля не отличается и ее наличие недостоверно. Значе-
ния /-критерия для различных уровней доверительной вероятности и
степеней свободы приведены в таблице приложения 13.4.
При метрологической характеристике метода обычно указывают
его суммарную погрешность, случайную и систематическую состав-
ляющие.
Как отмечено выше, лучшим способом определения суммарной пог-
решности и ее составляющих является анализ стандартных образцов.
Анализируют т стандартных образцов с повторностью п. Для каждо-
го образца рассчитывают среднее арифметическое значение и среднее
квадратическое отклонение. Затем для каждого образца рассчитыва-
ют разность полученного среднего и аттестованного значений, нахо-
дят среднюю разность и дисперсию разности. Оценивая среднюю раз-
ность по /-критерию, определяют ее существенность. Затем определя-
ют суммарную погрешность метода;
т п
S,
т( п -1)
(6.12)
где а — аттестованное значение /-го стандартного образца;
2С. — z-й результат анализа /’-го образца;
т — число проанализированных стандартных образцов;
п — число повторных анализов.
Несколько сложнее вычисление систематической и случайной со-
ставляющих погрешностей при сравнении результатов анализов,
выполненных изучаемым и стандартным методами. В этом случае
анализируют т проб с повторностью п сравниваемыми методами.
Находят среднее арифметическое и среднеквадратическос отклоне-
232
ние для каждого образца по результатам одного и другого методов
по уравнениям (6.2) и (6.4). Затем рассчитывают общее среднек-
вадратическое отклонение по каждому методу для всех образцов,
оценивая воспроизводимость результатов в целом для стандартно-
го метода:
11 т 1 п __
(6.13)
где X — результат i-ro измерения ;-й пробы;
X} — среднее арифметическое /-Й пробы;
т — число проб;
п — число повторных измерений,
и изучаемого метода:
J1 т 1 п _
Ш j=] {П — LJ i=i
(6.14)
Различие воспроизводимостей методов оценивают по F-критерию
Фишера
р — (6.15)
<?2
г>2
где 3] и 32— воспроизводимости двух сравниваемых методов, причем
в числитель всегда помещают большее значение.
Полученное значение F-критерия сравнивают с табличным зна-
чением при т(п — 1) степенях свободы для той и другой диспер-
сии при доверительной вероятности Р=0,95. Если полученное зна-
чение меньше табличного, методы по воспроизводимости достовер-
но не различаются.
Систематическую погрешность исследуемого метода определяют по
средней разности, как описано выше, используя уравнение (6.9), но
при этом рассчитывают разности между средними арифметическими
значениями результатов, полученных для анализируемых проб срав-
ниваемыми методами, и принимают число степеней свободы рав-
ным т—1, где т— число проанализированных проб.
Затем проводят оценку систематической погрешности, учитывая ее
среднеквадратическое отклонение, рассчитываемое по уравнению (6.10),
по /-критерию, значение которого находят по уравнению (6.11), при
доверительной вероятности Р=0,95 и числе степеней свободы, равном
т — 1.
233
Данный алгоритм применим в условиях, когда результаты имеют
нормальное распределение, число измерений одинаково как по об-
разцам, так и по методам, а дисперсии результатов по образцам и
по методам существенно не различаются. В противном случае рас-
четы усложняются. Этот вопрос более подробно изложен в лите-
ратуре [3, 185].
Важным моментом при проведении анализов в подобных случаях
является соблюдение принципа рандомизации. Статистика — это на-
ука о случайных событиях. Поэтому какая-либо упорядоченность в
последовательности проведения измерений не допускается. Напри-
мер, проводя анализ т проб в п-кратной повторности, нельзя выпол-
нять измерения в повторяющейся упорядоченной последовательнос-
ти: первая повторность первой пробы, затем вторая повторность той
же пробы, затем первая повторность второй пробы и т.д. Необходи-
мо, чтобы не было никакой упорядоченности, если она не предусмот-
рена планом эксперимента и должна быть затем учтена. Последова-
тельность измерений должна быть случайной. Для этого можно вос-
пользоваться таблицами случайных чисел, генератором случайных
чисел, используя персональный компьютер или программируемый каль-
кулятор, просто отбором по жребию, написав на бумажках номера
проб и повторностей и определив последовательность измерений по
порядку, в котором они выпадут.
Результат анализа должен быть выражен таким образом, чтобы
сомнительным был только один последний знак. Например, если пог-
решность измерения составляет 0,03, то результат измерения должен
быть ограничен сотыми долями. В большей части случаев результаты
анализов можно выражать с точностью до трех значащих цифр, имея
в виду, что относительная погрешность не лучше 1% При этом,
согласно СТ СЭВ 543-77, значащие цифры данного числа — это все
цифры от первой слева, не равной нулю, до последней, записанной
справа. При этом нули, следующие из множителя 10", не учитывают-
ся. Например, все числа: 56432; 0,0056432; 5,6432 — содержат 5
значащих цифр и имеют одинаковую точность выражения, равную
1/56432. Нули, которыми оканчивается число, являются значащи-
ми: 0,0050000; 50000; 5,0000; 5,0000* 107 — все эти числа содержат
5 значащих цифр и имеют одинаковую точность выражения 1/50000.
Исходя из сказанного, результат анализа должен выражаться так,
чтобы сомнительным был только один последний знак того разряда,
которому соответствует значение погрешности.
В общем, место десятичного знака в результате измерения опреде-
ляется выбранной единицей измерения. Например, 1 г — это 1000 мг
и, что то же самое, 0,000001 т. Дольные и кратные единицы предус-
мотрены СИ именно для того, чтобы результаты измерений были
легко читаемы. Как отмечено выше, единицы измерений рекомендуе!-
234
ся выбирать так, чтобы результат выражался числом не менее 0,1 и
не более 1000, не содержал большого числа незначащих нулей.
Более подробно вопросы статистической обработки результатов
измерений рассмотрены в литературе [3, 13, 57, 64, 153, 175, 179].
В литературе по ближней инфракрасной спектроскопии оценку точ-
ности градуировочных уравнений и точности получаемых по нему
результатов анализа испытуемых проб проводят, используя парную
корреляцию и линейную регрессию. Для оценки точности градуиро-
вочного уравнения используют коэффициент парной корреляции по-
лученных по нему результатов анализа образцов, взятых для прове-
дения градуировки, с данными аттестационного анализа, выполненно-
го соответствующим общепринятым методом, результаты которого
рассматриваются как истинные и берутся в качестве основы. Бли-
зость значения коэффициента корреляции единице характеризует точ-
ность получаемых результатов. Квадрат коэффициента корреляции
показывает долю вариации, описываемой соответствующим уравнени-
ем регрессии, связывающим результаты аттестационного анализа и
результаты, полученные по градуировочному уравнению.
Используют также среднеквадратическое отклонение данных при
градуировке от оцениваемого регрессионного уравнения. В литерату-
ре по инфракрасному анализу [705] эту величину обозначают как
SEC, что расшифровывается как стандартная ошибка калибровки (stan-
dard error of calibration), или как среднеквадратическое отклонение
от регрессии, согласно принятой у нас терминологии. Расчет среднек-
вадратического отклонения от регрессии и коэффициента корреляции
проводят по соответствующим уравнениям (5.1.13) и (5.1.14), как
это рассмотрено в разделе 5.1.
Погрешность, обнаруживаемая при проверке градуировочного урав-
нения на независимой серии образцов сравнением с данными хими-
ческого анализа, принято обозначать как SEP (standard error of per-
formance — стандартная ошибка определения). При этом принимает-
ся, что данные химического анализа не содержат погрешностей. Сле-
дуя принятой у нас терминологии, эта величина представляет сред-
неквадратическое отклонение от результатов химического анализа и
характеризует суммарную погрешность метода [32]. Ее рассчитывают
по уравнению
„ = ztvjQi, (6.16)
у п_х
где У. — результат анализа г-го образца инфракрасным методом;
X — результат анализа г-го образца химическим методом;
п — число проанализированных образцов.
235
Получаемое по уравнению (6.16) средне квадратическое отклонение
от данных химического анализа характеризует суммарную погреш-
ность спектроскопии ближней инфракрасной области и включает как
случайную, так и систематическую погрешность этого метода, если
считать, что данные, с которыми сравниваются его результаты, не
содержат погрешностей. При таком допущении систематическая пог-
решность спектроскопии ближней инфракрасной области (bias —
смещение) может быть оценена по средней разности результатов,
которую можно рассчитать по уравнению (6.9) и оценить ее досто-
верность по уравнению (6.11), используя /-критерий Стьюдента, пред-
варительно рассчитав среднеквадратическое отклонение разности от
ее среднего значения по уравнению (6.10).
Случайную составляющую погрешности спектроскопии ближней
инфракрасной области принято находить по среднеквадратическому
отклонению от данных химического анализа и средней разности ре-
зультатов сравниваемых методов. Получаемую величину принято обоз-
начать как SEP(C) (bias corrected standard error of performance —
стандартная ошибка определения, исправленная на смещение). Со-
гласно [604], ее значение рассчитывают по уравнению
SEP(C) = JX^2 ~»(^)2 = ~ ~ ~ / n (6.17)
ll n -1 V n -1
Мультипликативность систематической погрешности, то есть ее ли-
нейную связь с концентрацией, оценивают значением углового коэф-
фициента уравнения регрессии, наклона (slope), то есть коэффициен-
та пропорциональности в уравнении линейной регрессии, рассчитыва-
емого по уравнению (5.1.7), приведенному в разделе 5.1. Она статис-
тически существенна, когда угловой коэффициент уравнения простой
линейной регрессии достоверно отличается от единицы при заданном
уровне вероятности. Достоверность отличия значения углового коэф-
фициента от единицы рассчитывают, предварительно определив его
среднеквадратическую погрешность по уравнению (5.1.7), по /-крите-
рию Стьюдента, пользуясь уравнением (5.1.17).
В свою очередь систематическая погрешность, или смещение, имеет
постоянное значение, независимое от концентрации, только при ус-
ловии, что угловой коэффициент не отличается от единицы. Этот
момент хорошо иллюстрирует методика оценки результатов измере-
ний, описанная в рекомендации по определению содержания белка и
влаги в зерне пшеницы Международного общества по химии зерна
[392], перевод которой дан в приложении 13.2.
Оцениваемое таким способом среднеквадратическое отклонение ре-
зультатов, получаемых с помощью спектроскопии ближней инфра-
красной области, представляет суммарную погрешность обоих срав-
236
ниваемых методов, включая все их погрешности, как случайные, так
и систематические.
Определить составляющие погрешности результатов при сравнении
двух методов можно, если проводить измерения в нескольких повто-
рениях и обработать результаты, как описано выше, при сравнении
результатов измерений, получаемых разными методами. Более объек-
тивную оценку погрешности метода можно получить при анализе
стандартных образцов исследуемого материала [153]. Аттестационные
анализы стандартных образцов проводят обычно несколькими при-
нципиально различными методами, в разных лабораториях. Это поз-
воляет считать получаемые в результате статистической обработки
данных значения измеряемых величин достаточно объективными, мак-
симально приближенными к истинным при существующем уровне точ-
ности применяемых средств и методов измерений, а также их метро-
логического обеспечения.
Стандартные образцы (СО) могут быть государственными (ГСО),
отраслевыми (ОСО) и стандартными образцами предприятий (СОП).
Порядок их разработки и утверждения, требования, которым они
должны соответствовать, а также их применение для контроля качес-
тва аналитических работ и градуировки средств измерений определе-
ны нормативно-технической документацией [47, 48, 146, 50, 44] и
рассмотрены в литературе [182, 181, 135, 159, 177]. Методика разра-
ботки стандартных образцов сельскохозяйственных объектов и сис-
тема внутрилабораторного и внешнего контроля качества результа-
тов анализов, выполняемых в лабораториях агрохимической службы,
имеются в ряде методических указаний, разработанных ЦИНАО [23,
152, 153, 64]. Имеются и стандартна., ванные методики изготовления
стандартных образцов, например образцов состава горных пород и
минерального сырья [44].
Следует отметить, что для спектроскопии ближней инфракрасной
области необходимы специально приготовленные образцы. Процесс
их изготовления не должен содержать операций, которые не прово-
дятся при подготовке проб к инфракрасному анализу. Например, бо-
лее тонкое измельчение материала, сушка при другой температуре и
др. В противном случае стандартный образец может по спектральным
свойствам отличаться от материала, который он должен представ-
лять, и результаты аттестации не будут соответствовать данным, по-
лучаемым при его анализе инфракрасным методом.
237
7. ИСПОЛЬЗОВАНИЕ
СПЕКТРОСКОПИИ БЛИЖНЕЙ
ИНФРАКРАСНОЙ ОБЛАСТИ В
КОЛИЧЕСТВЕННОМ АНАЛИЗЕ
7.1. ОПРЕДЕЛЕНИЕ ВЛАЖНОСТИ РАЗЛИЧНЫХ
МАТЕРИАЛОВ
Одним из первых приложений спектроскопии ближней инфракрас-
ной области является определение влажности различных материалов.
В ближней ИК-области вода имеет пять полос поглощения: при 1940;
1450; 1190; 970 и 760 нм, которые представляют собой, соответ-
ственно составную полосу, первый обертон, составную полосу, вто-
рой и третий обертоны [287, 514, 545]. Положения этих полос замет-
но меняются в зависимости от состояния воды.
Заметное влияние на положение полос поглощения воды и интен-
сивность ее поглощения, что необходимо учитывать при проведении
анализа методом ближней инфракрасной спектроскопии, оказывает
температура. По данным, имеющимся в литературе [423], при повы-
шении температуры наблюдаются заметное смещение положения мак-
симумов полос поглощения воды в коротковолновую область и уве-
личение их амплитуды, как это можно видеть из рис. 7.1.1. Наблюда-
емые изменения в спектрах связаны с ослаблением межмолекуляр-
ных водородных связей при повышении температуры. В то же время
при анализе зерна пшеницы на содержание белка и влаги повышение
температуры образцов при размоле, существенно влияя на результа-
ты определения белка, практически не влияло на определение влаж-
ности, если не считать потерь влаги в процессе размола [695].
При анализе измельченных материалов методом диффузного отра-
жения обычно используется полоса поглощения воды около 1940 нм,
которая наиболее интенсивна и наиболее чувствительна к изменению
влажности анализируемого объекта.
В инфракрасных анализаторах, измеряющих пропускание, напри-
мер Trebor, Infratec, используется коротковолновая часть ближней
инфракрасной области. Здесь общее поглощение инфракрасного из-
лучения материалов биологического происхождения не столь велико,
и для анализа можно использовать пробы с достаточно большой тол-
щиной просвечиваемого слоя, что дает возможность проводить ана-
лиз, не прибегая к тонкому измельчению. В этих условиях использу-
ется второй обертон воды около 970 нм [148].
В первых приложениях спектроскопии для определения воды в ма-
териалах биологического происхождения, например в зернах кофе,
238
Log: (1/т)
0,6 -------->—------,___.__,___.___।___,___, ,
1800 2000 2200 2400
Длина волны, нм
Рис. 7.1.1. Влияние температуры
на спектр поглощения воды [423] в диапазоне
1300—1800 нм (А) и 1800-2500 нм (В):
10°С — (1); 22°С — (2); 28°С — (3); 36°С — (4);
44°С — (5): 57’С — (6): 74°С. — (7) и 86’С (8)
239
использовалась отгонка воды в виде азеотропной смеси с диоксаном с
последующим измерением поглощения при 1910 нм относительно чис-
того растворителя [243]. При определении влажности сухих овощей
воду экстрагируют Й,М-диметилметанамидом и определяют ее концен-
трацию в экстракте по спектру поглощения в ближней ИК-области
[564]. Данный метод официально признан в США Ассоциацией офи-
циальных аналитических химиков [378].
Прямое определение влажности материала в порошковидном состо-
янии с использованием ближней ИК-спектроскопии первоначально
проводилось в суспензии размолотого материала в четыреххлористом
углероде (2000 мг размолотых бобов сои в 2 мл четыреххлористого
углерода). Измеряли оптическую плотность в проходящем пучке при
1,94 и 2,08 мкм. Зависимость была нелинейной, но хорошо аппрокси-
мировалась уравнением
у = —48 + 8,60х — 0,18х2 ,
где у — содержание воды,
% ^(1,94 мкм) ^(2.08 мкм)"
Четыреххлористый углерод использовался по следующим причи-
нам. По показателю преломления он близок биологическим материа-
лам, что позволяет снизить рассеяние излучения. Кроме того, четы-
реххлористый углерод практически прозрачен в ближней инфракрас-
ной области и не имеет здесь заметных полос поглощения. По срав-
нению с получением чистых, отфильтрованных экстрактов использо-
вание рассматриваемой методики несколько упрощало определение
влажности, однако радикального решения вопроса не давало. Взятие
навесок, дозирование четыреххлористого углерода, работа с этим ток-
сичным растворителем делали методику достаточно сложной и мало
привлекательной. В дальнейшем пришли к тому, что для определения
влажности может быть использовано диффузное отражение размоло-
того материала без добавки жидкости. Это было положено в основу
при разработке первых инфракрасных анализаторов.
При определении влажности по диффузному отражению достаточно
точные результаты дает измерение оптической плотности при двух
длинах волн: 1940 нм, соответствующей составной полосе поглоще-
ния воды, и 2310 нм, используемой в качестве опорной для компенса-
ции поглощения групп С-Н, содержание которых в материале данного
вида практически постоянно [545]. При анализе пшеничной муки из-
мерение оптической плотности только при одной длине волны, рав-
ной 1940 нм (рис. 7.1.2), дает погрешность (среднеквадратическое
отклонение) 0,78% (абс.). Дополнительное измерение при длине во-
лны 1850 нм как опорной не улучшает результатов. Погрешность
составляет в этом случае 0,79%. Введение двух дополнительных длин
волн 1850 и 2000 нм снижает погрешность до 0,47%. Лучший ре-
зультат дает использование в качестве опорной длины волны 2310 нм
(рис.7.1.3). Погрешность при этом снижается до 0,14%, а коэффици-
240
ент корреляции получаемых результатов с данными стандартного ме-
тода достигает 0,99 [545].
В качестве модели при определении влажности по двум длинам
волн может использоваться уравнение линейной регрессии с одной
независимой переменной, которой является разность значений опти-
ческой плотности при двух длинах волн:
Влажность,% = bg + bt(Dl94g - D23tg).
Рис.7.1.2. Связь
. . оптической
13-
♦ „• , плотности {log(l/
• • . R)}c
• * содержанием
• • влаги в 40
образцах
• пшеничной муки
[548].
tiJ--------------,---------------,
0.45 0.55 0.65
Log (l/R) при 1940 нм
Рис. 7.1.3. Связь
разностей
значений
оптической
плотности при
1940 и 2310 нм с
содержанием
влаги в 40
образцах муки
[548].
241
Это значительно улучшает связь рассматриваемых величин, что
можно видеть из рис. 7.1.3 [548].
Может использоваться также уравнение множественной регрессии
с двумя независимыми переменными:
Влажность,%= bn+b.D...n+b,D,..n .
Получаемый результат иллюстрирует рис. 7.1.4, взятый из литера-
туры [545].
По точности получаемых результатов анализа оба уравнения прак-
тически равноценны [545]. Достаточно точные результаты дает также
применение в качестве независимой переменной отношение значений
оптической плотности:
Влажность, % =bg+bl(Digw /bfiMig).
Применяют и другие варианты методики измерений. Например, при
разработке влагомера для определения влажности муки за основу
Рис. 7.1.4. Сравнение результатов определения влажности
40 образцов муки ИК-методом по уравнению множественной
регрессии у = а + Ь^ х1910 + Ьг х2310, где х — оптическая
плотность при указанной длине волны, и стандартным
методом [545].
242
брали поглощение воды при 1950 нм, а за начало отсчета — погло-
щение при 1730 нм, используя два интерференционных фильтра [104].
Для определения влажности использовали также функцию Кубел-
ки—Мунка [446]. Коэффициент отражения относительно встроенно-
го в прибор стандарта преобразовывали в величину (1—Rоо )2/2/?оо. В
диапазоне влажности исследуемых образцов от 2,8 до 16,5% доста-
точно было измерения значений функции Кубелки—Мунка при 1930 и
2100 нм. В градуировочном уравнении использовали логарифмы содер-
жания влаги и функций Кубелки—Мунка при указанных длинах волн:
log(M) = 0,966 +1,620 log {НЯоДэзо}- 1,628 log {F(R J2100 },
где M — влажность зерна пшеницы, %;
FiRoo) — функция Кубелки—Мунка при соответствующей длине
волны.
Следует отметить, что использование функции Кубелки—Мунка
предполагает линейную зависимость от концентрации поглощающего
компонента. Однако в данном случае зависимость не имеет линейного
характера и для линеаризации использовано логарифмирование.
Это можно видеть из того, что рассматриваемое уравнение есть
логарифмическая форма следующего выражения:
М = 1О0’960
1О1,628.(Г(ЛЧ2|Ю)
= 10
г 11,624
Из приведенного уравнения видно, что в данном случае влажность
определяется по довольно сложной ее связи с отношением показа-
тельных функций, в которых значения функции Кубелки—Мунка
при двух длинах волн входят в выражения показателей степеней.
Однако связь содержания влаги ни с функцией Кубелки—Мунка, ни
с самим отношением не является линейной.
Насколько такое применение функции Кубелки—Мунка лучше не-
посредственного использования оптической плотности для градуиров-
ки, остается неясным, так как в рассматриваемой работе данный во-
прос не исследовался.
Следует отметить, что вода достаточно интенсивно поглощает в ближ-
ней инфракрасной области, и полосы поглощения при 1410 и 1930 нм
очень хорошо видны в спектрах многих материалов в воздушно-сухом
состоянии при гигроскопической влажности даже на уровне 1%.
Как видно из рис. 7.1.5, высота максимума около 1930 нм в спектре
диффузного отражения листьев пшеницы закономерно снижается по
мере высушивания от первоначального до воздушно-сухого состоя-
ния. На рис. 7.1.6 показано влияние увлажнения на спектр размоло-
того зерна пшеницы. Зерно с влажностью 10,7% было доведено до
влажности 21,5% выдерживанием в атмосфере, близкой к насыще-
нию водяным паром при комнатной температуре. Разность спектров,
243
показанная на рис. 7.1.6, очень близка по форме спектру поглоще-
ния воды, показанному на рис. 2.2.1. Аналогичную картину дает вы-
сушивание и увлажнение почвы, как это показано на рис. 7.11.2 и
7.11.3, которые обсуждаются в разделе 7.11.
Рис. 7.1.5.
Влияние
высушивания на
спектр листьев
пшеницы:
1 — спектр свежих
листьев с влаж-
ностью 78%;
2 — спектр листь-
ев при влажности
23%;
3 — спектр листь-
ев при влажности
8%.
Рис. 7.1.6.
Влияние
увлажнения на
спектры
размолотого
зерна пшеницы:
1 — зерно в воз-
душно-сухом состо-
янии;
2 — зерно после
выдерживания во
влажной атмосфе-
ре.
Пунктиром показа-
на разность спект-
ров.
244
Присутствие воды четко проявляется в спектрах, и для ее опреде-
ления достаточно измерений при двух или трех длинах волн, одна из
которых должна быть вблизи максимума ее поглощения, а другие
должны учитывать поглощение матрицы. Как отмечено выше, такое
решение дает хорошие по точности результаты. В то же время на
практике для определения влаги часто используют большее число
длин волн, стремясь получить возможно большую точность результа-
тов последующих анализов. В градуировочные уравнения, представ-
ляющие множественные линейные регрессии, могут включать шесть и
более независимых переменных. Во многих случаях это действитель-
но позволяет получать более точные результаты. Однако некоторые
уравнения, которые должны были бы учитывать влияние других ком-
понентов на определение влаги, могут содержать явно лишние пере-
менные, практически не влияющие на результаты анализа.
Примером может служить определение влажности зерна пшеницы с
помощью первых инфракрасных анализаторов с фиксированными дли-
нами волн. Определения проводили по градуировочным уравнениям,
которые получали методом множественной линейной регрессии без
индивидуальной статистической оценки переменных. В качестве неза-
висимых переменных использовали значения оптической плотности
при 6 длинах волн, которые выделяли из спектра источника 6 филь-
трами, имеющимися в анализаторах качества зерна GAC, InfraAlyzer-
2.5, а затем в приборах некоторых последующих моделей, например
lnfraAlyzer-350. В этих приборах обеспечивался следующий хорошо
обоснованный набор длин волн: 1680 нм — опорная, учитывающая
общее поглощение матрицы, 1940 нм — полоса поглощения воды,
2100 нм — поглощение крахмала, 2180 нм — поглощение белка,
2230 нм — опорная, 2310 нм — поглощение жира. Для определения
влажности использовали все 6 фильтров, что давало соответствующее
число независимых переменных в градуировочном уравнении [389,
671, 655, 147, 672, 120]. Какова необходимость использования всех 6
фильтров, остается неясным, так как результаты статистической оценки
существенности значений коэффициентов уравнения множественной
линейной регрессии в указанных работах не приводятся. В то же
время значения коэффициентов, приведенные в литературе, показы-
вают, что некоторые из них практически никакого вклада в результа-
ты анализа не вносят. Например, средние значения констант градуи-
ровочного уравнения для определения влажности зерна пшеницы имели
следующие значения: К1 =-0,0476; К2=0,0091; КЗ=0,0001; К4=0,0095;
К5=0,0316; К6=0,0017; К7=11,29 [672]. К сожалению, расшифровки
этих коэффициентов нет, поэтому нельзя с уверенностью сказать, к
каким длинам волн они относятся. Если принять значения оптичес-
кой плотности, равные единице, а больших значений при анализе
зерна пшеницы не бывает, то суммарный вклад в результат анализа
245
измерений при длинах волн, которые учитывают коэффициенты К2, КЗ,
К4 и Кб, составляет всего 0,0204% влаги. Это настолько малая величи-
на, что можно было бы ограничиться только тремя коэффициентами К1,
К5 и К7 с соответствующими переменными. При этом один из них может
быть нулевым членом регрессии, так что достаточно было бы уравнения
не более чем с двумя переменными, а не с шестью.
В первых приборах фирмы Neotec, например в GQA-31, для опре-
деления влаги использовали разности значений оптической плотнос-
ти трех пар длин волн, что представляет получение первой производ-
ной. Разность Z)1920 — Dlg67 учитывала поглощение воды, £>22„7 —
Z) поглощение жира, Z>2167 — D211g — поглощение белка [655,
672 ]. В данном случае содержание крахмала, в отличие от приборов с
фиксированными длинами волн, не учитывалось. Градуировочное урав-
нение содержало 4 члена, один из которых был нулевым. Однако
результаты анализов имели высокую точность и особой разницы в
качестве результатов, получаемых на этих двух приборах при раз-
личных способах градуировки, не наблюдалось. Определение содер-
жания влаги в зерне пшеницы обычно характеризуется среднеквадра-
тическим отклонением 0,1—0,3%, что можно видеть из результатов
исследований различных авторов [120, 701, 671, 128]. Это относится
к определению влажности зерна мягкой и твердой пшениц, муки из
мягкой пшеницы, зерна ячменя, овса, сои, семян рапса [671]. Отмече-
но при этом, что на точность результатов значительное влияние ока-
зывают различия анализируемых образцов по крупности частиц [671].
Аналогичные данные получены и в более поздних работах по опреде-
лению влажности. Среднеквадратическое отклонение от стандартного
метода, как правило, не превышает, как отмечено выше 1—5% (относи-
тельных). Для определения влажности зерна пшеницы это показано в
ряде работ [8, 20, 105, 112, 127, 543, 544, 657, 688, 690, 701], для зерна
ячменя — в работах [104, 127, 299, 362, 405], для муки — в [239, 648],
для зерна ржи, сорго, маниок, семян подсолнечника, арахиса, рапса,
бобов сои — в [127, 413], зерна кукурузы —в [76].
При анализе вегетативной массы растений, кормов, комбикормов и
ингредиентов погрешность определения влажности по измерению диф-
фузного отражения во многом зависит от уровня определяемой величи-
ны и характера материала. Так, при анализе шротов и жмыхов отклоне-
ние от стандартного метода составляло 0,15%, а при анализе белкового
продукта — 0,35% [53]. Обычно среднеквадратическое отклонение от
стандартного метода при определении влажности кормов несколько выше,
чем при анализе зерна, что связано с большей неоднородностью анали-
зируемого материала, который включает в себя различные растения, а
также различные их части [105, 317, 628, 706].
Кроме влажности зерна, семян различных культур и продуктов их
переработки [4, 444, 675, 241, 81, 216, 446, 494, 210, 308 ], сливоч-
246
ного масла [612], сухого молока [213, 643, 707, 651] и других пище-
вых продуктов [259, 282, 534, 400] метод использован для определе-
ния влаги в почвах [290, 241], торфе [309].
С высокой точностью содержание влаги по диффузному отражению
определяли в картофельном и кукурузном крахмале, декстрине, дек-
строзе, картофельных хлопьях, молочном картофельном пюре. Сред-
неквадратическое отклонение от регрессии составляло для этих про-
дуктов от 0,07 до 0,12% [120]. С отклонением до 0,353% (абс.)
определяли содержание влаги в картофельном белке — продукте,
получаемом при переработке картофеля на крахмал [120]. Влажность
определяли также в зеленом перце [644], молотом перце и овощах
[407], в мясе [407, 439, 586], чае [629], в хлебе и бисквитах [545], в
исходном сырье, полупродуктах и конечной продукции при производ-
стве шоколада [333] и многих других объектах [545, 510, 689, 253].
Следует отметить, что спектроскопия диффузного отражения при
анализе зерна и ряда других объектов требует обычно предваритель-
ного измельчения. Однако в процессе размола происходит нагрев
материала, вызывающий существенное снижение его влажности. Осо-
бенно большие потери влаги наблюдаются при размоле на мельницах
типа «Циклон» вследствие усиленной вентиляции размольной камеры.
Изменение влажности и повышение температуры образца необходимо
учитывать в тех случаях, когда рассматриваемый метод анализа исполь-
зуется для определения первоначальной влажности материала, например
при определении влажности зерна, поступающего на элеватор. В деталь-
ных исследованиях [695] установлено, что размеры потерь воды при
размоле зерна и хранении размолотых образцов зависят прежде всего от
исходной влажности. Хранение в закрытых металлических емкостях
вместимостью 50 г продукта с исходной влажностью 10,4% не вызывает
заметных изменений в содержании влаги в течение 42 дней. В открытых
емкостях через 2—3 дня хранения влажность меняется на 0,3%. При
влажности 14,3% хранение в открытой емкости уже в течение одного
дня приводит к потере 0,1 % влаги, через 6 дней потери достигают 4%.
При хранении зерна с той же влажностью в закрытой емкости сущес-
твенных изменений не наблюдается в течение первых 6 дней. Через 21
день теряется 0,4% влаги, через 42 дня — 0,6%.
Потери влаги при размоле образцов происходят вследствие нагрева
измельчительных устройств и зависят также и от исходной влажнос-
ти зерна. Для различных измельчительных устройств потери неоди-
наковы при равной массе размалываемых образцов зерна. Больше
всего, как говорилось выше, теряется влаги при размоле на мельнице
Cyclon, которая наиболее часто применяется при подготовке зерна к
определению содержания белка как методом инфракрасной спектрос-
копии, так и по Кьельдалю. В среднем снижение влажности при раз-
моле на этом измельчителе составляет 1,89% для образцов зерна
247
различных сортов пшеницы и ячменя массой примерно по 25 г. Поте-
ри влажности зависят от исходной влажности зерна. Зависимость
размеров потерь влаги от исходной влажности имеет практически
линейный характер и может быть выражена уравнением линейной рег-
рессии. Коэффициент корреляции значений исходной влажности и влаж-
ности после размола, получаемый на различных партиях зерна, исследо-
ванных в рассматриваемой работе, во всех случаях был не ниже 0,942.
Показано, что потери влажности при прочих равных условиях за-
висят от времени работы измельчителя. В первые минуты после вклю-
чения, когда рабочая камера еще не нагрелась, потери минимальны,
затем они повышаются, стремясь к пределу. При влажности до 14%
через 15 минут после включения измельчителя изменения влажности
при размоле стабилизируются и далее практически не меняются. При
более высокой влажности стабилизация потерь наступает через 30
минут работы измельчителя. После этого потери влажности измель-
ченного зерна практически не меняются. Отмечено также, что при
более высокой влажности зерна помол получается более грубым [695].
При размоле анализируемого материала одновременно с изменени-
ем влажности изменяется и температура, что необходимо учитывать
при проведении анализа.
Для того чтобы обеспечить необходимую точность определения влаж-
ности исходного зерна, используя спектроскопию диффузного отраже-
ния после измельчения материала, Канадская зерновая комиссия разра-
ботала специальные таблицы, учитывающие потери влаги при размоле
образцов массой 25 г [672]. Разумеется, что подобные таблицы приме-
нимы только при однообразии условий пробоподготовки, когда исполь-
зуется измельчитель одной конструкции, одинаковы масса проб и режим
работы измельчителя, когда проходит один и тот же период времени с
момента окончания размола до загрузки кюветы анализатора и измерения.
Измельчение материала перед инфракрасным анализом не только
требует затрат труда и времени, но и изменяет его влажность. Кроме
того, размол практически невозможен при высокой влажности мате-
риала, что вызывает необходимость предварительной сушки и делает
невозможным определение исходной влажности. В этой связи пред-
ставляет интерес возможность исключения этой процедуры, что значи-
тельно упрощает пробоподготовку. Показано, что спектры диффузного
отражения цельного и размолотого зерна отличаются главным образом
общим уровнем поглощения [639]. Цельное зерно дает примерно вдвое
большие значения оптической плотности, но в значительной степени
сохраняет положения максимумов полос поглощения.
Инфракрасный анализатор качества зерна GQA-41 был использо-
ван для определения содержания влаги в цельном зерне кукурузы и
сорго. Коэффициенты корреляции результатов с данными стандартно-
го метода были очень высокими и составляли 0,959 при анализе
248
сорго и 0,993 для зерна кукурузы при содержании влаги от 13 до
55%. Однако получаемая точность определений была значительно ниже,
чем при обычном анализе размолотого зерна инфракрасным методом.
При анализе зерна кукурузы среднеквадратическое отклонение от стан-
дартного метода составляло 1,2% и при анализе сорго — 3% [622].
Для определения влажности цельного и грубо измельченного зерна
пшеницы и ячменя использовали также инфракрасный анализатор
InfraAlyzer-ЗООВ [622]. При анализе цельного зерна пшеницы и ячме-
ня среднеквадратическое отклонение составляло соответственно 0,50
и 0,36% при влажности в обоих случаях до 20%. При анализе грубо
измельченного зерна пшеницы среднеквадратическое отклонение в
диапазоне влажности 13,4—25,9% составляло 0,46%, при влажнос-
ти 13,4—20,0% было равно 0,33% и в диапазоне 20,0—25,9% —
0,64%. При анализе грубо измельченного зерна ячменя среднеквад-
ратическое отклонение в диапазоне влажности 13,1-26,1% составля-
ло 0,46%, при влажности 13,1—20,0% было равно 0,34% и в диапа-
зоне 20,0—26,1% — 0,36%. Отмечено, что используемая методика
по точности значительно уступает стандартному определению влаги
сушкой в термостате и не может ее заменить. Однако ИК-метод мо-
жет конкурировать с определением влажности зерна с помощью элек-
тронных влагомеров, используемых в Ирландии, практически не ус-
тупая им по точности и простоте выполнения определений.
Относительно низкая точность определения влажности цельного
зерна при использовании инфракрасных анализаторов, предназначен-
ных для измерения диффузного отражения измельченного материала, в
значительной степени определяется малой площадью кюветы, в которую
помещается образец, что не обеспечивает репрезентативности результа-
тов измерений. Для решения проблемы фирма NIRSystems (США) для
монохроматорных приборов моделей 4500, 5000, 6500 и некоторых дру-
гих производит различные транспортные модули для кювет большой
площади, которые во время сканирования спектров движутся относи-
тельно выходной щели монохроматора, обеспечивая облучение значи-
тельной площади образца. Этот вопрос рассматривается в разделе 3.
Согласно данным фирмы, а она предлагает готовые градуировочные урав-
нения для указанных приборов и соответствующих модулей, погреш-
ность определения содержания влаги без размола проб практически не
превышает погрешность методики с измельчением при анализе проб с
влажностью, при которой возможен размол. При анализе проб с высо-
кой влажностью погрешности примерно такие же, как и при анализе,
основанном на измерении оптической плотности в проходящем пучке.
При определении влажности материалов с помощью измерений в
проходящем пучке (transmitance) обычно используют коротковолно-
вую часть ближней инфракрасной области, где проникающая способ-
ность излучения больше. В этой части спектра, как отмечено выше,
249
наблюдаются полосы поглощения, соответствующие составной полосе,
второму и третьему обертонам колебаний связей О—Н воды. Обычно
используют полосу поглощения воды, соответствующую второму обер-
тону, около 970 нм. Анализатор ТгеЬог-90 позволяет определять содер-
жание влаги в зерне пшеницы и пищевых продуктах с погрешностью
0,15 — 0,3% (абс.) при влажности до 20%, в пищевых продуктах при
влажности 58 — 72% — с погрешностью порядка 0,5% [148]. Показа-
на возможность определения влажности таких продуктов, как орехи
(целые орехи фисташки, раскрошенные кокосовые орехи), макаронные
и хлебобулочные изделия, сыр, семена зерновых и масличных культур.
Отмечено, что семена подсолнечника требуют грубого измельчения, так
как их оболочка очень сильно поглощает излучение в коротковолновой
части ближней инфракрасной области [148].
Испытания Trebor GT-90 показали, что определение содержания влаги
в цельном зерне твердой красной озимой пшеницы и зерне ячменя ха-
рактеризуется среднеквадратическим отклонением результатов от дан-
ных стандартного метода, равным 0,20 и 0,24% соответственно. Когда
использовали общую градуировку для мягкой и твердой пшениц сред-
неквадратическое отклонение возрастало до 0,28%. Для градуировки
использовали отношение вторых производных. Обнаружено значитель-
ное влияние примеси мелких семян сорняков. Для того чтобы прибор
хорошо учитывал температуру анализируемой пробы, в градуировке до-
лжны участвовать образцы с различной температурой, охватывая весь
ее возможный при анализе диапазон. В целом результаты рассматрива-
ются как положительные [692].
Достаточно высокую точность определения влажности обеспечивает
также Infratec-1255. Погрешность определения влажности в диапазоне
42—48% составляет 0,30% (абс.) относительно стандартного метода
и 0,7% — в диапазоне 27—50%. Для градуировки прибора применя-
ется метод дробных наименьших квадратов, в котором используется
весь получаемый спектр в диапазоне 850 — 1050 нм [579].
Исключительно высокая точность определения влажности зерна
пшеницы и ячменя получена при использовании анализатора Infratec-
1255 в другой работе [580]. Для проведения анализов использовали
универсальное градуировочное уравнение, полученное на 57 образ-
цах, отобранных по спектральным данным с применением главных
компонент из 1300 образцов пшеницы из Скандинавских стран, США
и Австралии. Образцы охватывали диапазон содержания влаги 9,0—
17,6%. Проверку уравнения проводили на 141 образце, которые не
участвовали в градуировке и были отобраны методом рандомизации
из исходной серии. Среднеквадратическое отклонение от данных, по-
лученных стандартным методом, было равно 0,08% (абс.).
В другом опыте исследовалось 60 образцов различных сортов пше-
ницы из Саудовской Аравии с содержанием влаги 5,95—7,69%. Ана-
250
лиз первых двух главных компонент выявлял различия между типами
пшениц, но внутри типа различия незначительны. Из каждой группы
образцов было отобрано случайным образом по 7 образцов, из кото-
рых была составлена серия из 21 образца для проверки градуировоч-
ного уравнения. Оставшиеся 39 образцов использованы для градуи-
ровки. При проверке градуировочного уравнения на серии из 21 об-
разца среднеквадратическое отклонение от данных, полученных стан-
дартными методами, составило 0,08%.
При анализе 26 образцов муки по универсальному градуировочно-
му уравнению, полученному, как описано выше, на 57 образцах зер-
на, обнаруживалась систематическая разница между результатами ин-
фракрасного и стандартных методов. Среднеквадратическое отклоне-
ние результатов инфракрасного анализа от данных стандартных мето-
дов составляло 0,13%, средняя разность была равна 0,26%. После
добавления в градуировочную серию 6 образцов муки и проведения
градуировки заново результаты анализа оставшихся 20 образцов улуч-
шились. Среднеквадратическое отклонение уменьшилось до 0,12%,
средняя разность — до 0,08%. Отмечено, что для получения боль-
шей точности результатов необходимо было добавить в градуировоч-
ную серию большее число образцов муки. Однако полученная точ-
ность результатов вполне достаточна для массовых анализов.
Аналогичные результаты получены и при определении содержания
влаги в зерне ячменя. Спектры пропускания зерна ячменя и пшеницы
в диапазоне 850—1050 нм существенно не различаются, что давало
основания предполагать возможность анализа этих культур по едино-
му градуировочному уравнению. Для проведения такой градуировки с
помощью анализа главных компонент были отобраны 43 образца пше-
ницы и 25 образцов ячменя. Для проверки получаемых уравнений
были взяты 49 образцов пшеницы и 39 образцов ячменя, которые не
участвовали в градуировке. Среднеквадратическое отклонение от стан-
дартного метода при анализе пшеницы увеличилось с 0,20 до 0,30%.
При анализе ячменя среднеквадратическое отклонение от данных стан-
дартного метода увеличилось от 0,40 до 0,44%. Таким образом, еди-
ная универсальная градуировка для определения влажности зерна
пшеницы н ячменя дает несколько менее точные, чем индивидуаль-
ные градуировки, но вполне удовлетворительные результаты [580].
Определение влажности различных материалов методом ближней
инфракрасной спектроскопии рассматривается также и в других раз-
делах настоящей работы, посвященных анализу конкретных объек-
тов. Возможности метода не ограничиваются лабораторными услови-
ями. Он может использоваться непосредственно в поле, обеспечивая
оперативность контроля, на производственных линиях в составе авто-
матизированных систем управления.
251
7.2. АНАЛИЗ СЕЛЬСКОХОЗЯЙСТВЕННЫХ
КУЛЬТУР
7.2.1. Определение содержания белка
Содержание белка представляет собой один из основных показате-
лей качества зерновых и зернобобовых культур. Под термином «бе-
лок», «сырой белок» имеют в виду содержание азота в анализируемом
материале, умноженное на коэффициент, отражающий среднее содер-
жание азота в белках данного вида продукта. Азот при этом опреде-
ляют методом Кьельдаля в его оригинальном варианте или с помощью
его модификаций, которые не предусматривают перевода пятивален-
тного азота в трехвалентный. Такое определение белка является об-
щепринятым и признано стандартным как в нашей стране, так и за
рубежом. Следует отметить, что содержание азота в различных бел-
ках неодинаково, различен и состав белков сельскохозяйственных
продуктов, поэтому коэффициент пересчета содержания азота, най-
денного по Кьельдалю, на белок условен. В стандарте на метод опре-
деления белка в зерне [33] для пшеницы, ржи, овса принят коэффи-
циент 5,7, а для семян бобовых культур и пивоваренного ячменя —
6,25. В кормах и комбикормах, комбикормовом сырье также по Кьель-
далю определяют «сырой протеин», что соответствует «сырому бел-
ку». Значение коэффициента для пересчета содержания азота на сы-
рой протеин в кормах, комбикормовом сырье и комбикормах приня-
то единым и равным 6,25.
Определение белка в зерне выполняют в основном по диффузному
отражению размолотого зерна. По многочисленным данным, полу-
ченным в США и Канаде при сравнении результатов определения
содержания белка в зерне пшеницы инфракрасным и стандартным
методом Кьельдаля, расхождения, как правило, вполне допустимы.
Показано, что в 95% случаев отклонение результатов определения
белка инфракрасным методом от данных, полученных по Кьельдалю,
не превышает 0,50% (абс.) [544]. Среднеквадратнческое отклонение
результатов ИК-метода от данных стандартного метода обычно не
превосходит 0,3% (абс.) [348, 385, 655, 671, 389, 496]. Аналогичные
данные получены при испытаниях метода в ряде европейских стран
[12, 544]. Это значение погрешности при определении содержания
белка допускается официальными методиками, в которых применяет-
ся измерение диффузного отражения размолотого зерна [199, 392].
Прн градуировке инфракрасных анализаторов отдельно для мягкой
и твердой пшениц точность анализа улучшается [674, 682, 655]. В
этом случае среднеквадратическое отклонение от метода Кьельдаля
может составлять 0,25% и менее. При определении содержания бел-
ка в муке по диффузному отражению точность результатов обычно
252
несколько выше, чем при анализе зерна [545]. В рекомендациях Меж-
дународного общества по химии зерна [392] при определении содер-
жания белка в муке инфракрасным методом допустимым считается
среднеквадратическое отклонение от результата химического анали-
за, равное 0,20%, тогда как для зерна значение этой величины, как
отмечено выше, составляет 0,30%. Большая точность определения
содержания белка в муке связана с тем, что это более однородный
материал, представляющий практически чистый эндосперм. Кроме того,
мука производится из зерна определенного качества, что определяет
более узкий размах варьирования ее химического состава и физичес-
ких свойств, которые, влияя на спектральные данные, обычно снижа-
ют точность определения содержания белка.
Как показывает многолетний опыт применения спектроскопии диф-
фузного отражения в ближней инфракрасной области, для получения
высокой точности результатов градуировочные уравнения необходи-
мо ежегодно проверять и, если это необходимо, корректировать или
получать заново. Судя по данным, имеющимся в литературе, основ-
ным фактором, который влияет на свойства зерна, что отражается на
точности анализа и заставляет периодически проводить корректиров-
ку градуировочных уравнений, являются погодные условия в вегета-
тивный период [682, 543]. Например, в течение 4 лет — в 1974, 1975,
1977 и 1978 годах — градуировки для определения содержания белка
в зерне пшеницы, выращиваемой в Европе, работали удовлетвори-
тельно. Однако в 1976 году градуировочное уравнение, полученное
ранее, давало значительные погрешности, что было связано с общей
засухой. Зерно урожая этого года было мелкое и щуплое [543].
Данных по сравнению результатов определения содержания белка в
зерне пшеницы, полученных методом измерения диффузного отраже-
ния в ближней инфракрасной области и стандартным методом Кьель-
даля, много и в отечественной литературе [105, 111, 122, 21, 8]. При
градуировке фильтрового инфракрасного анализатора с фиксирован-
ными длинами волн Inframatic-8100 среднеквадратическое отклонение
от регрессии не превышало 0,23%. Проверка на контрольных образ-
цах показала, что основная погрешность (отклонение от стандартно-
го метода) составляла не более ±0,50%. При этом от 86 до 90%
проб укладывались в пределы погрешности ±0,3% (допускаемое рас-
хождение между результатами параллельных определений содержа-
ния белка по ГОСТ 10846—74) и только 10—14% проб имели от-
клонения 0,4—0,5%. Случайная погрешность, определяемая в рас-
сматриваемой работе как максимальные расхождения между опреде-
лениями, выполненными на инфракрасном анализаторе, во всех слу-
чаях, как при градуировке по отдельным классам зерна, так и по
единой градуировке, находилась в пределах 0,1 — 0,3% [8]. К сожа-
лению, в отечественной литературе, касающейся сравнения результа-
253
тов рассматриваемых методов, нет однообразия при характеристике
точности получаемых результатов, что осложняет сравнение данных,
приводимых разными авторами.
Определение содержания белка по диффузному отражению раз-
молотого зерна проводили также в ячмене [22, 111, 345, 362, 310,
287, 561, 299, 589], кукурузе [389, 389, 115], в бобах сои [21,
217, 111, 389, 669, 646, 366, 53, 685], в овсе [609, 670], в зерне
проса [624], риса [201], семенах подсолнечника [570], льна и мака
[111, 21], а также в ряде других зерновых, зернобобовых и мас-
личных культур, о чем сообщалось в ряде работ [679, 510, 12,
239]. В материалах международного симпозиума, проходившего в
1984 году в Австралии [676], приводятся относительные значения
среднеквадратической погрешности определения содержания белка
в различных сельскохозяйственных культурах и продуктах их пе-
реработки по диффузному отражению в ближней инфракрасной
области, что позволяет сравнить точность анализа различных объ-
ектов (табл. 7.2.1.1).
Несмотря на то что белок имеет целый ряд полос поглощения,
как это можно видеть из таблиц 2.2.1 и 2.2.2, при выборе длин
волн для анализа обычно ориентируются главным образом на по-
лосу поглощения около 2180 нм. Для выполнения определений в
этом случае необходимо иметь значения оптической плотности
минимум при трех длинах волн: около 2180 нм, что соответствует
полосе поглощения, характерной для белков и полипептидов, при
2100 нм, где находится полоса поглощения крахмала, и при длине
волны 1680 нм, которая используется как опорная. Поглощение
крахмала около 2100 нм в данном случае необходимо учитывать
потому, что полоса поглощения белка около 2180 нм накладывает-
ся на широкую полосу поглощения крахмала и нужна для соответ-
ствующей коррекции [545]. Однако содержания белка и крахмала
в зерне обычно тесно коррелируют. Корреляция обратная, то есть
чем больше содержание крахмала, тем меньше содержание белка и
наоборот. Это приводит к тому, что при длинах волн, где наблюда-
ются полосы поглощения крахмала, часто обнаруживается четкая
обратная связь с содержанием белка.
При анализе сои аналогичную ситуацию при определении белка
создает жир, содержание которого в этой культуре достаточно
высоко и проявляет обратную связь с содержанием белка. Это
хорошо видно из рис. 7.2.1.1, на котором показаны вторая произ-
водная спектра (среднее из спектров 325 образцов) сои и коэффи-
циенты корреляции с содержанием белка и жира. Кривые коэффи-
циентов корреляции этих двух компонентов со спектральными дан-
ными проявляют явную зеркальную симметрию. Положительным
экстремумам кривой значений коэффициента корреляции спектраль-
254
Таблица 7.2.1.1.
Относительные значения среднеквадратического
отклонения результатов определения содержания белка
в различных объектах методом ближней инфракрасной
спектроскопии от данных химического метода [676].
Анализируемый объект СКО, % (отн.) Анализируемый объект СКО, % (отн.)
Твердая пшеница 1,2 Мука 1,0
Мягкая пшеница 1,5 Солод 2,0
Дурум 1,1 Овсяная крупа 2,0
Ячмень 2,5 Пивовар, ячмень 3,5
Овес 3,5 Сухая люцерна 2,5
Кукуруза 2,5 Сухая трава 2,5
Рожь 1,8 Пшеничная солома 3,5
Рис 2,5 Ячменная солома 3,5
Сорго 1,8 Солома нута 4,0
Просо 2,0 Чечевичная солома 4,0
Тритикале 1,8 Сухая клейковина 3,0
Горох 1,8 Соевая мука 2,0
Нут 1,4 Шрот из семян рапса 1,5
Голубиный горох 1,5 Шрот из семян льна 1,5
Кормовые бобы 2,5 Шрот подсолнечниковый 2,5
Маш 1,8 Сухая патока 4,0
Чечевица 1,2 Мясная мука 4,0
Люпин 2,5 Рыбная мука 4,0
Соя 1,2 Кровяная мука 4,5
Арахис 2,0 Перьевая мука 5,0
Рапс 1,5 Комбикорма 4,0
ных данных с содержанием белка соответствуют отрицательные эк-
стремумы кривой корреляции с содержанием жира и наоборот. Очень
четко это наблюдается при длинах волн, соответствующих полосам
поглощения жира в районе 1700 — 1800 и 2300 — 2350 нм (отме-
чены стрелками на рисунке). Здесь минимумам спектральной кри-
вой соответствуют минимумы кривой коэффициента корреляции с
содержанием жира и максимумы кривой корреляции с содержани-
ем белка.
Вследствие корреляции с содержанием различных компонентов,
оптимальными для определения белка могут быть длины волн, отлич-
ные от тех, которые можно предопределить, исходя просто из рас-
смотрения спектров, особенно в тех случаях, когда в градуировочные
уравнения включают несколько независимых переменных.
255
Длина волны,нм
К
□3
зс
«4
о
ей
СП
S
о
Q-
е
к
0,035 fJ । I । I I I I L 1.0
2000 2100 2200 2300 2400
Длина волны, нм
Рис. 7.2.1.1. Кривая второй производной среднего спектра
бобов сои (3) и значений коэффициентов корреляции этой
величины с содержанием белка (1) и жира (2).
А — диапазон 1300 — 1900 нм; В — 1900 — 2400 нм.
Стрелками отмечены максимумы полос поглощения жира.
256
В первых инфракрасных анализаторах, например InfraAlyzer-2.5,
имелось 6 фильтров с максимумами пропускания около 1680; 1940;
2100; 2180; 2230 и 2310 нм. Выбор этих фильтров основывался на
том, что при 1940 нм наблюдается полоса поглощения воды, при
2180 нм находится полоса поглощения белка и при 2310 нм — жира.
Длины волн 1680 и 2230 нм брались как опорные для коррекции
поглощения связей С—Н, наблюдаемого по всему используемому ди-
апазону спектра.
В первое время для определения белка использовали градуиро-
вочное уравнение, в которое включали все 6 переменных, возмож-
ных для прибора с 6 фиксированными длинами волн. Как и при
определении влажности, рассмотренном выше, не все длины волн
были действительно необходимы. В той же работе [672], в которой
приведены коэффициенты градуировочного уравнения для опреде-
ления влажности, рассмотренной в разделе 7.1, даны и коэффици-
енты уравнения для определения белка: К1 = — 0,0011; К2 =
0,0373; КЗ = 0,1466; К4 = — 0,1745; К5 = 0,0044; Кб = 0,0548;
К7 = 24,71. Исходя из тех же соображений, что и при рассмотре-
нии вопроса определения влаги, измерения при длинах волн, соот-
ветствующих коэффициентам К1, К2, К5 и Кб, вносят суммарный
вклад в результат анализа, не превышающий 0,10% (абс.). Пос-
кольку это очень малая величина, причем рассчитанная как пре-
дельно возможная, необходимость использования при анализе со-
ответствующих длин волн весьма сомнительна.
В анализаторах зерна GQA фирмы Neotec с тремя фильтрами, поз-
воляющими сканировать участки спектра, также использовали 6 длин
волн, но брали разности значений оптической плотности трех пар,
ответственных за определение основных показателей:
dm = А1И0 — А1867 — содержание влаги;
do = А2297 — А225О — содержание жира;
dp = А2167 — А2118 — содержание белка;
где d — разность значений оптической плотности при указанных
длинах волн;
А — значение оптической плотности при указанной в подстроч-
ном индексе длине волны.
В градуировочных уравнениях при определении содержания бел-
ка в качестве независимых переменных использовали все указан-
ные разности, причем все они существенно влияли на результат
анализа.
В ряде случаев для определения белка использовали также зна-
чения отношений оптической плотности или отношений производ-
ных, как это рассмотрено в разделе 5.1. Использование этих мето-
дов математической обработки спектральных данных перед прове-
дением градуировки позволяет значительно сократить число пере-
257
менных в уравнении регрессии. Это обеспечивает возможность ис-
пользования для проведения градуировки и анализа более простых
электронно-вычислительных устройств.
Что касается качества получаемых результатов, то при определе-
нии белка в зерне пшеницы особых различий ни способ математичес-
кой обработки спектральных данных, ни метод градуировки не име-
ют. Точность получаемых результатов при использовании как слож-
ных инфракрасных анализаторов с монохроматорами на основе диф-
ракционной решетки, работающих с внешней ЭВМ и использующих
новейшие методы статистической обработки данных, так и простых
фильтровых анализаторов с аналоговыми устройствами или встро-
енными микропроцессорами примерно одинакова и, как правило, не
намного лучше 0,25—0,3% (абс.). Как исключение отмечена очень
высокая точность анализа при использовании в качестве независи-
мой переменной в градуировочном уравнении отношения значений
второй производной при двух длинах волн [527], что было рассмот-
рено в разделе 5.1. Решающее значение для получения высокой
точности анализа имеют подбор образцов для проведения градуи-
ровки, представительность анализируемых проб, загружаемых в кю-
вету анализатора, качество заполнения кюветы, а также точность
химического определения белка в образцах, предназначенных для
градуировки.
Определение содержания белка в зерне пшеницы по спектрам
диффузного отражения возможно и по анализу цельного зерна.
Этот вопрос изучали на 90 образцах зерна пшеницы, используя
монохроматорный спектрофотометр Саггу-14 с кюветой диаметром
6,5 см и глубиной в 1 см [637]. При этом 45 образцов были ото-
браны для градуировки и 45 — для проверки качества анализа.
Изучались различные способы преобразования спектральных дан-
ных. Лучшие результаты были получены, когда в качестве незави-
симой переменной брали отношение разности оптической плотнос-
ти при двух длинах волн к значению оптической плотности при
второй из них:
(A’Lx — A’Ly)/A’Ly,
где A’Lx— оптическая плотность при длине волны 1790 нм;
A’Ly — оптическая плотность при длине волны 1734 нм.
Среднеквадратическое отклонение от регрессии при определении
содержания белка составляло 0,30%, коэффициент корреляции был
равен 0,985. При проверке уравнения среднеквадратическое отклоне-
ние от результатов по методу Кьельдаля составило также 0,30%,
коэффициент корреляции был равен 0,993. Практически такие же
результаты получены для тех же образцов после размола на измель-
чителе Udy Ciclotec. При анализе размолотого зерна использовался
258
тот же способ преобразования спектральных данных, но другая пара
длин волн: 1768 и 1744 нм.
Для анализа неразмолотого зерна чаще используется измерение
поглощения в проходящем пучке. При этом используют коротко-
волновую часть ближней инфракрасной области, как это было от-
мечено выше. К достоинствам метода следует отнести практически
полное отсутствие необходимости в пробоподготовке, что делает
анализ очень быстрым. Кроме того, в градуировочное уравнение,
получаемое методом множественной линейной регрессии, в качест-
ве независимых переменных кроме спектральных данных дополни-
тельно вводят температуру пробы и температуру внутри прибора
[148]. Это не встречает каких-либо затруднений, так как измере-
ния этих величин проводятся автоматически с помощью датчиков,
установленных в приборе. В результате обеспечивается возмож-
ность выполнения анализов при температуре пробы от —65 до
+90°С [148]. Это охватывает практически весь возможный диапа-
зон температуры, которую может иметь зерно, поступающее на
элеватор в любое время года, а также делает возможным быстрый,
не требующий предварительного охлаждения проб анализ многих
пищевых продуктов в процессе их производства при технологичес-
ком контроле. Содержание белка в зерне пшеницы определяется
рассматриваемым методом со среднеквадратическим отклонением
от стандартного метода, равным 0,319%. При анализе тех же об-
разцов методом диффузного отражения с помощью инфракрасного
анализатора с фиксированными длинами волн погрешность состав-
ляла 0,313%, а при использовании сканирующего прибора —
0,323% [148]. Аналогичные результаты были получены при испы-
тании инфракрасного анализатора Trebor-90 в Канаде [692]. Таким
образом, по точности анализа метод практически не уступает из-
мерению диффузного отражения.
Для анализа проб цельного зерна разработаны также инфракрас-
ные анализаторы Infratek-1255 (фирма Tecator, Швеция), Labnit (фир-
ма LaborMIM, Венгрия), переносный инфракрасный анализатор Mi-
ninfra-5 (фирма Focus Engineering, Венгрия).
Интересные результаты получены фирмой Tecator [580]. При оп-
ределении содержания белка в зерне пшеницы на анализаторе In-
fratec-1255 использовалась универсальная градуировка, для полу-
чения которой из 1300 образцов пшеницы, полученных из Сканди-
навских стран, США и Австралии, было отобрано по спектраль-
ным данным 57 образцов с помощью анализа главных компонент.
Образцы охватывали диапазон содержания белка 8,3—17,4% и
9,0—17,6% влаги. Проверка уравнения, полученного на этой вы-
борке образцов методом дробных наименьших квадратов, проводи-
лась на 141 образце, которые не участвовали в градуировке и
259
были отобраны методом рандомизации из исходной партии. Резуль-
таты характеризовались исключительно высокой точностью. Сред-
неквадратическое отклонение от данных, полученных по методу Кьель-
даля в трех различных лабораториях, при определении белка было
равно 0,13% (абс.). При определении содержания влаги среднеквад-
ратическое отклонение от данных стандартного метода было равно
0,08% (абс.).
В другом опыте исследовалось 60 образцов 3 различных типов
пшениц из Саудовской Аравии с диапазоном варьирования содер-
жания белка от 11,8 до 17,1% и влаги от 5,95 до 7,69% [580].
Анализ первых двух главных компонент выявил различия между
типами пшениц, но внутри типа различия были незначительны. Из
каждой группы было отобрано случайным образом по 7 образцов,
из которых была составлена серия из 21 образца для контроля.
Оставшиеся 39 образцов использованы для градуировки. При про-
верке качества полученного градуировочного уравнения было най-
дено, что среднеквадратическое отклонение от регрессии составля-
ет для содержания белка 0,13%. При проверке градуировочного
уравнения на серии из 21 образца среднеквадратическое отклоне-
ние от данных, полученных стандартным методом, составило всего
0,11%.
При анализе 26 образцов муки по универсальному градуировоч-
ному уравнению, полученному, как описано выше, на 57 образцах
зерна, обнаруживалась систематическая разница между результа-
тами инфракрасного и стандартного методов. Среднеквадратичес-
кое отклонение результатов инфракрасного анализа от данных стан-
дартного метода составляло 0,24%, средняя разность с данными
стандартного метода — 1,05%. Угловой коэффициент линейной
регрессии, связывающей данные сравниваемых методов, был равен
0,76. После добавления в градуировочную серию 6 образцов муки
результаты анализа оставшихся 20 образцов улучшились. Сред-
неквадратическое отклонение уменьшилось до 0,23%, средняя раз-
ность — до 0,05%, угловой коэффициент увеличился до 0,90.
Отмечено, что для еще большего улучшения результатов необхо-
димо было добавить в градуировочную серию большее число об-
разцов муки. Однако полученная точность анализа вполне доста-
точна для массовых анализов [580].
Аналогичные результаты получены и при определении содержа-
ния белка в зерне пшеницы и ячменя. Спектры пропускания зерна
ячменя и пшеницы в диапазоне 850—1050 нм существенно не раз-
личались, что давало основания предполагать возможность анали-
за этих культур по единому градуировочному уравнению. Для про-
ведения такой градуировки с помощью анализа главных компонент
были отобраны 43 образца пшеницы и 25 образцов ячменя. Для
260
проверки получаемых уравнений были взяты 49 образцов пшени-
цы и 39 образцов ячменя, которые не участвовали в градуировке.
Полученные результаты сравнивались с данными, которые давали
индивидуальные градуировки отдельно для пшеницы и ячменя. При
анализе пшеницы среднеквадратическое отклонение от стандартно-
го метода увеличилось с 0,19% при индивидуальной градуировке
до 0,21% при универсальной, при анализе ячменя — с 0,27 до
0,31% соответственно. Таким образом, использование единой уни-
версальной градуировки для анализа зерна пшеницы и ячменя дает
вполне удовлетворительные, хотя и несколько менее точные, ре-
зультаты. Следует отметить, что при расчете содержания белка в
зерне пшеницы при определении по Кьельдалю коэффициент пере-
счета азота на белок был принят равным 5,7 а для ячменя — 6,25,
как это общепринято. Были испытаны также варианты градуиро-
вок с единым коэффициентом пересчета 5,7 или 6,25 для обеих
культур. Однако лучшие результаты были получены, когда для
пшеницы был взят коэффициент, равный именно 5,7, а для ячме-
ня — 6,25 [580]. Существенность влияния на точность анализа
значений коэффициентов пересчета азота на белок можно пони-
мать так, что инфракрасный метод определяет именно содержание
белка, а не содержание азота, как делает метод Кьельдаля. Можно
ожидать, что при анализе различных культур на содержание азота
по единому градуировочному уравнению лучшие результаты даст
градуировка по содержанию белка с последующим пересчетом ре-
зультатов анализа на содержание азота по соответствующему каж-
дой культуре коэффициенту, а не градуировка непосредственно по
содержанию азота, без пересчета на белок.
Результаты определения содержания белка в образцах тритикале
на инфракрасном анализаторе Infratec-1255 сравнивались с данны-
ми стандартного метода и результатами, получаемыми на анализа-
торе модели 6250 фирмы NIRSystems, сканирующем спектр в диа-
пазоне 1100—2500 нм [448]. Исследования проведены на 186 об-
разцах 9 сортов тритикале урожаев 4 лет (1986—1989) с содержа-
нием белка от 8,9 до 17,0% и сырой клетчатки от 1,8 до 3,2%. В
процессе градуировки из исходной партии образцов компьютер от-
бирал случайным образом 75% образцов, а оставшиеся 25% слу-
жили для перекрестной проверки получаемого уравнения. Проце-
дура перекрестной проверки каждый раз на новых 75% образцов
повторялась так, что каждый образец участвовал и в градуировке,
и в проверке. В этих условиях среднеквадратическое отклонение
от градуировочного регрессионного уравнения для определения со-
держания белка на модели 6250 составляло 0,18%. Для анализа-
тора Infratec-1255 эта величина была равна 0,31%, что заметно
хуже. При определении содержания клетчатки получены значения
261
среднеквадратического отклонения соответственно 0,13 и 0,16%,
то есть несколько хуже при использовании анализатора Infratec-
1255. Такая же закономерность получена и для среднеквадрати-
ческого отклонения от данных стандартных методов при перекрест-
ной проверке. Для белка было получено соответственно 0,22 и 0,37%
и для клетчатки — 0,16 и 0,19%. Таким образом, определение по
диффузному отражению несколько лучше, чем по пропусканию, но
не столь значительно.
Вполне приемлемые для массовых анализов результаты получены
при испытании прибора Labnit, разработанного в Венгрии для анали-
за цельного неразмолотого зерна методом измерения пропускания
[648]. Прибор был отградуирован на 150 образцах пшеницы, а затем
проверен по 250 контрольным образцам, которые не участвовали в
градуировке. Значение среднеквадратического отклонения от регрес-
сии при градуировке было равно 0,22%. Среднеквадратическое от-
клонение от данных стандартного метода при анализе контрольных
образцов составляло 0,35%. Градуировка, проведенная на 141 образ-
це зерна ячменя, при проверке на таком же числе контрольных об-
разцов дала среднеквадратическое отклонение от данных химическо*
го метода, равное 0,29%.
Приведенные данные показывают, что измерение пропускания цель-
ного зерна несколько уступает по точности методу диффузного отра-
жения при определении белка в зерне, но не столь значительно и
может с успехом применяться на практике.
7.2.2. Определение содержания и качества клейковины
В СССР, а теперь в России, при закупке пшеницы содержание
клейковины и ее качество, определяемое с помощью измерителя
деформации ИДК, являются важнейшими показателями качества
зерна [52]. Определение содержания клейковины с помощью инф-
ракрасных анализаторов проводили в СССР [107, 96, 106, 87, 108,
9], Австрии [19, 20], Венгрии [648, 628].
Показано, что, используя анализаторы с фиксированными длина-
ми волн, можно определять содержание клейковины в зерне пше-
ницы с погрешностью, характеризуемой среднеквадратическим от-
клонением от регрессии, равным 0,88 — 1,9%. При определении
клейковины в проросшем зерне, а также в зерне, пораженном кло-
пом-черепашкой, ее содержание устанавливается менее точно. Сред-
неквадратическое отклонение от регрессии возрастает до 3%. На
точность определения сухой клейковины, а также на содержание
белка указанные факторы практически не повлияли [9]. В этой же
работе изучалась возможность применения ближней инфракрасной
спектроскопии для определения качества клейковины Результаты
262
были неудовлетворительными. Среднеквадратическое отклонение
от данных стандартного метода составляло от 9,5 до 9,8 единиц
ИДК для серий образцов с различным уровнем качества клейкови-
ны. Коэффициенты корреляции данных, полученных общеприня-
тым методом и с помощью инфракрасного анализатора, были рав-
ны 0,38 — 0,30, что указывало на очень слабую связь результа-
тов. При добавлении к образцам нормального зерна образцов про-
росшего зерна, зерна, пораженного клопом-черепашкой, а также
зерна с показателем ИДК более 75 единиц, которое получали в
лабораторных условиях при различных режимах сушки, погреш-
ность определения качества клейковины возрастала до 11,8 — 17,4
единиц ИДК [9].
Для оценки качества зерна проведена градуировка инфракрасно-
го анализатора Infrapid-61. Среднеквадратическое отклонение от
регресса составляло 0,937% (коэффициент вариации равен 2,74%),
коэффициент корреляции результатов инфракрасного анализа с дан-
ными общепринятого метода был равен 0,934. Полученное уравне-
ние нашло практическое применение для оценки качества зерна
урожая 1986 года [628].
Определение содержания клейковины в зерне пшеницы проводи-
ли также по измерению поглощения в проходящем пучке на анали-
заторе Labnit. Анализ проведен со среднеквадратическим отклоне-
нием, равным 1,86% от данных общепринятого метода [648].
Определение клейковины как одного из показателей хлебопекар-
ных качеств зерна пшеницы рассмотрено также в разделе 7.2.6.
7.2.3. Определение содержания жира
Содержание жира в семенах масличных культур является одним
из первых показателей, для определения которых спектроскопия
диффузного отражения в ближней инфракрасной области нашла
широкое практическое применение. Впервые определение содержа-
ния жира с помощью этого метода проведено в мясе [219]. Для
проведения анализа использовали две длины волны — 1725 и 1650
нм. При 1725 нм наблюдается полоса поглощения, принадлежащая
углерод-водородным связям в группах —СН2— углеводородных це-
пей жирных кислот (первый обертон), а длина волны 1650 нм
использовалась как опорная.
Кроме максимумов при 1734 и 1765 нм, жиры и масла дают
очень характерные полосы поглощения с максимумами около 2310
и 2345 нм, соответствующие составным частотам углеводородных
связей. Эти полосы поглощения очень хорошо видны в спектрах
263
масла (рис. 2.2.2) и семян таких масличных культур, как подсол-
нечник (рис. 2.2.4), рапс (рис. 2.2.5). Они четко проявляются и в
таком материале, как говяжий жир (рис. 2.2.3). Кроме того, жиры
и масла имеют более слабые полосы поглощения, около 1200 (вто-
рой обертон), 2140 и 2190 нм (комбинационные частоты), а также
несколько полос поглощения в коротковолновой части ближней
инфракрасной области, которая используется обычно при измере-
нии пропускания (третьи обертоны). В первых инфракрасных ана-
лизаторах, как уже отмечалось выше, для учета поглощения жира
предназначался фильтр с фиксированной длиной волны 2310 нм, а
в сканирующих — первая производная, которую представляла раз-
ность значений оптической плотности при 2297 и 2250 нм.
Применение инфракрасного анализатора зерна GAC фирмы Dickey-
john с фиксированными длинами волн для определения содержания
жира в зерне кукурузы, овса, бобах сои дало очень хорошие ре-
зультаты. Как показали результаты проверки градуировочных урав-
нений на контрольных партиях образцов соответствующих куль-
тур, коэффициент корреляции результатов, полученных на анали-
заторе и стандартными методами, во всех случаях был не ниже
0,913, среднеквадратические отклонения от данных стандартного
метода составляли 0,04% (абс.) для сои и овса и 0,09% для куку-
рузы [389].
В более поздних работах определения жира проводили с мень-
шей, но вполне удовлетворительной точностью. Так, в бобах сои
при содержании жира 13,9 — 17,3% среднеквадратическое откло-
нение от данных химического анализа составляло 0,54% [366]. В
семенах подсолнечника содержание жира определялось несколько
хуже. Среднеквадратическое отклонение было равно 0,94% при
содержании жира от 36 до 43%. В семенах рапса определение
жира проводили как с предварительным измельчением семян [620],
так и в цельных семенах [638]. Погрешности в обоих случаях,
хотя они и сообщаются разными авторами и получены при разных
методах градуировки, примерно одинаковы и составляли 0,63 и
0,59%.
Необходимо отметить, что семена рапса достаточно малы по раз-
мерам, что обеспечивает достаточную представительность пробы,
помещаемой в обычную кювету, и позволяет проводить анализ без
предварительного измельчения. По нашим данным, полученным при
анализе более 200 образцов на сканирующем фильтровом инфра-
красном анализаторе модели 4250 фирмы NIRSystems (США) с
вращающейся кюветой, среднеквадратическое отклонение от стан-
дартного метода составляет не более 0,5%.
Нами найдено, что при анализе семян масличных культур по
диффузному отражению размолотого материала можно определить
264
целый ряд показателей качества семян масличных культур, а так-
же прогнозировать качество получаемого из них масла с вполне
удовлетворительной точностью. Об этом можно судить по результа-
там, полученным с помощью анализатора модели 4500 фирмы NIR-
Systems и представленным в таблице 7.2.3.1.
Таблица 7.2.З.1.
Характеристика точности определения показателей
качества масличных культур по диффузному отражению
в ближней инфракрасной области
Показатель Культура Число образ- цов Диапазон измерений, О/ /о СКО от обще- приня- того ме- тода
Белок Соя 400 29,3 — 45,8 1,08
Подсолнечник 450 12,8 — 25,8 0,59
Лен масличный 60 20,6 — 27,8 0,22
Рапс 250 14,0 — 32,5 0,60
Горчица 30 22,4 — 29,8 0,70
Жир Соя 400 16,2 — 29,8 0,70
Подсолнечник 450 35,3 — 58,4 1,25
Лен масличный 60 34,6 — 48,5 0,58
Рапс 250 34,0 — 52,0 1,22
Горчица 30 31,2 — 47,2 0,96
Лузга Подсолнечник 450 16,4 — 31,1 0,22
Йодное Лен масличный
число 60 153 - 192 1,09
Пальмитиновая
кислота 60 4,7 - - 7,0 0,15
Стеариновая
кислота 60 1,5 - - 5,1 0,23
Олеиновая
кислота 60 15,5 — 30,1 0,33
Линолевая
кислота 60 12,4 — 20,0 0,52
Линоленовая
кислота 60 39,4 — 64,0 0,58
Аллиловое Горчица
масло 30 0,72 — 1,02 0,07
265
7.2.4. Определение содержания
крахмала
В ближней инфракрасной области крахмал имеет ряд полос погло-
щения, которые обусловлены колебаниями связей групп С—Н и
О—Н. Спектры крахмала, полученного из кукурузы и картофеля и
некоторых его производных, приведены в литературе [4]. Спектр ку-
курузного крахмала показан на рис. 2.2.12. Наиболее интенсивная
полоса поглощения крахмала наблюдается при 2100 нм.
Содержание крахмала по диффузному отражению определяли в зерне
пшеницы с относительной погрешностью не более 6% [105].
Результаты определения содержания крахмала в пивоваренном яч-
мене на инфракрасном анализаторе Неотек-41 были очень близки
данным химического метода. Только в одном из 38 образцов ячменя
из различных регионов СССР и Польши разность результатов хими-
ческого и инфракрасного методов составила 2,6% (абс.) при содер-
жании крахмала от 50,3 до 65,6% [22]. В большей части случаев
расхождения данных не превышали 1%. Различия результатов срав-
ниваемых методов были несущественны, как это следует из приведен-
ных в работе значений f-критерия Стьюдента. Коэффициент корреля-
ции был равен 0,96.
При определении содержания крахмала в отрубях овса погрешности
результатов были практически одинаковыми, как при проведении граду-
ировки инфракрасного анализатора методом множественной линейной
регрессии, так с помощью метода дробных наименьших квадратов [683].
Содержание крахмала с помощью ИК-метода в различных культу-
рах определяли также в ряде других работ [112, 239, 216, 115, 685].
Спектроскопия ближней инфракрасной области используется не
только для определения содержания крахмала в различных объектах,
но и для анализа самого крахмала, а также различных продуктов его
переработки [216, 474, 120, 4].
7.2.5. Определение содержания золы
Содержание золы является одним из основных показателей качест-
ва муки. Оно характеризует чистоту муки, степень отделения отру-
бей от эндосперма. Зола не представляет определенного соединения,
содержащегося в зерне или в муке. Ее содержание определяют как
остаток после прокаливания анализируемого материала в муфельной
печи при 550 или 900°С. Содержание золы в отрубях при получении
муки доходит до 8%, что значительно выше, чем в эндосперме, где
оно составляет обычно около 0,3%. Поэтому оно является очень
266
чувствительным показателем чистоты муки, что и используется на
практике.
Основными компонентами золы являются углекислые соли и фос-
фаты, которые образуются в процессе окисления и пиролиза из
соединений различной природы, содержащихся в муке, в том числе и
оптически активных. Однако скорее всего определение содержания
золы с помощью спектроскопии ближней инфракрасной области ос-
новано на его корреляции с содержанием других компонентов зерна,
например с содержанием клетчатки, которой значительно больше в
отрубях, чем в эндосперме. В результате наблюдается и корреляция
спектральных данных с содержанием золы [656].
Наиболее важной длиной волны при определении содержания золы
является 2336 нм, что соответствует максимуму поглощения целлю-
лозы и дает основу для определения содержания отрубей в муке,
которые имеют значительно более высокое содержание золы, чем
эндосперм зерна [665]. Однако при этой длине волны находится по-
лоса поглощения жира, что мешает определению содержания золы,
снижая его точность [12]. Более надежные результаты дает использо-
вание длины волны 2345 нм [702]. Таким образом, содержание золы
определяется косвенно по содержанию клетчатки, с которым оно
связано.
Обычно среднеквадратическое отклонение результатов определе-
ния содержания золы в муке составляет 0,015 — 0,040% [240,
702, 306, 48, 12].
Для определения содержания золы в зерне твердой пшеницы, ман-
ной крупе, отрубях, получаемых в процессе изготовления крупы,
использована регрессия на главных компонентах. Предложено опре-
деление индекса чистоты крупы, отрубей, муки и промежуточных
продуктов, который дает более четкие результаты, чем содержание
золы:
^1724 A178O)/(A,5OO A11oo),
где А — оптическая плотность при данной длине волны.
Знаменатель используется как корректирующий фактор, учитываю-
щий различия в крупности частиц. Разность значений оптической
плотности при 2500 и 1100 нм пропорциональна общей интенсивнос-
ти спектра [223].
Определение содержания золы по диффузному отражению в ближ-
ней инфракрасной области использовано также при автоматизирован-
ном контроле качества муки в мукомольном производстве [240, 562].
Содержание золы является также одним из основных показателей
качества кормов. Определение этого показателя в кормах рассматри-
вается в разделе 7.3.
267
7.2.6. Определение показателей технологических
и хлебопекарных качеств зерна
Оценка хлебопекарных качеств зерна мягких пшениц проводится
по его «силе» — комплексу свойств, обеспечивающих получение вы-
сококачественного хлеба, а также способность улучшать своими до-
бавками качество муки из слабого зерна. В соответствии с классифи-
кационными нормами, разработанными Центральной лабораторией Гос-
комиссии по сортоиспытанию сельскохозяйственных культур, к силь-
ным сортам относят твердозерные и среднетвердозерные пшеницы,
соответствующие требованиям хлебопекарных качеств по стекловид-
ности, содержанию белка, клейковины в зерне и муке 70%-ного вы-
хода, физическим свойствам теста, объемному выходу хлеба и общей
оценке хлеба при пробной лабораторной выпечке.
Заготовляемое зерно, в соответствии с государственным стандартом
[52], оценивают только по натуре, стекловидности, содержанию и
качеству клейковины, учитывая типовой состав зерна, его состояние,
содержание примесей. Такой ограниченный перечень определяется
чрезвычайной трудоемкостью, длительностью и сложностью опреде-
ления показателей качества, требующих кропотливой работы и опы-
та оператора, большого числа различных специальных приборов и
устройств. В отношении производительности и скорости выполнения
определений для анализа качества зерна очень перспективным пред-
ставляется применение спектроскопии диффузного отражения в ближ-
ней инфракрасной области. В настоящее время, как было отмечено
выше, метод находит применение при определении содержания белка,
влаги, клейковины, крахмала, аминокислот в зерне пшеницы. Значи-
тельно меньше опыт по применению ИК-метода для определения хле-
бопекарных и технологических качеств зерна и муки.
В ряде работ метод инфракрасной спектроскопии отражения приме-
нялся для определения числа падения [240, 619]. Как отмечают Осборн
и Фирн [545], особого успеха получено не было. Однако в другой рабо-
те [697] получены достаточно точные результаты определения числа
падения как методом инфракрасной спектроскопии диффузного отраже-
ния, так и спектроскопией пропускания. В работе использовали спек-
трофотометры фирм NIRSystems для измерения диффузного отражения
и Tecator для измерения пропускания. Относительная погрешность ме-
тода при измерении диффузного отражения составляла 2,5%. Следует
отметить, что в обсуждаемой работе авторы получали производные спек-
тров и использовали метод дробных наименьших квадратов для градуи-
ровки анализатора. В более ранних работах использован ставший уже
классическим метод множественной линейной регрессии.
Как отмечено выше, инфракрасный метод широко применяется для
анализа зерна и муки при определении влажности и содержания белка.
Значительный интерес представляет использование метода для одновре-
268
менной оценки и хлебопекарных качеств. Этот вопрос изучался на 44
образцах муки, которые включали мягкие пшеницы из Англии и силь-
ные канадские пшеницы [538]. Образцы содержали от 8,7 до 14,5%
белка, определенного по Кьельдалю, и использовались для пробной вы-
печки и инфракрасного анализа с помощью прибора с 19 фильтрами.
Объем хлеба при пробной выпечке составлял от 1170 до 1600 см3 по
методу замещения. Градуировочное уравнение представляло множествен-
ную линейную регрессию, в котором в качестве независимых перемен-
ных служили значения оптической плотности при всех 19 фильтрах.
Проведение градуировок по нескольким подвыборкам давало среднеквад-
ратическое отклонение от регрессии, равное 45—50 см3. При этом на-
ибольший вклад в результаты инфракрасного анализа во всех случаях
давали переменные при длинах волн, принадлежащих поглощению бел-
ка. Подвыборка, используемая для градуировки, в которой использова-
лись только фильтры с пропусканием при 2180, 2100, 1680 нм, приме-
няемых для определения белка, давала погрешность 50 см3. Практичес-
ки такую же погрешность, равную 49 см3, можно было получить по
результатам определения белка по Кьельдалю, используя регрессию объ-
емного выхода хлеба с содержанием белка. Воспроизводимость общеп-
ринятого метода определения объемного выхода хлеба составляла при
этом 19 см3. На основании полученных результатов сделан вывод, что
инфракрасный метод потому позволяет предсказать объем хлеба при
пробной выпечке, что он хорошо определяет содержание белка. То есть
в основе определения лежит тесная корреляция между содержанием
белка, которое определяет непосредственно ИК-метод, и объемным вы-
ходом хлеба. Аналогичные данные получены и в более ранней работе
[533], в которой изучалось зерно пшеницы с использованием сканирую-
щего прибора. Недостаточная эффективность инфракрасного метода объ-
ясняется в данном случае тем, что он не чувствителен к присутствию в
анализируемых объектах а-амилазы, продуцируемой микроскопически-
ми грибами, которая снижает объемный выход хлеба.
ИК-метод использован также для определения объемного выхода
хлеба при пробной лабораторной выпечке и в других работах [240,
619]. Однако по точности определений получаемые результаты су-
щественно не превосходили расчетных значений, которые, как отме-
чают авторы, можно получить по уравнению множественной регрес-
сии, содержащему такие показатели, как содержание белка в муке,
степень разрушения крахмальных зерен, активностьа-амилазы.
Важной характеристикой зерна, определяющей его мукомольные
свойства, является твердозерность. В качестве показателя твердозер-
ности может служить время, необходимое для размола определенной
массы зерна на специальной мельнице [164], или результаты ситового
анализа шрота после измельчения определенной массы зерна в опре-
деленных условиях [121].
269
Как уже было отмечено выше, вариация в спектрах диффузного отра-
жения в ближней инфракрасной области обусловлена в основном разли-
чиями крупности частиц материалов в порошковидном состоянии. Это
находит практическое применение при определении твердозерности. Как
показывают данные [545], приведенные на рис. 7.2.6.1, имеется четкая
связь выхода фракции частиц шрота зерна пшеницы, остающихся на
сите с ячеей 0,076 мм, и результатами измерений оптической плотности
при 2230 нм. При этом твердые пшеницы дают большие значения опти-
ческой плотности и соответственно больший выход этой фракции час-
тиц [545]. При анализе зерна кукурузы оптическая плотность при изме-
рении диффузного отражения при 1680 нм обнаруживает тесную линей-
ную положительную корреляцию со средним размером частиц, что мо-
жет использоваться при определении твердозерности [560]. Этот же
фильтр с максимумом пропускания 1680 нм использован для определе-
ния твердозерности пшеницы, причем за основу брали не крупность
частиц, а время размола [585]. Время размола как показатель твердозер-
ности при определении этого показателя ИК-методом использовано так-
же в более ранней работе при селекционных исследованиях [619]. Спек-
троскопия диффузного отражения применялась для определения твердо-
зерности также и в других работах [552, 674].
Возможность использования диффузного отражения в ближней инф-
ракрасной области для определения группы пшеницы по твердозерности
изучалась в межлабораторном эксперименте [544]. Из 20 образцов зер-
Рис. 7.2.6.1. Связь
оптической
плотности
размолотого зерна
пшеницы с выходом
фракции частиц
более 76 мкм [545].
270
на пшеницы три лаборатории правильно классифицировали 20 образ-
цов, три лаборатории — 19, одна — 17 и одна — 16. Это хороший
результат, так как из всех 160 возможных ответов неправильных
получено только 10. К сожалению, какой результат был бы получен
теми же лабораториями при использовании обычного метода, неиз-
вестно. Можно только не сомневаться, что и в этом случае были бы
неверные результаты, так как и ситовой анализ гранулометрического
состава зерна после размола не свободен от погрешностей.
Одним из факторов, определяющих водопоглотительную способность
муки, является степень разрушенности крахмальных зерен. Хотя во-
допоглощение определяется и некоторыми другими факторами, сте-
пень разрушенности крахмальных зерен может служить для контроля
и регулирования качества муки в процессе помола. В свою очередь
при автоматизации процесса получения теста важно, чтобы использу-
емые партии муки значительно не различались по водопоглощению.
Возможность применения для определения рассматриваемого показа-
теля ИК-метода изучалась сначала при использовании анализатора с
монохроматором [540]. На основании полученных данных были подо-
браны длины волн для фильтрового прибора [542]. Среднеквадрати-
ческое отклонение от обычного лабораторного метода составляло при
этом 3,2 единицы Фарранда. Это относительно большая погрешность,
если учесть, что степень разрушенности крахмальных зерен в муке
обычно составляет 20—40 единиц. Кроме того, в полученном градуи-
ровочном уравнении значения констант были очень велики, что делало
результаты неустойчивыми. Незначительные отклонения в спектрах ана-
лизируемых образцов от образцов, использованных при градуировке, а
также погрешности в измерении оптической плотности или изменения
температуры вызывали значительные погрешности результатов.
Следует отметить, что опыт использования ИК-метода для определе-
ния показателей качества зерна и муки получен, как правило, на
фильтровых приборах с ограниченным числом фиксированных длин
волн, а также с применением традиционного метода множественной
линейной регрессии с использованием в качестве независимых пере-
менных исходных значений оптической плотности без преобразова-
ния спектральных данных. В инфракрасной спектроскопии ближней
области в последнее время применяются различные новые методы
предварительных математических преобразований спектральных дан-
ных, а также различные статистические методы получения градуи-
ровочных уравнений, такие, как регрессия на главных компонентах,
метод дробных наименьших квадратов, рассмотренные выше. Эти ме-
тоды используют практически весь спектральный диапазон, что позво-
ляет считать их более информативными. Однако возможности этих
методов в аналитической практике еще недостаточно полно изучены.
В этой связи представляло интерес изучить возможности использо-
вания инфракрасной спектроскопии в сочетании с современными ма-
271
тематическими методами преобразования спектральных данных и ста-
тистическими методами получения градуировочных уравнений при
определении качества зерна.
Для проведения исследований нами была составлена выборка из 232
образцов зерна мягкой пшеницы озимых и яровых сортов, возделывае-
мых в Центральном черноземном районе России. Образцы размалывали
на мельнице типа «Циклон» фирмы Udy. При размоле получаемый мате-
риал пропускался через сито с круглыми отверстиями диаметром 1 мм.
Показатели качества зерна пшеницы определяли общепринятыми
методами.
Содержание белка — по методу Кьельдаля по ГОСТ 10846—74 [33];
Содержание клейковины и качество клейковины на приборе ИДК по
ГОСТ 13686.1—68 [30];
Стекловидность — по ГОСТ 10987—76 [26];
Натуру (натурная масса) — по ГОСТ 10840—64 [24];
Массу 1000 зерен — по ГОСТ 10842—76 [25];
Влажность зерна пшеницы (для соответствующих пересчетов) —
по ГОСТ 13586.5—85 [31].
Пробную лабораторную выпечку хлеба, а также определение физи-
ческих свойств теста проводили по методикам, принятым при прове-
дении сортоиспытаний [164], показатель седиментации — по методи-
ке, принятой в селекционных центрах[136].
Характеристика изучаемой выборки образцов зерна представлена в
таблице 7.2.6.1. Приведенные в таблице данные показывают, что изу-
чаемые образцы охватывают широкий спектр пшениц по силе. В соот-
ветствии с классификацией, принятой в Центральной лаборатории Гос-
комиссии по сортоиспытанию сельскохозяйственных культур, по хле-
бопекарным качествам [121] в изучаемой выборке имеются образцы,
которые могут быть отнесены к слабым пшеницам, удовлетворитель-
ным и хорошим филлерам, к пшеницам, наиболее ценным по качест-
ву, удовлетворительным и хорошим улучшителям. В то же время
относительный размах варьирования значений показателей качества
относительно невелик, что должно затруднять выявление статистичес-
ких связей спектральных данных с изучаемыми показателями. Однако
это определено природой пшеницы и иметь более широкое варьирова-
ние вряд ли возможно. Особенно малым варьированием характеризу-
ется выход муки, натура, водопоглотительная способность муки, вре-
мя до начала разжижения теста. Наибольшим варьированием характе-
ризуются такие показатели, как отношение упругости к растяжимос-
ти теста, удельная работа деформации теста, упругость теста, степень
разжижения теста, валориметрическая оценка, имеющие коэффициент
вариации более 30%.
Для проведения исследований использовали спектрофотометры моде-
лей 4500 и 4250 фирмы NIRSystems, поставляемых АО «Ингерагротех».
272
Для сглаживания флуктуаций в спектрах и получения более точ-
ных результатов спектральные данные усреднялись. Спектры анали-
зируемой пробы сканировались по 32 раза, так что получаемый в
результате спектр представлял собой среднее арифметическое значе-
ние из 32 отдельных спектров относительно встроенного в прибор
стандарта. Спектры встроенного стандарта из керамики снимались по 16
раз перед спектрометрированием каждой пробы и после него. Для обес-
печения представительности результатов кювета с анализируемым мате-
риалом во время съемки спектров вращалась внутри приборов.
Таблица 7.2.6.1.
Характеристика изучаемых 232 образцов
зерна мягкой пшеницы
Показатель качества Среднее арифме- тическое Мини- маль- ное Макси- маль- ное Размах варьи- рования
Содержание белка в зерне, % Масса 1000 зерен, г Натура, г/л Стекловидность, % Выход муки, % Показатель седиментации, мл Клейковина сырая зерна, % Качество клейковины зерна, ед. ИДК Клейковина сырая муки, % Качество клейковины муки, ед. ИДК Клейковина сухая зерна, % Клейковина сухая муки, % Удельная работа деформации теста, еа Упругость теста, мм Отношение упругости к растяжимости Водопоглотительная способ- ность, % Время до начала разжижения теста, мин Показатель разжижения, теста, е ф Валориметрическая оценка, ев Объем хлеба из 100 г муки, мл Внешний вид хлеба, балл Пористость хлеба, балл Цвет мякиша хлеба, балл Эластичность, балл Общая оценка хлеба, балл 12,8 41,9 773 71,2 71,8 72,4 24,5 77,8 27,3 69,0 8,65 9,47 188 65,2 0,863 64,3 4,04 127 47,6 799 4,1 3,9 4,4 Л 1 зд 10,4 33,5 712 27,7 65,1 33,0 15,0 53,0 18,9, 41,0 4,35 6,57 35,0 22,0 0,10 56,0 0,50 37 18,0 350 2,7 2 2 2,2 16,2 52,4 834 98,0 75,7 97,0 32,6 102 36,4 111 11,9 12,5 455 134 2,73 68,0 10,5 270 96,0 1320 4,8 5 5 5 5,0 5,8 18,9 122 70,3 10,6 64,0 17,6 49,0 17,5 70,0 7,55 5,9 420 112 2,63 12,0 10,0 233 78,0 970 2,1 3 3 3 2,8
273
Все эти процедуры, включая математические преобразования и вы-
дачу результатов анализа, занимали не более 90 секунд.
При работе с моделью 4250 каждый спектр получали как средний
арифметический из 64 сканирований относительно встроенного кера-
мического стандарта, спектр которого сканировали перед съемкой
спектра каждого образца и после по 32 раза.
При установлении связей спектральных данных со значениями изу-
чаемых показателей качества зерна пшеницы проводили различные
предварительные преобразования спектров: дополнительное сглажи-
вание спектров методом бегущего окна [179], нормирование спектров
и устранение тренда [208], получение первой и второй производных
спектров [381, 529]. Ширина бегущего окна при сглаживании спект-
ров в большей части случаев составляла 8 — 10 нм (соответственно
4 или 5 точек спектра). Величину шага при получении производных
брали равной размеру окна при сглаживании.
Для получения градуировочных уравнений кроме метода множествен-
ной линейной регрессии использовали методы дробных наименьших квад-
ратов и регрессию на главных компонентах, описанные в разделе 5.
Для управления спектрофотометром и обработки данных использо-
ван пакет прикладных программ ИКС, поставляемый АО «Интерагро-
тех» в комплекте установки для скоростного анализа качества сель-
скохозяйственной продукции.
На рис. 7.2.6.2 и 7.2.6.3 показаны спектры диффузного отражения
232 образцов зерна пшеницы, на которые наложены кривые значений
коэффициентов корреляции оптической плотности с содержанием
белка и показателем разжижения теста. По характеру кривых коэф-
фициентов корреляции все изучаемые показатели четко подразделя-
ются на две группы. Значения коэффициентов корреляции оптичес-
кой плотности с большей частью показателей качества зерна имеют
отрицательные значения практически во всем изучаемом диапазоне
спектра так же, как с белком. По своему характеру кривые коэффи-
циентов корреляции этой группы показателей представляют как бы
зеркальное отражение спектров. Экстремумы на этих кривых нахо-
дятся при тех же длинах волн, что и экстремумы спектров, только
они противоположны по знаку. Это можно видеть из рис. 7.2.6.4, на
котором собраны имеющие подобие кривые коэффициентов корреля-
ции оптической плотности с содержанием белка, сырой и сухой клей-
ковины в зерне и муке, массы 1000 зерен, натурой, стекловидностью,
показателем седиментации, водопоглотительной способностью муки,
показателем разжижения и временем до начала разжижения теста,
удельной работой деформации теста, упругостью и отношением уп-
ругости к растяжимости теста, валориметрической оценкой, объем-
ным выходом хлеба из 1000 г муки, общей оценкой хлеба при
ириОнои лаоораюрнои выпечке. Все эти кривые обнаруживают
274
Рис. 7.2.6.2. Спектры диффузного отражения 232 образцов
зерна пшеницы (С) и кривая значений коэффициента
корреляции с содержанием белка (Б).
Рис. 7.2.6.3. Спектры диффузного отражения 232 образцов
зерна пшеницы (С) и кривая значений коэффициента
корреляции с показателем разжижения теста (R).
275
Рис. 7.2.6.4. Средний спектр зерна пшеницы (А) и кривые
значений коэффициентов корреляции спектральных данных
(В) с содержанием белка (Б), сырой и сухой клейковины в
зерне и муке, массой 1000 зерен, натурой зерна,
стекловидностью, показателем седиментации,
водопоглотительной способностью муки, удельной работой
деформации теста, упругостью теста, валориметрической
оценкой, отношением упругости к растяжимости теста (Ч),
временем до начала разжижения теста объемным выходом
хлеба и его общей оценкой.
276
подобие вплоть до мельчайших деталей, и единственное, что их раз-
личает, это абсолютные значения коэффициентов корреляции.
Другую группу показателей составляют выход муки, качество клейко-
вины зерна и муки, разжижение теста, кривые которых собраны на рис.
7.2.6.5. Кривые здесь в большей части случаев выражены плохо ввиду
малых значений коэффициентов корреляции. Наиболее четко выражена
кривая коэффициентов корреляции показателя разжижения теста по
фаринографу. Эта кривая является зеркальным отражением кривых ко-
Рис. 7.2.6.5. Средний спектр зерна пшеницы (А) и кривые
значений коэффициентов корреляции спектральных данных
(Б) с качеством клейковины зерна (3) и муки (М), выходом
муки (В), показателем разжижения теста (Р).
277
эффициентов корреляции, лежащих в отрицательной области значений.
Здесь находит отражение противоположность показателя разжижения с
такими свойствами, как, например, удельная работа деформации теста
или упругость. Совершенно ясно, что чем больше разжижение теста,
тем меньше его упругость и наоборот.
В большей части случаев значения коэффициента корреляции оп-
тической плотности с содержанием белка практически во всем изуча-
емом спектральном диапазоне имеют отрицательные значения. Полу-
чается так, что чем, например, выше содержание белка в зерне, а как
достоверно известно, это поглощающий излучение компонент, тем
больше инфракрасного излучения отражается от облучаемой пробы
и соответственно меньше его поглощается. Это трудно объяснимо.
Использование нормирования спектра и устранения его тренда исправ-
ляет положение. Как можно видеть из рис. 7.2.6.6, появились участки
спектра, где связь значений преобразованной оптической плотности с
содержанием белка стала иметь прямой, а не обратный характер.
Длина волны, нм
Рис. 7.2.6.6. Спектры 232 образцов зерна пшеницы после
Удаления тренда и нормирования (С) и кривая значений
коэффициента корреляции спектральных данных с
содержанием белка (Б).
278
Более определенную картину дает рассмотрение второй производ-
ной спектра, что обычно и используют при изучении природы спект-
ров. Как и при рассмотрении корреляции с оптической плотностью, в
данном случае изучаемые показатели можно разделить на те же две
группы. Большая часть показателей дает картину корреляции со вто-
рой производной подобно содержанию белка. Это содержание сырой
и сухой клейковины в зерне и муке, масса 1000 зерен, натура зерна,
стекловидность, показатель седиментации, водопоглотительная спо-
собность, разжижение теста и время до начала разжижения, удель-
ная работа деформации теста, упругость теста, отношение упругости
к растяжимости, валориметрическая оценка, объемный выход и об-
щая оценка хлеба при пробной лабораторной выпечке (рис. 7.2.6.7).
Во вторую группу можно отнести показатели качества клейковины
зерна и муки, разжижение теста и выход муки. Соответствующие
кривые показаны на рис. 7.2.6.8.
При рассмотрении графиков со второй производной необходимо
иметь в виду, что максимумам поглощения инфракрасного излучения
в данном случае соответствуют минимумы производной. Глубокие
минимумы на кривых коэффициента корреляции при длинах волн
около 1500; 1970; 2180 нм связаны с довольно четко выраженными
полосами поглощения, обусловленными колебаниями связей водоро-
да с азотом, а минимум около 1740 нм — с группой S—Н. Миниму-
мы около 1400 и 1900 нм связаны с группами О—Н белка, но на них
накладываются очень интенсивные полосы поглощения связей О—Н
воды, что смазывает картину.
Вывод, который можно сделать на основании полученных результа-
тов, состоит в том, что в основе корреляции спектральных данных с
показателями качества зерна лежит их причинная связь с наличием в
составе его вещества молекул с функциональными группами, содержа-
щими водород, связанный с кислородом, азотом, серой. В конечном
счете количество и соотношение этих групп определяют гидрофильные
свойства компонентов зерна, количество поперечных связей между пеп-
тидными цепями, образование межмолекулярных связей [14, 144] и ряд
других моментов, определяющих свойства зерна, получаемой из него
муки и теста, а в конечном итоге и выпекаемого из нее хлеба.
Общая причинная связь изучаемых показателей находит свое выра-
жение и в их взаимной корреляции. Как показывают данные, приве-
денные в таблице 7.2.6.2, между большей частью изучаемых показа-
телей качества наблюдается весьма достоверная корреляция. При том
числе степеней свободы, которую содержит изучаемая выборка, ми-
нимальное абсолютное значение коэффициента корреляции, соответ-
ствующее доверительной вероятности 0,95, составляет 0,16. Исходя
из этого, достоверными нельзя признать только связи выхода муки и
качества клейковины зерна с рядом других показателей. Очень тес
279
Рис. 7.2.6.7. Вторая производная среднего спектра зерна
пшеницы (А) и кривые коэффициентов корреляции
спектральных данных (В) с содержанием белка (Б), сырой
и сухой клейковины в зерне и муке, массой 1000 зерен,
натурой зерна, стекловидностью, показателем седиментации,
водопоглотительной способностью муки, удельной работой
Деформации теста, упругостью теста, валориметрической
оценкой, отношением упругости к растяжимости теста,
временем до начала разжижения теста.
280
Длина волны, нм
Рис. 7.2.6.8. Вторая производная среднего спектра зерна
пшеницы (А) и кривые значений коэффициентов корреляции
спектральных данных (Б) с качеством клейковины зерна
(3) и муки (М), выходом муки (В), показателем
разжижения теста (Р).
Таблица 7.2.6.2.
Коэффициенты парной корреляции показателей качества зерна пшеницы
№ Показатели качества Показатели качества
1 2 3 4 5 6 7 8 9 10
1 Масса 1000 зерен, г 1,000
2 Натура зерна, г/дм3 0,415 1,000
3 Стекловидность зерна, % 0,557 0,735 1,000
4 Выход муки, % 0,100 -0,067 -0,278 1,000
5 Показатель седиментации, мл 0,496 0,665 0,822 -0,099 1,000
6 Содержание сырой клейковины в зерне, % 0,638 0,655 0,829 -0,173 0,816 1,000
7 Качество клейковины зерна, ед. ИДК -0,136 0,278 0,135 -0,009 0,098 0,198 1,000
8 Содержание сырой клейковины в муке, % 0,625 0,646 0,833 -0,208 0,784 0,950 0,178 1,000
9 Качество клейковины муки, ед. ИДК -0,265 -0,215 -0,357 0,089 -0,398 -0,246 0,507 -0,199 1,000
10 Содержание сухой клейковины в зерне, % 0,621 0,637 0,813 -0,226 0,797 0,954 0,083 0,937 -0,314 1,000
11 Содержание сухой клейковины в муке, % 0,597 0,652 0,865 -0,223 0,803 0,927 0,164 0,963 -0,313 0,928
12 Удельная работа деформации теста по альвеографу, еа 0,485 0,615 0,743 -0,199 0,760 0,679 -0,134 0,652 -0,541 0,724
13 Упругость теста, мм 0,539 0,496 0,616 -0,200 0,573 0,557 0,240 0,536 -0,533 0,618
14 Отношение упругости теста к растяжимости 0,438 0,266 0,345 -0,165 0,265 0,266 -0,283 0,255 -0,415 0,329
15 Водопоглотительная способность, % 0,600 0,335 0,538 0,261 0,404 -0,661 0,002 0,650 -0,063 0,645
16 Время до начала разжиже- ния теста, мин 0,421 0,705 0,796 -0,121 0,726 0,720 0,174 0,721 -0,314 0,715
281
282
Таблица 7.2.6.2 (продолжение)
№ Показатели качества Показатели качества
1 2 3 4 5 6 7 8 9 10
17 18 19 20 21 Показатель разжижения теста, ед. фаринографа Валориметрическая оценка, % Объем хлеба из 100 г муки, мл Общая оценка хлеба, балл Содержание белка, % -0,391 0,468 0,585 0,422 0,669 -0,645 0,710 0,671 0,614 0,516 -0,704 0,835 0,809 0,673 0,815 -0,117 -0,187 -0,175 -0,059 -0,250 -0,731 0,776 0,795 0,716 0,759 -0,587 0,771 0,798 0,637 0,928 -0,039 0,070 -0.086 -0,048 -0,016 -0,551 0,766 0,775 0,584 0,912 0,554 -0,429 -0,552 -0,553 -0,236 0,630 0,792 0,665 0,783 0,914
№ Показатели качества 11 12 13 14 15 16 17 18 19 20
11 12 13 14 15 16 17 18 19 20 21 Содержание сухой клей- ковины в муке, % Удельная работа деформации теста по альвеографу, еа Упругость теста, мм Отношение упругости теста к растяжимости Водопоглотительная способ- ность, % Время до начала разжи- жения теста, мин Показатель разжижения теста, ед. фаринографа Валориметрическая оценка, % Объем хлеба из 100 г муки, мл Общая оценка, балл Содержание белка, % 1,000 0,698 0,572 0,289 0,601 0,759 -0,623 0,815 0,821 0,659 0,894 1,000 0,880 0,581 0,441 0,715 -0,850 0,844 0,868 0,786 0,609 1,000 0,861 0,553 0,568 -0,760 0,710 0,767 0,691 0,513 1,000 0,472 0,311 -0,495 0,424 0,485 0,433 0,282 1,000 0,345 -0,244 0,401 0,476 0,293 0,764 1,000 -0,684 0,935 0,734 0,636 0,675 1,000 -0,822 -0,849 -0,861 -0,455 1,000 0,858 0,762 0,719 1,000 0,897 0,702 1,000 0,487
283
ные связи наблюдаются между содержанием белка клейковины, ря-
дом показателей физических свойств теста и качества хлеба.
Из таблицы 7.2.6.2 видно также, что разжижение теста, качество
клейковины муки и зерна, выраженные показателями ИДК, обнару-
живают обратную связь с другими показателями, что проявляется и
на характере корреляции их со спектральными данными, рассмотрен-
ном выше.
Парные корреляции спектральных данных с показателями качества
зерна недостаточно тесные, чтобы их можно было использовать в
целях количественного анализа. Более точные результаты в инфра-
красной спектроскопии дает изучение многофакторных связей с ис-
пользованием методов множественной линейной регрессии, регрессии
на главных компонентах и метода дробных наименьших квадратов.
При этом большое значение придается использованию различных спо-
собов предварительной обработки спектральных данных.
Для изучения этих вопросов различными методами при различных
преобразованиях спектров были получены регрессионные уравнения,
связывающие спектральные данные с изучаемыми показателями ка-
чества зерна. По полученным уравнениям были рассчитаны показате-
ли качества, которые затем сравнивались с исходными лабораторны-
ми данными. В результате были рассчитаны соответствующие коэф-
фициенты корреляции и среднеквадратические отклонения данных,
рассчитанных по уравнениям регрессии, от фактических. Результаты
представлены в таблицах 7.2.6.3 — 7.2.6.23.
Из полученных данных видно, что результаты анализов, выполнен-
ных на сравниваемых приборах, заметно различаются по точности
при определении некоторых показателей, но не столь значительно. В
целом модель 4500 дает несколько более точные результаты анализа,
чем модель 4250, но с точки зрения практики это преимущество
несущественно.
В большей части случаев наиболее высокую точность дает первая
производная при шаге дифференцирования в 4 точки спектра (8 нм) и
сглаживании методом скользящего среднего также по 4 точкам. Для
некоторых показателей более высокую точность предсказания дают
использование второй производной или другие варианты преобразо-
ваний, но получаемые при этом различия статистически недостовер-
ны, если сравнивать получаемые дисперсии по /•'-критерию Фишера.
Нормирование спектров и устранение тренда, как правило, несколько
Ухудшают результаты. В целом различия, получаемые при использо-
вании различных преобразований спектральных данных, не столь зна-
чительны, как это следовало ожидать, исходя из литературных дан-
ных, а также из очень четкого улучшения корреляции спектральных
Данных с рассматриваемыми показателями, которое дают изучаемые
способы преобразования спектров.
284
Таблица 7.2.6.3.
Точность градуировочных уравнений, связывающих
спектральные данные с массой 1000 зерен, при различных
методах математической обработки результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 2 0,1,1 2,48 5,9 0,831
4250 МЛР 6 1,4,4 1,91 4,6 0,900
ДНК 13 0,1,1 2,12 5,1 0,877
ДНК 10 0,1,1Д 2,13 5,1 0,878
ДНК 8 1,4,4 2,11 5,0 0,879
ДНК 7 1,5,5 2,12 5,1 0,870
ДНК 7 2,4,4 2,11 5,0 0,879
ДНК 8 2,5,5 2,15 5,1 0,865
Модель МЛР 8 0,1,1 2,14 5,1 0,877
4500 МЛР 11 0,1,1Д 2,07 4,9 0,883
МЛР 5 1,4,4 2,53 6,0 0,819
ДНК 13 0,1,1 2,09 5,0 0,880
ДНК 11 0,1,1Д 2,04 4,9 0,882
ДНК 9 1,2,2 2,00 4,8 0,889
ДНК 10 1,3,3 1,90 4,5 0,905
ДНК 9 1,4,4 2,01 4,8 0,889
ДНК 8 1,5,5 2,00 4,8 0,890
ДНК 13 1,10,5 2,06 4,9 0,881
ДНК 10 2,4,4 1,99 4,7 0,894
ДНК 11 2,10,5 1,81 4,3 0,911
ДНК 10 4,5,5 1,94 4,6 0,894
РГК 11 1,4,4 2,13 5,1 0,872
Обозначения:
МЛР — пошаговый метод множественной линейной регрессии;
ДНК — метод дробных наименьших квадратов;
РГК — регрессия на главных компонентах;
0,1,1Д — первый знак — порядок производной, второй знак —
расстояние между точками спектра при получении производ-
ных, третий знак — число точек спектра при расчете среднего
при сглаживании спектров методом скользящего среднего;
Д — спектр нормирован и устранен тренд;
R — коэффициент множественной регрессии.
285
Таблица 7.2.6.4.
Точность градуировочных уравнений, связывающих
спектральные данные с натурой зерна, при различных
методах математической обработки результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 7 0,1,1 13,8 1,8 0,849
4250 МЛР 4 1,4,4 11,9 1,5 0,889
ДНК 13 0,1,1 13,2 1,7 0,866
ДНК 13 0,1,1Д 13,3 1,7 0,860
ДНК 12 1,4,4 11,8 1,5 0,894
ДНК 12 1,5,5 12,1 1,6 0,884
ДНК 8 2,4,4 12,3 1,6 0,883
ДНК 11 2,5,5 н,з 1,5 0,906
Модель МЛР 8 0,1,1 13,1 1,7 0,866
4500 МЛР 3 0,1,1Д 15,4 2,0 0,812
МЛР 3 1,4,3 14,2 1-8 0,843
ДНК 13 0,1,1 12,2 1,6 0,883
днк 12 0,1,1Д 11,6 1,5 0,894
ДНК 8 1,2,2 9,99 1,3 0,927
ДНК 10 1,3,3 10,4 1,3 0,918
ДНК 12 1,4,4 10,0 1,3 0,922
ДНК 12 1,5,5 10,3 1,3 0,922
ДНК 13 1,10,5 10,6 1,4 0,914
ДНК 11 2,4,4 9,51 1,2 0,933
днк 13 2,10,5 10,5 1,4 0,917
ДНК 9 4,5,5 10,6 1,4 0,915
РГК 8 1,4,4 14,9 1,9 0,825
Обозначения те же, что и в таблице 7.2.6.3.
286
Таблица 7.2.6.5.
Точность градуировочных уравнений, связывающих
спектральные данные со стекловидностью зерна пшеницы,
при различных методах математической обработки
результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн., %
Модель МЛР 4 0,1,1 6,50 9,1 0,938
4250 МЛР 4 1,4,4 5,49 7,7 0,959
ДНК 13 0,1,1 5,84 8,2 0,950
ДНК 11 0,1,1Д 5,73 8,1 0,954
ДНК 9 1,4,4 5,78 8,1 0,954
ДНК 9 1,5,5 5,82 8,2 0,952
ДНК 5 2,4,4 6,33 8,9 0,943
ДНК 8 2,5,5 5,73 8,1 0,959
Модель МЛР 3 0,1,1 6,81 9,6 0,933
4500 МЛР 3 0,1,1Д 6,63 9,3 0,938
МЛР 3 1,4,4 6,64 9,3 0,937
ДНК 13 0,1,1 5,62 7,9 0,954
ДНК 12 0,1,1Д 5,48 7,7 0,959
ДНК 8 1,2,2 5,57 7,8 0,954
ДНК 8 1,3,3 5,69 8,0 0,953
ДНК 8 1,4,4 5,75 8,1 0,950
ДНК 10 1,5,5 5,49 7,7 0,959
ДНК 12 1,10,5 5,34 7,5 0,962
ДНК 7 2,4,4 5,67 8,0 0,950
ДНК 9 2,10,5 5,77 8,1 0,949
ДНК 8 3,5,5 5,61 7,9 0,951
ДНК 4 4,5,5 6,14 8,6 0,943
РГК 13 1,4,4 6,10 8,6 0,949
Обозначения те же, что и в таблице 7.2.6.3.
287
Таблица 7.2.6.6.
Точность градуировочных уравнений, связывающих
спектральные данные с содержанием белка в зерне
пшеницы, при различных методах математической
обработки результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 4 0,1,1 0,23 1,8 0,985
4250 МЛР 6 0,1,1Д 0,19 1,5 0,988
МЛР 8 1,4,4 0,17 1,3 0,990
МЛР 7 1.4.4Д 0,17 1,3 0,990
Модель МЛР 8 0,1,1 0,18 1,4 0,990
4500 МЛР 6 0,1,1Д 0,19 1,5 0,988
ДНК 9 0,1,1 0,16 1,3 0,995
ДНК 7 0,1,1Д 0,17 1,3 0,989
ДНК 8 1,3,3 0,16 1,3 0,995
ДНК 9 1,4,4 0,16 1,3 0,995
ДНК 9 1.4.4Д 0,16 1,3 0,995
ДНК 11 1,10,5 0,16 1,3 0,995
ДНК 9 1,Ю,5Д 0,17 1,3 0,989
ДНК 11 1,15,5 0,16 1,3 0,995
ДНК 9 1.15.5Д 0,17 1,3 0,991
ДНК 12 1,20,5 0,16 1,3 0,995
ДНК 10 2,4,4 0,15 1,2 0,996
ДНК 10 2,4,4Д 0,15 1,2 0,996
ДНК 11 2,5,5 0,16 1,3 0,995
ДНК 9 2,10,5 0,17 1,3 0,990
ДНК 9 2.10.5Д 0,17 1,3 0,988
ДНК 11 2,15,5 0,16 1,3 0,993
ДНК 8 3,5,5Д 0,17 1,3 0,988
ДНК 9 4,5,5 0,17 1,3 0,987
ДНК 9 4,5,5Д 0,17 1,3 0,988
РГК 13 1,4,4 0,17 1,3 0,989
Обозначения те же, что и в таблице /.2.6.3
288
Таблица 7.2.6.7.
Точность градуировочных уравнений, связывающих
спектральные данные с выходом муки,
при различных методах математической обработки
результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 3 0,1,1 1,29 1,8 0,548
4250 МЛР 5 1,4,4 0,98 1,4 0,768
ДНК 11 0,1,1 1,11 1,6 0,700
ДНК 10 0,1,1 1,16 1,6 0,663
ДНК 11 1,4,4 1,00 1,4 0,762
ДНК 11 1,5,5 1,01 1,4 0,755
ДНК 9 2,4,4 0,98 1,4 0,775
днк 10 2,5,5 0,97 1,4 0,781
Модель МЛР 1 0,1,1 1,46 2,0 0,332
4500 МЛР 2 0,1,1Д 1,37 1,9 0,458
МЛР 6 1,4,4 1,28 1,8 0,566
ДНК 13 0,1,1 1,06 1,5 0,721
ДНК 10 0,1.1Д 1,03 1,4 0,742
ДНК 11 1,3,3 0,98 1,4 0,768
ДНК 10 1,4,4 1,03 1,4 0,742
ДНК 9 1,5,5 0,92 1,3 0,802
ДНК 8 2,4,4 1,09 1,5 0,707
ДНК 8 3,5,5 1,11 1,5 0,700
ДНК 9 4,5,5 1,06 1,5 0,725
РГК 13 1,4,4 1,16 1,6 0,663
Обозначения те же, что и в таблице 7.2.6.3.
289
Таблица 7.2.6.8.
Точность градуировочных уравнений, связывающих
спектральные данные с содержанием сырой клейковины
в зерне пшеницы, при различных методах математической
обработки результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн., %
Модель МЛР 5 0,1,1 1,23 5,0 0,959
4250 МЛР 6 1,4,4 1,00 4,1 0,975
ДНК 11 0,1,1 1,13 4,6 0,964
ДНК 11 0,1,1Д 1,11 4,5 0,970
днк 10 1,4,4 1,09 4,4 0,971
ДНК 10 1,5,5 1,10 4,5 0,968
ДНК 5 2,4,4 1,22 5,0 0,959
ДНК 12 2,5,5 0,93 3,8 0,980
Модель МЛР 5 0,1,1 1,17 4,8 0,964
4500 МЛР 8 0,1,1Д 1,12 4,6 0,965
МЛР 2 1,4,4 1,28 5,2 0,959
ДНК 12 0,1,1 1,08 4,4 0,970
ДНК 13 0,1,1Д 1,03 4,2 0,959
ДНК 10 1,2,2 0,93 3,8 0,980
ДНК 10 1,3,3 0,94 3,8 0,975
ДНК 11 1,4,4 0,92 3,8 0,982
ДНК 10 1,5,5 0,98 4,0 0,972
ДНК 11 1,10,5 0,99 4,0 0,970
ДНК 10 2,4,4 0,92 3,8 0,982
ДНК 11 2,10,5 0,97 4,0 0,973
ДНК 10 3,5,5 0,98 4,0 0,964
ДНК 12 4,5,5 1,17 4,8 0,960
РГК 13 1,4,4 1,19 4,9 0,959
Обозначения те же, что и в таблице 7.2.6.3.
290
Таблица 7.2.6.Э.
Точность градуировочных уравнений, связывающих
спектральные данные с содержанием сухой клейковины
в зерне пшеницы, при различных методах математической
обработки результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 5 0,1,1 0,51 5,9 0,949
4250 МЛР 2 1,4,4 0,43 5,0 0,964
ДНК 8 0,1,1 0,48 5,6 0,954
ДНК 7 0,1,1Д 0,50 5,8 0,949
ДНК 13 1,4,4 0,43 5,0 0,964
ДНК 10 1,5,5 0,46 5,2 0,959
ДНК 6 2,4,4 0,48 5,5 0,955
Модель МЛР 6 0,1,1 0,48 5,5 0,954
4500 МЛР 3 0,1,1Д 0,55 6,4 0,938
МЛР 6 1,4,4 0,48 5,5 0,954
ДНК 10 1,2,2 0,42 4,9 0,964
ДНК 10 1,3,3 0,43 5,0 0,960
ДНК 8 1,4,4 0,42 4,9 0,964
ДНК 10 1,5,5 0,44 5,1 0,958
ДНК 9 1,10,5 0,46 5,3 0,959
ДНК 11 2,10,5 0,43 5,0 0,960
днк 10 3,5,5 0,43 5,0 0,960
Обозначения те же, что и в таблице 7.2.6.3.
291
Таблица 7.2.6.10.
Точность градуировочных уравнений, связывающих
спектральные данные с качеством клейковины зерна
пшеницы (показания ИДК), при различных методах
математической обработки результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 2 0,1,1 9,10 11,6 0,469
4250 МЛР 2 1,4,4 7,77 10,0 0,648
ДНК 7 0,1,1 8,82 11,4 0,500
ДНК 10 0,1,1Д 8,14 10,5 0,608
ДНК 5 1,4,4 8,99 11,6 0,480
ДНК 6 1,5,5 8,86 11,4 0,500
ДНК 5 2,4,4 8,88 11,4 0,493
ДНК 5 2,5,5 8,91 11,5 0,490
Модель ДНК 9 0,1,1 8,64 11,1 0,539
4500 ДНК 8 0,1,1Д 8,53 11,0 0,558
ДНК 6 1,2,2 8,63 11,0 0,535
днк 7 1,3,3 8,41 11,0 0,565
ДНК 8 1,4,4 8,30 10,7 0,569
ДНК 7 1,5,5 8,46 10,9 0,566
ДНК 8 1,10,5 8,42 10,5 0,568
ДНК 6 2,4,4 8,37 10,8 0,564
ДНК 6 2,10,5 8,53 11,0 0,547
ДНК 5 3,5,5 8,63 Н,1 0,531
ДНК 6 4,5,5 8,63 11,1 0,539
РГК 13 1,4,4 8,59 11,0 0,545
Обозначения те же, что и в таблице 7.2.6.3.
292
Таблица 7.2.6.11.
Точность градуировочных уравнений, связывающих
спектральные данные с содержанием сырой клейковины в
муке, при различных методах математической обработки
результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 5 0,1,1 1,28 4,7 0,943
4250 МЛР 3 1,4,4 1,11 4,1 0,960
ДНК 8 0,1,1 1,27 4,7 0,943
ДНК 12 0,1,1Д 1,18 4,3 0,954
ДНК 12 1,4,4 1,12 4,1 0,959
ДНК 4 2,4,4 1,30 4,8 0,940
ДНК 13 1,5,5 1,11 4,1 0,960
ДНК 4 2,5,5 1,30 4,8 0,940
Модель ДНК 10 0,1,1 1,23 4,5 0,949
4500 ДНК 13 0,1,1Д 1,14 4,2 0,954
ДНК 11 1,2,2 1,03 3,8 0,964
ДНК 11 1,3,3 1,06 3,9 0,959
ДНК 11 1,4,4 1,07 3,9 0,961
ДНК 11 1,5,5 1,08 4,0 0,959
ДНК 6 2,4,4 1,23 4,1 0,949
ДНК 7 2,10,5 1,10 4,0 0,958
ДНК 6 3,5,5 1,22 4,5 0,950
ДНК 7 4,5,5 1,19 4,4 0,952
Обозначения те же, что и в таблице 7.2.6.3.
293
Таблица 7.2.6.12.
Точность градуировочных уравнений, связывающих
спектральные данные с содержанием сухой
клейковины в муке, при различных методах
математической обработки результатов
измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 3 0,1,1 0,51 5,4 0,927
4250 МЛР 5 1,4,4 0,38 4,8 0,959
ДНК 12 0,1,1 0,44 4,7 0,949
ДНК 12 1,4,4 0,43 5,0 0,962
ДНК 12 1,5,5 0,40 4,2 0,954
ДНК 7 2,4,4 0,43 4,5 0,949
Модель ДНК 5 1,2,2 0,47 5,0 0,943
4500 ДНК 10 1,3,3 0,39 4,1 0,959
ДНК 12 1,4,4 0,38 4,0 0,966
ДНК 11 1,5,5 0,39 4,1 0,959
ДНК 11 1,10,5 0,40 4,2 0,956
ДНК 13 2,10,5 0,38 4,0 0,966
ДНК 6 3,5,5 0,45 4,8 0,945
Обозначения те же, что и в таблице 7.2.6.3.
294
Таблица 7.2.6.13.
Точность градуировочных уравнений, связывающих
спектральные данные с качеством клейковины муки
(показания ИДК), при различных методах математической
обработки результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 2 0,1,1 10,1 14,7 0,490
4250 МЛР 1 1,4,4 8,98 13,0 0,640
днк 11 0,1,1 9,35 13,6 0,600
ДНК 11 0,1,1Д 9,30 13,5 0,608
ДНК 6 1,4,4 9,84 14,3 0,539
ДНК 10 1,5,5 9,38 13,6 0,600
ДНК 5 2,4,4 9,85 14,3 0,540
ДНК 5 2,5,5 9,87 14,3 0,538
ДНК 9 4,5,5 10,2 14,8 0,480
Модель ДНК 3 0,1,1 10,2 14,8 0,490
4500 ДНК 5 0,1,1Д 10,0 14,5 0,520
ДНК 5 1,2,2 9,92 14,4 0,529
ДНК 5 1,3,3 9,94 14,4 0,527
ДНК 4 1,4,4 10,3 14,9 0,469
ДНК 5 1,5,5 9,96 14,4 0,520
ДНК 9 1,10,5 9,32 13,5 0,608
ДНК 3 2,4,4 10,3 14,9 0,470
ДНК 7 2,10,5 9,61 13,9 0,566
ДНК 3 3,5,5 10,3 14,9 0,469
РГК 12 1,4,4 9,88 14,3 0,539
Обозначения те же, что и в таблице 7.2.6.3.
295
Таблица 7.2.6.14.
Точность градуировочных уравнений, связывающих
спектральные данные с показателем седиментации, при
различных методах математической обработки результатов
измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 3 0,1,1 7,82 10,8 0,866
4250 МЛР 4 1,4,4 6,35 8,8 0,917
ДНК 8 0,1,1 7,41 10,2 0,883
ДНК 10 0,1,1Д 6,91 9,6 0,894
ДНК 6 1,4,4 7,30 10,1 0,885
ДНК 6 1,5,5 7,31 10,0 0,884
ДНК 5 2,4,4 7,30 Ю,1 0,885
ДНК 5 2,5,5 7,35 10,2 0,883
Модель ДНК 12 0,1,1 6,92 9,6 0,895
4500 ДНК 10 0,1,1Д 7,02 9,7 0,894
ДНК 8 1,2,2 6,72 9,3 0,900
ДНК 8 1,3,3 6,87 9,5 0,898
ДНК 6 1,4,4 6,95 9,6 0,894
ДНК 6 1,5,5 5,97 8,3 0,922
ДНК 10 1,10,5 6,90 9,6 0,898
ДНК 5 2,4,4 6,69 9,2 0,906
ДНК 9 2,10,5 6,90 9,6 0,898
ДНК 7 3,5,5 6,70 9,3 0,904
РГК 13 1,4,4 7,39 10,2 0,883
Обозначения те же, что и в таблице 7.2.6.3.
296
Таблица 7.2.6.15.
Точность градуировочных уравнений, связывающих
спектральные данные с удельной работой деформации
теста, при различных методах математической обработки
результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 4 0,1,1 48,9 26,0 0,787
4250 МЛР 2 1,4,4 40,2 21,4 0,866
ДНК 13 0,1,1 43,7 23,2 0,837
ДНК 8 0,1,1Д 45,5 24,2 0,825
ДНК 11 1,4,4 42,0 22,3 0,851
ДНК 11 1,5,5 42,6 22,7 0,848
ДНК 6 2,4,4 46,0 24,5 0,819
ДНК 6 2,5,5 46,9 24,9 0,812
Модель ДНК 13 0,1,1 43,1 23,0 0,843
4500 ДНК 13 0,1,1Д 41,4 22,1 0,854
ДНК 12 1,2,2 38,4 20,5 0,879
ДНК 13 1,3,3 37,6 20,0 0,883
ДНК 12 1,4,4 38,5 20,5 0,877
днк 12 1,5,5 39,4 21,0 0,872
ДНК 12 1,10,5 41,0 21,9 0,860
ДНК 9 2,4,4 41,4 22,0 0,854
ДНК 12 2,10,5 41,2 22,0 0,858
ДНК 8 3,5,5 43,8 23,3 0,837
Обозначения те же, что и в таблице 7.2.6.3.
297
Таблица 7.2.6.16.
Точность градуировочных уравнений, связывающих
спектральные данные с упругостью теста,
при различных методах математической обработки
результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 3 0,1,1 17,4 26,7 ' 0,586
4250 МЛР 3 1,4,4 13,6 20,9 0,825
ДНК 13 0,1,1 14,5 22,3 0,794
ДНК 13 0,1,1Д 13,9 21,3 0,812
днк 13 1,4,4 13,6 20,9 0,819
ДНК 12 1,5,5 13,9 21,3 0,812
ДНК 6 2,4,4 15,4 23,6 0,768
Модель ДНК 13 0,1,1 13,7 21,0 0,819
4500 ДНК 13 0,1,1Д 13,4 20,6 0,831
ДНК 12 1,2,2 11,8 18,1 0,872
ДНК 13 1,3,3 11,5 17,7 0,878
ДНК 13 1,4,4 11,8 18,1 0,872
ДНК 13 1,5,5 12,1 16,6 0,860
ДНК 13 1,10,5 12,8 19,6 0,843
ДНК 9 2,4,4 13,7 21,0 0,820
ДНК 13 2,10,5 12,9 19,8 0,840
ДНК 9 3,5,5 13,8 21,2 0,816
Обозначения те же, что и в таблице 7.2.6.3.
298
Таблица 7.2.6.17.
Точность градуировочных уравнений,
связывающих спектральные данные
с отношением упругости теста к растяжению,
при различных методах математической обработки
результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн., %
Модель МЛР 2 0,1,1 0,36 41,9 0,447
4250 МЛР 5 1,4,4 0,29 33,7 0,693
ДНК 13 0,1,1 0,31 36,1 0,648
ДНК 13 0,1,1Д 0,30 34,9 0,678
ДНК 11 1,4,4 0,30 34,9 0,678
ДНК 11 1,5,5 0,30 34,9 0,665
ДНК 6 2,4,4 0,32 37,2 0,624
Модель ДНК 13 0,1,1 0,28 32,6 0,721
4500 ДНК 9 0,1,1Д 0,30 34,9 0,678
ДНК 8 1,2,2 0,31 36,1 0,648
ДНК 12 1,3,3 0,26 30,2 0,771
ДНК 13 1,4,4 0,25 23,3 0,781
ДНК 13 1,5,5 0,26 30,2 0,768
ДНК 12 1,10,5 0,28 32,6 0,728
ДНК 8 2,4,4 0,30 34,9 0,672
ДНК 13 2,10,5 0,27 31,4 0,748
ДНК 8 3,5,5 0,30 34,9 0,671
Обозначения те же, что и в таблице 7.2.6.3.
299
Таблица 7.2.6.18.
Точность регрессионных уравнений,
связывающих спектральные данные
с водопоглотительной способностью муки,
при различных методах математической
обработки результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 6 0,1,1 1,24 2,0 0,849
4250 МЛР 3 1,4,4 1,11 1,8 0,878
ДНК 8 0,1,1 1,25 2,0 0,843
ДНК 9 0,1,1Д 1,23 2,0 0,849
ДНК 7 1,4,4 1,24 2,0 0,849
ДНК 7 1,5,5 1,24 2,0 0,849
ДНК 6 2,4,4 1,23 2,0 0,850
Модель ДНК 7 1,2,2 1,24 2,0 0,848
4500 ДНК 13 1,3,3 0,96 1,6 0,911
ДНК 13 1,4,4 1,00 1,6 0,906
ДНК 13 1,5,5 1,02 1,7 0,897
ДНК 13 1,10,5 1,07 1,7 0,880
ДНК 5 2,4,4 1,00 1,6 0,898
ДНК 13 2,10,5 1,04 1,7 0,883
ДНК 10 3,5,5 1,29 2,1 0,831
Обозначения те же, что и в таблице 7.2.6.3.
300
Таблица 7.2.6.19.
Точность регрессионных уравнений, связывающих
спектральные данные с временем
до начала разжижения теста, при различных
методах математической обработки
результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 2 0,1,1 1,63 40,0 0,800
4250 МЛР 2 1.4,4 1,37 33,6 0,860
ДНК 2 0,1,1 1,48 36,3 0,843
ДНК 9 0,1,1Д 1,55 38,0 0,819
ДНК 4 1,4,4 1,52 37,3 0,831
ДНК 5 1,5,5 1,52 37,3 0,831
ДНК 5 2,4,4 1,51 37,0 0,836
Модель ДНК 5 1,2,2 1,55 38,0 0,819
4500 ДНК 5 1,3,3 1,56 38,2 0,817
ДНК 7 1,4,4 1,14 28,2 0,900
ДНК 5 1,5,5 1,57 38,5 0,816
ДНК 5 1,10,5 1,57 38,5 0,812
ДНК 5 2,4,4 1,33 32,9 0,860
ДНК 6 2,10,5 1,55 38,0 0,819
ДНК 5 3,5,5 1,36 33,7 0,854
Обозначения те же, что и в таблице 7.2.6.3.
301
Таблица 7.2.6.20.
Точность регрессионных уравнений, связывающих
спектральные данные со степенью разжижения теста, при
различных методах математической обработки результатов
измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 4 0,1,1 31,4 24,9 0,721
4250 МЛР 2 1,4,4 26,0 20,6 0,819
ДНК 7 0,1,1 30,6 24,3 0,735
ДНК 8 0,1,1Д 29,1 23,0 0,768
ДНК 6 1,4,4 30,2 23,9 0,748
ДНК 6 1,5,5 30,3 24,0 0,742
ДНК 6 2,4,4 28,2 22,3 0,781
Модель ДНК 12 0,1,1 27,5 21,7 0,794
4500 ДНК 13 0,1,1Д 26,1 20,6 0,818
ДНК 12 1,2,2 22,9 18,1 0,866
ДНК 12 1,3,3 23,3 18,9 0,854
ДНК 13 1,4,4 22,9 18,1 0,860
ДНК 12 1,5,5 24,5 19,4 0,843
ДНК 12 1,10,5 25,6 20,2 0,825
ДНК 9 2,4,4 25,8 20,4 0,825
ДНК 13 2,10,5 24,9 19,7 0,837
ДНК 9 3,5,5 25,6 20,2 0,827
Обозначения те же что и в таблице 7.2.6.3.
302
Таблица 7.2.6.21
Точность регрессионных уравнений, связывающих
спектральные данные с валориметрической оценкой, при
различных методах математической обработки результатов
измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 4 0,1,1 7,80 16,4 0,878
4250 МЛР 3 1,4,4 6,73 14,1 0,911
ДНК 10 0,1,1 7,46 15,6 0,889
ДНК 8 0,1,1Д 7,43 15,6 0,889
ДНК 6 1,4,4 7,63 16,0 0,883
ДНК 6 1,5,5 7,63 16,0 0,883
ДНК 4 2,4,4 7,90 16,6 0,872
Модель ДНК 13 0,1,1 7,08 14,9 0,900
4500 ДНК 13 0,1,1Д 6,80 14,3 0,906
ДНК 10 1,2,2 6,45 13,6 0,917
ДНК 10 1,3,3 6,65 14,0 0,913
ДНК 13 1,4,4 6,21 13,1 0,922
ДНК 12 1,5,5 6,50 13,9 0,916
ДНК 12 1,10,5 6,69 14,1 0,910
ДНК 6 2,4,4 7,55 15,8 0,886
днк 12 2,10,5 6,79 14,3 0,908
ДНК 9 3,5,5 6,83 14,4 0,906
Обозначения те же, что и в таблице 7.2.6.3.
303
Таблица 7.2.6.22.
Точность регрессионных уравнений, связывающих
спектральные данные с объемным выходом хлеба, при
различных методах математической обработки результатов
измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 2 0,1,1 120,4 15,1 0,843
4250 МЛР 4 1,4,4 93,6 11,7 0,906
ДНК 7 0,1,1 111,5 13,9 0,866
ДНК 8 0,1,1Д 105,5 13,2 0,883
ДНК 7 1,4,4 107,7 13,4 0,877
ДНК 7 1,5,5 107,4 13,4 0,879
ДНК 5 2,4,4 110,8 13,9 0,875
Модель ДНК 12 0,1,1 97,1 12,2 0,888
4500 ДНК 11 0,1,1Д 96,7 12,1 0,900
ДНК 8 1,2,2 95,8 12,0 0,905
ДНК 11 1,3,3 86,2 10,8 0,922
ДНК 13 1,4,4 81,1 10,1 0,933
ДНК 13 1,5,5 83,0 10,4 0,927
ДНК 8 1,10,5 103,9 13,0 0,884
ДНК 9 2,4,4 91,8 11,5 0,911
ДНК 11 2,10,5 95,5 12,0 0,907
ДНК 10 3,5,5 90,3 11,3 0,917
РГК 12 1,4,4 111,9 14,0 0,866
Обозначения те же. что и в таблице 7.2.6.3.
304
Таблица 7.2.6.23.
Точность градуировочных уравнений, связывающих
спектральные данные с общей оценкой хлеба пробной
выпечки, при различных методах математической
обработки результатов измерений
Прибор Метод градуи- ровки Число незави- симых перемен- ных в регрессии Математи- ческое преобра- зование спектра СКО от регрессии R
Абс. Отн.,%
Модель МЛР 3 0,1,1 0,45 11,8 0,693
4250 МЛР 4 1,4,4 0,37 9,7 0,801
ДНК 7 0,1,1 0,44 11,5 0,714
ДНК 9 0,1,1Д 0,41 10,8 0,762
ДНК 12 1,4,4 0,38 10,0 0,794
ДНК 12 1,5,5 0,39 10,2 0,787
ДНК 3 2,4,4 0,45 11,8 0,693
Модель ДНК 11 1,2,2 0,32 8,4 0,854
4500 ДНК 13 1,3,3 0,31 8,1 0,872
ДНК 13 1,5,5 0,33 8,7 0,854
ДНК 13 1,10,5 0,35 9,2 0,825
ДНК 5 2,4,4 0,44 11,5 0,694
ДНК 10 2,10,5 0,38 10,0 0,787
РГК 13 1,4,4 0,45 11,8 0,693
Обозначения те же, что и в таблице 7.2.6.3.
Из сравниваемых методов получения градуировочных уравнений
лучшим следует признать метод дробных наименьших квадратов. Точ-
ность, получаемая при использовании регрессии на главных компо-
нентах, в большей части случаев ниже. Кроме того, на расчет коэф-
фициентов градуировочного уравнения в случае использования мето-
305
да регрессии на главных компонентах затрачивается значительно боль-
ше машинного времени, чем при использовании метода дробных на-
именьших квадратов. Метод множественной линейной регрессии по
точности занимает промежуточное положение.
На основании полученных данных можно заключить, что наиболее
универсальным способом предварительного преобразования спектраль-
ных данных при определении показателей качества зерна пшеницы
является получение первой производной, а методом получения граду-
ировочного регрессионного уравнения — метод дробных наименьших
квадратов. Характеристики регрессионных уравнений, полученные та-
ким образом, сведены в таблицу 7.2.6.24.
К сожалению, оценить точность результатов, получаемых ИК-мето-
дом в сравнении с лабораторными методами, не представляется воз-
можным. В описаниях общепринятых методик определения изучае-
мых показателей качества зерна практически полностью отсутствуют
метрологические характеристики точности результатов измерений. В
лучшем случае приводится только сходимость результатов при про-
ведении параллельных анализов. При этом, например, в стандартах
Международного общества по химии зерна (ICC) точно указывается,
что речь идет о допускаемой разности результатов «двух определе-
ний, проводимых одновременно или в быстрой последовательности
одним и тем же лаборантом» [123].
Большие сомнения вызывает обычно и вопрос о том, является ли,
например, определение количества клейковины в зерне и ряда других
показателей при использовании ИК-метода прямым или косвенным по
корреляции клейковины с белком. Как можно видеть из приведенных
выше графиков, кривые коэффициента корреляции содержания белка
и сырой клейковины в зерне со второй производной практически
совпадают и различаются только в мелких деталях. Из данных, при-
веденных в таблице 7.2.6.2, видно, что рассматриваемые показатели
очень тесно коррелируют. Используя уравнения регрессии, связыва-
ющие эти показатели, особенно полиномиальное, которое дает боль-
шую точность, зная содержание белка, можно получить содержание
клейковины со среднеквадратической погрешностью 1,54%, как это
можно видеть из таблицы 7.2.6.25. В то же время с помощью ИК-
метода по градуировочному уравнению для первой производной со-
держание клейковины можно определить со среднеквадратической
погрешностью 0,92%, как это следует из данных таблицы 7.2.6.25.
Если рассчитать значение /•'-критерия, взяв отношение дисперсий ре-
зультатов анализов, получим F = (1,54)2/(0,92)2 = 2,37/0,846 =
2,80. При данном числе степеней свободы табличное значение для
доверительной вероятности 0,9995 составляет F = 1,60, что значи-
тельно меньше. Это позволяет заключить, что сравниваемые значе-
ния дисперсий различаются с очень высокой достоверностью. Из это-
306
Таблица 7.2.6.24.
Характеристика градуировочных уравнений для
определения показателей качества зерна
(первая производная 1.4.4, метод дробных наименьших
квадратов)
Показатель качества Среднее СКО от регрессии Коэфф, множествен. корреля- ции, R
Абс. Отн.,%
Белок, % 12,8 0,16 1,3 0,995
Масса 1000 зерен, г 41,9 2,01 4,8 0,889
Стекловидность, % 71,3 5,75 8,1 0,948
Выход муки, % 71,8 1,03 1,4 0,762
Показатель седимен- тации, мл 72,4 6,95 9,6 0,894
Клейковина сырая зерна, % 24,5 0,92 3,8 0,982
Качество клейковины зерна, ед. ИДК 77,8 8,3 11,0 0,569
Клейковина сырая муки, % 27,3 1,1 3,9 0,961
Качество клейковины муки, ед. ИДК 69,0 10,3 15,0 0,469
Клейковина сухая зерна, % 8,65 0,42 4,9 0,964
Клейковина сухая муки, % 9,47 0,38 4,0 0,966
Удельная работа дефор- мации теста, еа 187,6 38,5 21,0 0,877
Упругость теста, мм 65,2 12,1 17,0 0,860
Отношение упругость/ растяжимость 0,86 0,25 23 0,781
Водопоглотительная способность, % 64,3 1,0 1,6 0,906
Время до начала разжи- жения теста, мин 4,04 1,1 28,0 0,900
Показатель разжи- жения теста, еф 126,5 22,9 18,0 0,860
Валориметрическая оценка, ев 47,6 6,21 13,0 0,922
Объемный выход хлеба, мл 799,2 81,1 10,0 0,933
Общая оценка хлеба, балл 3,8 0,44 12 0,707
307
Таблица 7.2.6.25.
Статистические характеристики регрессионных уравнений,
связывающих содержание клейковины (У) с содержанием
белка (X ) в зерне пшеницы
Коэффи- циент уравнения, вп Показатель качества зерна, Хп Значение коэффи- циента СКО коэффи- циента Значение /-крите- рия Уровень значи- мости, а
Во в, Общая оце г = 0,928 1 Белок нка уравнен Модель: У -16,0 3,13 ия: - Вд + В; 1,18 0,092 X 13,6 34,1 <0,0005 <0,0005
г2 = 0,882 Во в, в2 Общая оце R = 0,942 S = 1,7 Моде Белок (Белок)2 нка уравнен! И; F ль: У = Вд -83,8 13,9 -0,42 тя: = 1159; + В,Х + 10,4 1,64 0,064 а <0,С 5 Л/ 8,07 8,47 6,56 Ю05 <0,0005 <0,0005 <0,0005
/?2= 0,887; S = 1,54; F = 731,0; а <0,0005
го следует, что нет оснований для утверждения, что определение
количества клейковины в зерне с помощью спектроскопии ближней
инфракрасной области основывается только на корреляции этого по-
казателя с содержанием белка, так как этот метод более точно опре-
деляет количество клейковины, чем это можно сделать, используя
корреляцию с содержанием белка. Если можно так выразиться, ИК-
метод «видит» в зерне то, что определяет количество получаемой из
него клейковины.
Используя множественную регрессию, можно рассчитать по дан-
ным общепринятых лабораторных анализов и объемный выход хлеба
при пробной выпечке. Как видно из данных, приведенных в таблице
7.2.6.26, используя такие показатели качества зерна, как натура,
стекловидность, количество клейковины зерна и ее качество (показа-
ния ИДК), то есть показатели, определяемые в соответствии с госу-
дарственным стандартом на пшеницу при оценке ее качества, можно
предсказать объемный выход хлеба со среднеквадратической погреш-
ностью 105 см3. Как можно видеть из таблицы 7.2.6.24, ИК-метод
может это сделать со среднеквадратической погрешностью 81 см3. В
308
Таблица 7.2.6.26.
Статистические характеристики регрессионных уравнений,
связывающих объемный выход хлеба пробной выпечки (У)
с показателями качества зерна (Хп)
Коэффи- циент уравнения, вп Показатель качества зерна, Хп Значение коэффи- циента СКО коэффи- циента Значение крите- рия Уровень значи- мости, а
Модель: Y = Во + В. *. + в2х2 +...+ В X
Во -1095 282,8 3,89 <0,0005
в, Натура 2,02 4,17 4,83 <0,0005
в2 Стекловид- ность 3,60 0,750 4,81 <0,0005
в3 Сырая клей- ковина зерна 23,0 2,88 7,98 <0,0005
в4 Качество клейковины зерна -6,15 0,725 8,48 <0,0005
Общая оценка уравнения: R = 0,887 R2= 0,786; S = 104,8; F = 204,2; а < 0,0005
данном случае, как и при определении клейковины по содержанию
белка, погрешности различаются с доверительной вероятностью бо-
лее 0,9995 (F. =1,68; F „ = 1,60).
Введение в уравнение регрессии в качестве независимых перемен-
ных натуры зерна, стекловидности, показателя седиментации, сырой
клейковины зерна и ее качества заметно улучшает точность предска-
зания объемного выхода хлеба, как это видно из данных, приведен-
ных в таблице 7.2.6.27. Лучшее, что можно получить из данных
лабораторных анализов для предсказания этого показателя, — это
включение в уравнение регрессии количества сырой клейковины зер-
на и ее качества, удельной работы деформации теста, показателя
разжижения теста и количества сухой клейковины в зерне. Характе-
ристики уравнения регрессии, связывающего объемный выход хлеба с
данными показателями, приведены в таблице 7.2.6.28. Из приведен-
ных данных следует, что по указанным показателям можно рассчи-
тать объемный выход хлеба со среднеквадратической погрешностью
74,5 см3. Это заметно лучше того, что дает ИК-метод, однако наблю-
даемое различие статистически недостоверно, так как различие сравни-
309
Таблица 7.2.6.27.
Статистические характеристики регрессионных уравнений,
связывающих объемный выход хлеба пробной выпечки (У)
с показателями качества зерна (Хя).
Коэффи- циент уравнения, Показатель качества зерна, Хп Значение коэффи- циента СКО коэффи- циента Значение /-крите- рия Уровень значи- мости, а
Во Модель: У = в0 + в, 187,8 X, + в2 X 36,4 + В X п п 0,51 0,640
Bi Натура 1,03 0,446 2,31 0,022
вг Стекловид- ность, 3,19 0,865 3,68 0,0003
В3 Показатель седимен- тации 2,36 0,924 2,56 0,0113
Сырая клейковина зерна 45,1 5,88 7,67 <0,0005
в5 Качество клейковины зерна -7,48 0,789 9,48 <0,0005
В. Белок -86,1 16,4 5,25 <0,0005
Общая оценка уравненг R = 0,904 R2= 0,817; S = 9 1я: 9,3; F = 13( 5,1; а <0,0005
ваемых дисперсий при доверительной вероятности 0,95 незначимо (F
= 1,18; FTa6j, = 1,26). Дополнительное введение в регрессионное уравне-
ние любого другого показателя, в том числе и содержания белка, было
статистически необоснованным. Получаемые значения соответствующих
коэффициентов уравнения при дополнительно включаемых переменных
Достоверно не отличались от нуля по /-критерию Стьюдента.
Таким образом, по информативности спектроскопия диффузного
отражения в ближней инфракрасной области практически не уступа-
ет целому комплексу общепринятых методов определения показате-
лей хлебопекарного качества зерна.
На основании полученных данных можно заключить, что наиболее
Универсальным способом преобразования спектральных данных при
определении показателей качества зерна НК методом является полу-
310
Таблица 7.2.6.28.
Статистические характеристики регрессионных уравнении,
связывающих объемный выход хлеба пробной выпечки (У)
с показателями качества зерна (Хя)
Коэффи- циент уравнения, Показатель качества зерна, Хп Значение коэффи- циента СКО коэффи- циента Значение /-крите- рия Уровень значи- мости, а
Во в, В2 В3 В4 в. О Общая оце R = 0,944 R2 = 0,892 Модель: У Сырая клейковина зерна Качество клейковины Удельная работа деформации теста Показатель разжижения теста Сухая клейковина зерна нка уравненг ; S = 7 = в0 + в,. 587,2 14,9 -2,58 0,486 -2,03 24,4 1я: 4,5; F = + В2 Х2 69,2 4,19 0,566 0,138 0,209 11,6 367,0; +... + В Хп п 8,49 3,56 4,55 3,52 9,74 2,11 а <0,0 <0,0005 <0,0005 <0,0005 <0,0005 <0,0005 0,05 005
чение первой производной при сглаживании спектра методом сколь-
зящего среднего по 4 точкам и шаге дифференцирования, также рав-
ным 4 точкам (8 нм). Лучшим методом получения градуировочного
уравнения является метод дробных наименьших квадратов. В этих
условиях по спектрам диффузного отражения шрота зерна можно
определить содержание белка (среднеквадратическая погрешность со-
ставляет 0,16%), клейковины в зерне (0,92%) и в муке (1,07%),
качество клейковины зерна (8,3 ед.ИДК), натуру зерна (10%), массу
1000 зерен (2,0 г), стекловидность (5,3%), выход муки (0,92%),
показатель седиментации (6.7 мл), водопоглотительную способность
311
(1,0%), объемный выход хлеба при пробной выпечке (100 см3). Эти
показатели могут быть определены со среднеквадратической погреш-
ностью до 10% (отн.) номинального значения. С относительной пог-
решностью до 20% можно определить валориметрическую оценку
(13% отн.), разжижение теста по фаринографу (18% отн.), упру-
гость теста (18%), удельную работу деформации теста по альвеогра-
фу (20% отн.). Среднеквадратическая погрешность определения об-
шей оценки хлеба при пробной выпечке составляет 0,31 балла. На-
именее точно можно предсказать отношение упругости к растяжи-
мости (23% отн.) и время до начала разжижения теста (28% отн.).
7.2.7. Определение качества пивоваренного ячменя
Одним из основных показателей качества пивоваренного ячменя явля-
ется содержание белка, определение которого в зерновых культурах
рассмотрено выше. Однако при определении качества зерновых культур
высокое содержание белка оценивается положительно, тогда как для
пивоваренного ячменя это отрицательный показатель. При повышении
содержания белка снижается экстрактивность зерна ячменя, ухудшают-
ся вкусовые качества пива и ряд других показателей этого продукта. В то
же время экстрактивность зерна прямо связана с содержанием крахмала.
Показано, что для определения содержания белка и крахмала в
пивоваренном ячмене хорошие результаты можно получить, исполь-
зуя фильтровый анализатор зерна Неотек-31. Результаты инфракрас-
ного анализа очень тесно коррелировали с данными химического ме-
тода. Коэффициент корреляции составлял 0,99 для белка и 0,96 для
крахмала. Различия данных, получаемых сравниваемыми методами, в
обоих случаях были статистически недостоверны, о чем судили по
значению /-критерия Стьюдента [51].
Для анализа пивоваренного ячменя использовали и сканирующий
монохроматорный анализатор InfraAlyzer-500 для определения таких
специфических показателей качества, как экстрактивность зерна и
солода, цвет алейронового слоя зерна и модифицированность эндос-
перма солода, содержание Д-глюкана, одновременно с содержанием
влаги и общего азота. Среднеквадратические отклонения от данных об-
щепринятых лабораторных методов составили 0,22% для влаги,
0,042% — для общего азота, 10,9 — для цвета алейронового слоя,
0,26 — для общего содержания jS-глюкана, 5,4 — для модифицирован-
ное™ крахмальных зерен солода, 1,4% — для экстрактивности [362].
Аналогичные по точности результаты определения экстрактивнос-
ти, содержания jS-глюкана, полученные на фильтровых анализаторах,
приводятся и в другой работе [444]. Об успешном определении с
помощью спектроскопии диффузного отражения /3-глюкана сообщает-
ся также в других работах [198, 299, 361].
Следует отметить, что определению содержания Д-глюкана в зерне
пивоваренного ячменя придается большое значение, так как этот по-
312
лисахарид, содержащийся в оболочках клеток эндосперма ячменя,
отрицательно влияет на качество пива. При повышенном содержании
Д-глюкана замедляется процесс созревания солода, снижается экстрак-
тивность, затрудняется отделение солодовой вытяжки, фильтрация
пива, усиливается образование осадка (отстоя) в готовом продукте
[635]. Определение Д-глюкана химическим методом представляет до-
вольно сложную процедуру, основанную на гидролизе этого вещества
под действием фермента /J-глюконазы. Это требует специально подго-
товленного препарата фермента с добавлением красителя, определе-
ния его активности и т.п. [475]. В этой связи использование инфра-
красной спектроскопии представляет значительный интерес.
Показана возможность определения витамина U (S-метилметионина) в
солоде, содержание которого составляет 5 — 50 млн1. Это вещество
участвует в процессе брожения, и в конечном итоге от его содержания
зависят вкусовые качества пива. При проведении анализа измеряли диф-
фузное отражение предварительно высушенного и размолотого до 1 мм
материала с помощью спектрофотометра модели 6250 фирмы NIRSys-
tems [312]. Градуировку проводили пошаговым методом множественной
линейной регрессии. В полученном градуировочном уравнении исполь-
зовались значения второй производной спектра при 4 длинах волн. Про-
верку градуировки проводили на 29 образцах, не входивших в градуиро-
вочную серию. При этом среднеквадратическое отклонение от данных,
полученных методом газовой хроматографии, было равно 2,65 млн1,
или 24,19% от среднего значения. Коэффициент корреляции составлял
0,791. Если для проведения градуировки использовали данные, получае-
мые с помощью жидкостной хроматографии высокого давления, резуль-
таты были несколько лучше. Среднеквадратическое отклонение снижа-
лось до 2,17 млн1, что составляло 20,35% от среднего, а коэффициент
корреляции повышался до 0,836. При этом следует отметить, что разли-
чия результатов, получаемых используемыми хроматографическими ме-
тодами, составляли от 10,3 до 28,0% (отн.), так что погрешность ИК-
метода в основном определялась точностью данных, положенных в осно-
ву градуировки. Если учесть это обстоятельство, ИК-метод представля-
ется очень перспективным для определения витамина U в солоде [312].
При определении показателей качества пивоваренного ячменя вполне
удовлетворительные результаты дает спектроскопия диффузного отра-
жения цельного зерна. Содержание экстрактивных веществ, общего азо-
та, общего растворимого азота определяли на монохроматорном инфра-
красном анализаторе модели 6250 [485]. Для анализа использовали плоскую
кювету длиной 20 см, которая во время снятия спектра перемещается по
выходной щели монохроматора с помощью специальной транспортирую-
щей приставки. Спектры каждого образца сканировали по 50 раз и
затем результаты усредняли для обеспечения репрезентативности дан-
ных. Градуировку проводили индивидуально по сортам ярового и озимо-
го пивоваренного и пищевого ячменя, а также по годам получения уро-
жая. Показано, что наиболее точные результаты дает анализ но индиви-
313
дуальной градуировке для соответствующего сорта и урожая того же
года. В этих условиях точность инфракрасного метода практически не
уступает химическим определениям. Общая градуировка для пивоварен-
ного и пищевого ячменя по образцам урожая двух лет, но отдельно для
ярового и озимого, по точности уступает индивидуальным градуиров-
кам. Однако получаемые данные вполне удовлетворительны. Среднек-
вадратические отклонения от данных химического анализа серии незави-
симых образцов составляли 0,118% для содержания общего азота в
озимом (диапазон содержания 1,18—2,65%) и 0,085% в яровом ячмене
(диапазон 1,07—1,90%). Для общего растворимого азота в озимом яч-
мене среднеквадратическое отклонение составило 0,069% (диапазон
0,46^-0,92%) и 0,052% в яровом (диапазон 0,44—0,81%). Для эк-
страктивности эта величина составила 6,98Г/кг в озимом (диапазон
26,5-31,2°/кг) и 3,83 °/кг в яровом ячмене [485].
7.2.8. Определение качества крупяных культур
Для производства крупы используются многие виды зерновых куль-
тур. Зерно, идущее на производство крупы, анализируют не только
на общие для данной культуры показатели качества, но и на ряд
специфических показателей, таких, как выход крупы, пленчатость,
содержание белка в крупе и некоторые другие. Нами изучалась воз-
можность определения показателей, точнее, возможность их прогно-
зирования по спектрам диффузного отражения размолотого зерна. В
таблице 7.2.8.1 приведены результаты анализа некоторых видов кру-
пяных культур на сканирующем инфракрасном фильтровом анализа-
торе модели 4250 фирмы NIRSystems. Перед инфракрасным анали-
зом исследуемые образцы размалывались на мельнице типа «Циклон»
с пропусканием через сито с отверстиями диаметром 1 мм.
Как показывают данные, приведенные в таблице 7.2.8.1, спектроско-
пия диффузного отражения позволяет по анализу исходного сырья не
только достаточно точно определить непосредственно его качество, но и
предсказать качество получаемого из него продукта — крупы.
7.2.9. Определение аминокислот
Возможность определения содержания аминокислот в сельскохо-
зяйственной продукции с помощью спектроскопии ближней инфра-
красной области вызывает сомнения в том отношении, что анализ
может быть основан на чисто статистических связях содержания ами-
нокислот с другими компонентами зерна, в частности белка. В этом
отношении представляет интерес одна из первых работ по использо-
ванию ИК-метода для определения содержания лизина в зерне пшени-
цы и ячменя [345]. По результатам, полученным в этой работе, точ-
ность определения лизина по диффузному отражению размолотого
зерна вполне сравнима с точностью аминокислотного анализатора.
Известно, что между содержанием белка и лизина в зерне пшеницы
314
Таблица 7.2.8.1.
Характеристика точности определения качества крупяных
культур по диффузному отражению в ближней
инфракрасной области
Продукт, показатель качества Коли- чество образ- цов Диапазон варьирова- ния показа- Среднее значе- ние, % СКО от обычного метода, %
теля, %
Зерно овса Белок в зерне 435 9,3 — 17,4 13,7 0,41
Белок в крупе 150 11,0 - - 22,2 15,9 0,56
Пленчатость зерна 435 20,5 - - 36,2 26,5 1,32
Выход крупы Зерно ячменя 145 38,5 - - 71,8 61,3 2,48
Белок в зерне 470 9,5 — 18,5 14,1 0,43
Крахмал в зерне Экстрактивные 470 53,4 - - 62,9 58,2 1,26
вещества 470 71,5 - - 79,4 75,3 1,00
Пленчатость зерна Зерно сорго 470 6,8 — 14,5 9,79 0,73
Белок в зерне 50 8,2 — 16,0 12,8 0,26
Крахмал в зерне 50 67,2 - - 79,7 74,0 0,97
Пленчатость зерна Зерно гречихи 50 3,6 — 10,5 5,98 1,30
Белок в зерне 140 13,2 - - 19,0 16,1 0,34
Пленчатость зерна 140 15,8 - - 28,6 21,7 0,83
Выход крупы Зерно риса 140 65,3 - - 79,4 73,4 1,14
Белок в зерне 300 4,0 — 18,3 8,3 0,24
Пленчатость зерна 300 14,6 - - 22,3 17,6 0,90
Выход крупы Зерно проса 286 63,0 - - 73,3 69,3 1,4
Белок в зерне 65 9,3 — 16,5 13,3 0,33
имеется обратная корреляция. В исследованных образцах коэффици-
ент корреляции этих показателей был равен -0,88. Для того чтобы
выяснить вопрос о том, является ли определение содержания лизина
в зерне косвенным по корреляции с белком, или оно основывается на
непосредственной связи со спектральными данными, была подобрана
ПОПТЫа D |/ЛТЛП| TV » » TJ Г» t »'Т' ncyiTTT»* Ч ПЧОЧ.
U,I Л.11 1 Ik L-VlZl 1ДХ 1 Г1 V/V-i'likCi /1 virion
315
на составлял всего -0,38. При анализе этих образцов с использова-
нием градуировки, проведенной на первой партии, коэффициент кор-
реляции данных инфракрасного и стандартного методов составил 0,85,
среднеквадратическое отклонение от регрессии было равным 0,077 г
лизина в 100 г белка. Для улучшения точности данных к исследован-
ным образцам было добавлено еще 12 новых образцов. В этом случае
погрешность определений составляла 0,049 г лизина на 100 г белка,
коэффициент корреляции с данными химического анализа был равен
0,98. Сопоставление полученных значений коэффициентов корреля-
ции белка и лизина с коэффициентами корреляции данных, получае-
мых инфракрасным и химическим методами, делает ясным, что лизин
в зерне пшеницы определяется инфракрасным методом непосредствен-
но, а не по корреляции с содержанием белка. Еще более наглядными
являются результаты, полученные при анализа зерна ячменя. При опре-
делении содержания лизина в 21 образце различных сортов ячменя
коэффициент корреляции результатов, полученных инфракрасным и
химическим методами, составил 0,96, тогда как коэффициент корреля-
ции содержания белка и лизина составлял в них всего лишь 0,11 [577].
Точность определения лизина в зерне ячменя, соизмеримая с точ-
ностью аминокислотного анализатора, получена и в другой работе [345].
Имеются данные по определению лизина в зерне кукурузы. Коэф-
фициент корреляции с данными, полученными на аминокислотном
анализаторе, составлял 0,93. При этом отмечено, что содержание
лизина определенной связи с содержанием белка не обнаруживало, и
его определение инфракрасным методом было прямым, а не косвен-
ным по корреляции с белком [97].
В зерне ячменя и пшеницы определяли содержание лизина, треонина,
триптофана и метионина. В зерне пшеницы содержание этих аминокис-
лот определялось с точностью, достаточной для селекционных исследо-
ваний. При анализе ячменя достаточно точные результаты получены
для 14 аминокислот. Наиболее высокая точность анализа достигалась
при использовании первой производной спектра как при работе на мо-
нохроматорном приборе модели 6350 фирмы NIRSystems, так и на ска-
нирующем фильтровом приборе. Для определения аминокислот и белка
использовались различные длины волн индивидуально для каждого ком-
понента. Это показывало, что аминокислоты определяются непосредствен-
но, а не косвенно по статистическим связям с содержанием белка [694].
Определение метионина проводили также в зерне гороха [686].
Зерно люпина из различных районов Венгрии урожая разных лет
использовали при получении градуировочных уравнений для опреде-
ления 17 аминокислот. Проверка полученных уравнений показала,
что значения коэффициентов вариации результатов находились в пре-
делах 5 — 10%. Исключение составило определение метионина. Точ-
ность его определения была хуже, что объясняется низкой точностью
химического метода. Полученные уравнения использованы затем для
проведения контроля качества зерна люпина [407].
316
Определение аминокислот методом инфракрасной спектроскопии в
кормах рассматривается в разделе 7.3.
7.2.10. Определение компонентов, отрицательно
влияющих на качество продукции
Возможность использования спектроскопии диффузного отражения
в ближней инфракрасной области для определения токсичных компо-
нентов изучалась в ряде работ. Инфракрасный сканирующий анализа-
тор с монохроматором InfraAlyzer-500 использовался для определе-
ния содержания глюкозинолятов в цельных семенах рапса, медикаге-
новой кислоты в высушенных и размолотых листьях люцерны, а
также глюкозидов (вицин и конвицин) в конских бобах [449]. Содер-
жание этих веществ в анализируемых объектах не превышает 1% и
обычно определяется методом газожидкостной хроматографии. Най-
дено, что содержание глюкозинолятов, которое в исследуемых образ-
цах составляло от 6,8 до 255,2 мкмоль/г, можно определить со
среднеквадратическим отклонением до 13 мкмоль/г, тогда как об-
щепринятый метод характеризуется воспроизводимостью 8 мкмоль/г.
Коэффициент корреляции результатов инфракрасного и газохрома-
тографического анализов составлял более 0,9. Среднеквадратическое
отклонение при определении медикагеновой кислоты, содержание ко-
торой в изучаемых образцах находилось в пределах 0,01 — 0,14%,
колебалось от 0,011 до 0,021%. Газохроматографический анализ имел
воспроизводимость 0,010% при определении содержания данного ком-
понента. Коэффициент корреляции результатов инфракрасного ана-
лиза и данных газожидкостной хроматографии колебался от 0,57 до
0,76. Хуже определялась сумма вицина и конвицина, содержание ко-
торых в анализируемых образцах составляло от 0,41 до 1,50%. Сред-
неквадратическое отклонение от результатов химического метода со-
ставляло от 0,10 до 0,17%, что было значительно хуже метода газо-
жидкостной хроматографии, воспроизводимость которого характери-
зовалась величиной 0,023%. Коэффициент корреляции результатов
инфракрасного и химического методов колебался от 0,56 до 0,60.
Авторы рассматриваемой работы считают, что, хотя инфракрасный
метод по точности результатов уступает методу газожидкостной хро-
матографии при определении содержания глюкозинолятов и медика-
геновой кислоты, он вполне приемлем для быстрого скрининга семен-
ного материала при селекционных исследованиях. Для определения
содержания вицина и конвицина метод малопригоден, поскольку он
позволяет достоверно разделить исследуемые образцы не более чем
на две группы.
Для определения содержания глюкозинолятов в семенах рапса ис-
пользован также анализатор Infrapid-61 [494]. Спектры сглаживали
методом Савицкого—Голая и преобразовывали во вторую производ-
ную при размере шага при расчете конечных разностей равном 11 нм.
317
Был получен средний спектр семян, и все точки пересечения его с
осью абсцисс были выбраны для коррекции. Спектры образцов пере-
считывали так, чтобы каждая кривая второй производной пересекала
ось абсцисс точно в выбранных точках. Как показал дисперсионный
анализ данных, большая часть погрешностей инфракрасного метода
связана с недостаточно высокой воспроизводимостью измерений на
приборе. Для уменьшения этого источника погрешностей спектр каж-
дого образца рапса снимали три раза и усредняли результаты. В
процессе градуировки на 128 образцах с содержанием глюкозиноля-
тов от 2 до 120 мкмоль/г (во фракции жира) было получено нели-
нейное регрессионное уравнение, в котором использовалась вторая
производная при 6 парах длин волн. Среднеквадратическое отклоне-
ние от регрессии составило 5,86 мкмоль/г. При этом погрешность
воспроизводимости составила 4,9 мкмоль/г, погрешность анализа —
4,2 мкмоль/г. Коэффициент детерминации был равен 0,986. Ввиду
недостаточно высокой точности результатов, особенно при малых
концентрациях глюкозинолятов, для диапазона 2 — 30 мкмоль/г
была проведена отдельная градуировка на 94 образцах. Для градуи-
ровки также использовалась нелинейная регрессия с 6 парамй длин
волн. Среднеквадратическое отклонение от регрессии несколько сни-
зилось и составило 3,62 мкмоль/г. Снизился и коэффициент детер-
минации, который стал равен 0,674. Погрешность воспроизводимости
была равна 2,53 мкмоль/г, погрешность анализа составила 2,92 мкг/г.
При проверке этого градуировочного уравнения на образцах рапса,
полученных в одном из полевых опытов, проведенных авторами рас-
сматриваемой работы, среднеквадратическое отклонение от данных
химического метода составило 1,8 мкмоль/г, что меньше, чем при
градуировке. Отмечено, что одним из факторов, оказывающих сущес-
твенное влияние на точность результатов, является содержание вла-
ги. Для корректировки результатов анализа семян с различным со-
держанием влаги предложено использовать регрессионное уравнение,
коэффициенты которого были установлены по результатам анализа
семян рапса с исходным содержанием влаги до 30% и после высуши-
вания до 6%.
Важным показателем качества семян рапса, предназначаемого для
получения масла, является содержание эруковой кислоты. Об опре-
делении содержания эруковой кислоты и глюкозинолятов в семенах
рапса сообщалось, например, на 4-й Международной конференции по
ближней инфракрасной спектроскопии [584]. Анализы проводили с
помощью сканирующих анализаторов с монохроматорами модели 6250
при измерении диффузного отражения и Infratec-1255 — при измере-
нии пропускания. При измерении диффузного отражения среднеквад-
ратическое отклонение от регрессии при градуировке составляло 5,80
и 5,91 мкмоль/г — при измерении пропускания в образцах с содер-
жанием 11,6 — 89,8 мкмоль/г глюкозинолятов. Коэффициенты мно-
жественной регрессии составляли соответственно 0,9491 и 0,9446.
318
При проверке на независимой серии образцов содержание глюкозино-
лятов определялось по диффузному отражению со среднеквадрати-
ческим отклонением от данных колориметрического метода с ис-
пользованием хлорида палладия, равным 6,65 мкмоль/г при сред-
ней разности 0,546 мкмоль/г. При градуировке для определения
содержания эруковой кислоты среднеквадратические отклонения от
регрессии для диффузного отражения и пропускания составили соот-
ветственно 1,70 и 1,87%. Коэффициенты множественной корреляции
были равны 0, 9942 и 0,9930. Содержание эруковой кислоты в граду-
ировочной серии образцов составляло от 0,1 до 52,6% (от фракции
экстрагируемого жира). При проверке градуировочного уравнения сред-
неквадратическое отклонение от данных, полученных с помощью га-
зовой хроматографии, составило при анализе по диффузному отраже-
нию 2,42%, средняя разность была равна 0,217%. По точности ана-
лиза одних и тех же образцов приборы для измерения диффузного
отражения и пропускания были вполне сопоставимы.
В другой работе для определения ряда показателей качества семян
рапса также использовали инфракрасный анализатор модели 6250
[93]. Градуировочные уравнения получали методом множественной
линейной регрессии, используя в качестве независимых переменных
первые и вторые производные спектров диффузного отражения, по-
лучаемые методом конечных разностей при различной величине шага
и сглаживании спектров по различному числу точек спектра. Показа-
но, что различия в порядке производных, условий их получения и
сглаживания существенно не влияют на точность получаемых градуи-
ровочных уравнений. Значение среднеквадратического отклонения от
регрессии для содержания белка в диапазоне 18,5—29,2% в семенах
12 сортов ярового и 10 сортов озимого рапса составило 0,95%, для
масличности в диапазоне 39,1-48,9% оно было равно 0,7%, для эру-
ковой кислоты в масле — 3,0% в диапазоне 0 — 48%, для глюкози-
нолятов — 8,8 мкмоль/г в диапазоне 11 — 116 мкмоль/г, для
изотиоцианатов — 3,1 мкмоль/г в диапазоне 8,0 — 55,0 мкмоль/г и
для 5-винил-2-тиооксазолидонов — 8,7 мкмоль/г в диапазоне 1,6 —
89,9 мкмоль/г. Коэффициент детерминации в большей части случаев
составлял не менее 0,92. Только при определении содержания 5-
винил-2-тиооксазолидонов этот показатель был равен 0,87. При гра-
дуировке по образцам товарных семян отклонения от регрессии были
в полтора-два раза больше.
Для определения содержания глюкозинолятов в цельных семенах
рапса с использованием монохроматорных приборов модели 6200 при-
меняли градуировочные уравнения с 8 независимыми переменными
[235]. В число использованных длин волн включали 1620; 1636 и
1640 нм, специфичных для рапса. Точность градуировки составляла
при этом 3 мкмоль/г. При переносе градуировочного уравнения на
другой прибор той же модели погрешность определения не превыша-
ла 3,8 мкмоль/г.
319
7.3. ОПРЕДЕЛЕНИЕ СОСТАВА
И ПИТАТЕЛЬНОСТИ КОРМОВ И
КОМБИКОРМОВ
Определение показателей качества кормов и, в особенности, комби-
кормов с помощью спектроскопии ближней инфракрасной области
представляет более сложную задачу, чем анализ зерна. Это обуслов-
лено прежде всего большей неоднородностью анализируемых объек-
тов, которые представляют собой обычно сложные смеси разнокачес-
твенных материалов. Кроме того, многие показатели, определяемые
при оценке химического состава и качества кормов, весьма неопреде-
ленны и носят условный характер. Например, одним из основных
показателей качества кормов является содержание сырого протеина.
Этот показатель, аналогичный сырому белку при анализе зерна, не
представляет индивидуального химического соединения и также рас-
считывается по содержанию общего азота, определяемого по Кьельда-
лю. Еще менее определенными являются такие показатели качества
кормов, как сырая клетчатка, сырой жир, которые представляют слож-
ные по составу смеси веществ различного молекулярного строения.
Такой показатель, как содержание сырой золы, вообще не представ-
ляет определенного компонента корма, а образуется в процессе окис-
ления и пиролиза содержащихся в исходном материале различных
органических и минеральных соединений калия, кальция, фосфора,
кремния и др. Вместе с тем спектроскопия ближней инфракрасной
области в сочетании с хемометрическими методами позволяет доста-
точно успешно выполнять анализы, компенсируя некоторую потерю
точности получаемых результатов по сравнению с химическими мето-
дами более высокой производительностью и экспрессностью.
Следует отметить, что некоторые показатели качества кормов в
разных странах определяются не одинаково. В нашей стране стандар-
тным методом определения содержания сырой клетчатки в кормах
является взвешивание сухого остатка пробы корма после проведения
кислотного и щелочного гидролиза по ГОСТ 13496.2—84. В США
определяют две формы клетчатки: остаток после обработки пробы
нейтральным забуференным раствором трилона Б с добавкой смачи-
вающих веществ («нейтральный детергент»), а также остаток после
гидролиза нормальным раствором серной кислоты с добавкой смачи-
вающего вещества («кислотный детергент»).
Клетчатка, определяемая с помощью нейтрального детергента, пред-
ставляет собой смесь веществ, из которых в основном состоят расти-
тельные клетки. Клетчатка, определяемая при кислотном гидролизе,
состоит в основном из целлюлозы и лигнина, а также включает крем-
320
некислоту. По разности этих форм клетчатки определяют гемицеллю-
лозу, однако она включает также некоторое количество белков, свя-
занных с оболочками клеток. Клетчатка, получаемая при кислотном
гидролизе, используется также для определения лигнина. Остаток
после обработки ее 72%-ной серной кислотой дает лигнин, загряз-
ненный кислотонерастворимой золой, состоящей в основном из крем-
некислоты. Прокаливание этой фракции дает содержание золы, что
позволяет определить сырой лигнин, содержащий также кутин. Аль-
тернативным обработке 72%-ной серной кислотой методом опре-
деления лигнина является окисление избытком перманганата остатка
после кислотного гидролиза пробы корма [347].
Важным показателем питательности кормов является содержание
переваримого сухого вещества. Этот показатель может быть опреде-
лен in vivo непосредственно в опытах на животных, а также in vitro в
лабораторном опыте с обработкой корма ферментами, выделяемыми
из желудка животных, или рассчитывается по составу корма с ис-
пользованием коэффициентов переваримости его компонентов, уста-
новленных в специальных опытах на животных.
Уже в первых работах по использованию инфракрасного метода для
анализа кормов с помощью инфракрасных анализаторов с фиксиро-
ванными длинами волн, предназначенных для анализа зерна, не огра-
ничивались определением содержания сырого протеина, жира и сухо-
го вещества. Так, на симпозиуме по вопросам автоматизации агрохи-
мических анализов, проходившем в ЦИНАО в мае 1975 года, сообща-
лось об использовании анализатора InfraAlyzer 2.5А не только для
анализа зерна, например кукурузы, ячменя, которые сами по себе
могут представлять корма и комбикормовое сырье, но и для анализа
люцерны, глютеинового корма. Кроме традиционных показателей, та-
ких, как содержание протеина, жира, сухого вещества, инфракрас-
ный анализатор, в котором используются 6 фиксированных длин волн,
достаточно точно мог определять и такие показатели качества кор-
мов, как содержание клетчатки и золы [128].
Более широкие перспективы открывало использование сканирую-
щих приборов, обеспечивающих возможность более широкого выбо-
ра оптимальных для анализа длин волн. Как показали исследования,
проведенные с помощью спектрофотометра с монохроматором на 87
образцах различных видов кормов, включая сено различного состава,
силос, зеленую массу, состоящую из различных компонентов (люцерна,
овсяница, смесь люцерны с костром и некоторые другие травы), метод
множественной линейной регрессии с использованием вторых производ-
ных спектра в качестве независимых переменных обеспечивает получе-
ние достаточно тесной связи между спектральными данными и результа-
тами химических анализов. Предварительно образцы высушивались, раз-
малывались и пропускались через сито с отверстиями 0,25 мм [525j.
321
Инфракрасный метод испытывали на определении содержания сы-
рого протеина, клетчатки, получаемой кислотным гидролизом и с
помощью нейтрального детергента, лигнина, переваримого сухого ве-
щества in vivo и in vitro, усвояемого сухого вещества и усвояемой
энергии. Анализ выполняли с помощью инфракрасного спектрофото-
метра с монохроматором, сканирующего спектр в диапазоне 1400 —
2400 нм. Для получения градуировочных уравнений использовали
вторую производную спектров. Исходная выборка из 87 образцов
была разделена пополам по четным и нечетным порядковым номерам
в файле. Одна половина образцов использовалась для градуировки
прибора, другая — для контроля. Методом пошаговой множествен-
ной линейной регрессии были получены градуировочные уравнения,
число переменных в которых составляло от 6 до 9.
Для большей части определяемых показателей коэффициенты кор-
реляции данных, полученных на контрольной серии образцов с по-
мощью инфракрасного и общепринятых методов, были не менее 0,95.
Менее тесная корреляция получена для переваримого сухого вещест-
ва in vitro (коэффициент корреляции 0,88), усвояемого сухого ве-
щества (0,80) и усвояемой энергии (0,85). Среднеквадратическое
отклонение от данных общепринятых методов составляло при опре-
делении содержания сырого протеина 0,95%, клетчатки, определяе-
мой с помощью нейтрального детергента, — 3,1%, клетчатки при
кислотном гидролизе — 2,5%, лигнина — 2,1% и переваримого
сухого вещества in vivo — 3,5% [525]. Полученные данные показали
возможность использования спектроскопии диффузного отражения
для определения основных показателей качества кормов, определяю-
щих их питательную ценность. Аналогичные результаты были полу-
чены при анализе кормов для мелкого рогатого скота [599].
В рассмотренных работах для получения спектральных данных ис-
пользовался практически уникальный спектрофотометр Саггу-14 Бел-
тсвилльского научно-исследовательского сельскохозяйственного цен-
тра. Широкую перспективу внедрения метода в практику анализа кормов
открывала совместная разработка фирмой Neotec и Пенсильванским
университетом быстродействующего спектрофотометра для ближней
инфракрасной области [598, 597]. Соединение этого прибора с компь-
ютером и разработка соответствующего программного обеспечения
позволяли применять различные способы предварительной математи-
ческой обработки спектров и пошаговый метод множественной ли-
нейной регрессии. Уже первые испытания прибора при анализе 164
образцов, представляющих широкий набор различных видов кормов
из 5 штатов США, показали очень обнадеживающие результаты. Сред-
неквадратическое отклонение от регрессии при определении содержа-
ния сырого протеина составляло 1,00%, клетчатки при кислотном
гидролизе — 2,03%.
322
Такой же спектрокомпьютер использовали для анализа 195 образ-
цов сена из смесей различных трав с содержанием бобового компо-
нента от 0 до 60% (главным образом субтеррианский клевер) урожа-
ев 1979—1981 гг. из Австралии [320]. Образцы анализировали на
содержание сырого протеина, клетчатки, определяемой с помощью
нейтрального детергента, и переваримого сухого вещества in vitro.
Анализируемый материал высушивали при 65°С, размалывали и про-
пускали через сито с отверстиями 0,5 мм. Использовали сканирую-
щий прибор с монохроматором фирмы Neotec модели 6100. По-
ловину образцов (98) использовали для градуировки прибора, ос-
тальные — для проверки полученных градуировочных уравнений.
Для градуировки использовали метод множественной линейной рег-
рессии. В градуировочных уравнениях для определения сырого
протеина, клетчатки, выделяемой с помощью нейтрального детер-
гента, и переваримого сухого вещества in vitro использовали соот-
ветственно две, три и четыре независимые переменные, в качестве
которых брали оптическую плотность. Значения длин волн согла-
совались с полученными для аналогичных кормов Британии и США,
хотя их видовой состав был разным. Так, для определения содер-
жания сырого протеина наиболее существенной была длина волны
2150 нм, для определяемой формы клетчатки — 1934 нм, для
переваримого сухого вещества — 1618 нм. При проверке градуи-
ровочных уравнений на контрольной части образцов среднеквадра-
тическое отклонение от данных химического метода для сырого
протеина составило 1% при среднем содержании 11,1%, для клет-
чатки — 2% (среднее содержание 57,6%) и для переваримого
сухого вещества — 2,5% (среднее 59,5%). Квадраты коэффициен-
тов корреляции (коэффициенты детерминации) результатов, полу-
ченных стандартными и ИК-методом, были соответственно равны
0,90, 0,92 и 0,82. Это вполне допустимые по точности данные,
хотя они получены в широком диапазоне варьирования различных
условий: времени скашивания, технологии заготовки и ботаничес-
кого состава сена [320].
В более поздних работах для анализа кормов преимущественно
использовали сканирующие инфракрасные анализаторы, что позволя-
ло значительно расширить набор определяемых показателей. Специ-
ально для анализа кормов фирмой NIRSystems был создан фильтро-
вый сканирующий спектрофотометр QFA-51, который обеспечивал
широкий выбор длин волн, а также возможность получения произ-
водных. В настоящее время инфракрасная спектроскопия позволяет
выполнить анализ корма, комбикорма или ингредиентов комбикормов
практически на все показатели зоотехнического анализа, включая
содержание протеина, жира, клетчатки, золы, фосфора, кальция, маг-
НИЯ, ПОЕЗрбННОИ СОЛИ, И ТЯК/Кс рЯДЗ ЗМИНОлиСлиТ.
323
По сравнению с фильтровым прибором с 6 фиксированными длина-
ми волн инфракрасный анализатор модели 6100 фирмы Neotec с мо-
нохроматором, о котором говорилось выше, и ЭВМ PDP-11 при ана-
лизе кормов позволяют получить более точные результаты [600].
Это связано с возможностью широкого выбора оптимальных для ана-
лиза длин волн, а также использования производных спектра. Только
для определения содержания сырого протеина фильтровый прибор с
фиксированными длинами волн практически не уступал монохрома-
торному. Среднеквадратическое отклонение от данных стандартного
метода при определении на фильтровом приборе было равно 1,07%,
а на монохроматорном — 0,95%, что практически то же. Коэффици-
ент детерминации с 0,96 повысился всего до 0,97 при использовании
монохроматорного прибора, несмотря на то что в последнем случае
использовали более сложную математическую обработку спектраль-
ных данных с получением второй производной. В то же время при
определении содержания клетчатки после кислотного гидролиза
использование монохроматорного прибора и второй производной
спектра снизило в сравнении с фильтровым прибором среднеквад-
ратическое отклонение от стандартного метода с 2,78 до 2,31%.
Коэффициент детерминации повысился с 0,75 до 0,86. Для клет-
чатки, определяемой с помощью нейтрального детергента, среднек-
вадратическое отклонение снизилось с 4,25 до 2,64%, при этом
коэффициент детерминации повысился с 0,84 до 0,95. При опреде-
лении переваримого сухого вещества in vivo СКО снизилось с 4,14
до 2,73% (коэффициент детерминации повысился с 0,75 до 0,89),
кальция — с 0,22 до 0,14% (коэффициент детерминации повысил-
ся с 0,70 до 0,90), фосфора — с 0,05 до 0,04% (коэффициент
детерминации повысился с 0,52 до 0,70), калия — с 0,50 до 0,41 %
(коэффициент детерминации повысился с 0,40 до 0,60), бора — с
6,45 до 5,36 млн'1 (коэффициент детерминации повысился с 0,55
до 0,71).
Как показали результаты рассматриваемых исследований, для опре-
деления содержания сырого протеина в кормах оптимальными явля-
ются длины волн 2125 и 2119 нм, для клетчатки, определяемой кис-
лотным гидролизом, — 1708, 1679, 1403, 2374, 2425 и 1776 нм, для
клетчатки, определяемой с помощью нейтрального детергента, — 2348,
2303, 1912, 2023, 2453, 2490 нм, для переваримого сухого вещества
in vitro — 1641; 1437; 1675; 1754; 1958; 1786 нм, для кальция —
2029; 1516; 1445; 1920; 2311 и 2388 нм, для фосфора — 1455; 2410;
2270; 1312; 1262 и 1227 им, для калия — 1940; 2329; 1437; 1482;
2437 и 2449 нм и для бора — 1934; 2149; 2015; 2412; 2514 и 2451
нм. Определение ряда минеральных компонентов в растениях, вклю-
чая различные кормовые травы, методом ближней инфракрасной спек-
троскопии рассматривается также в разделе 7.9.
324
В обсуждаемой работе [600] инфракрасный метод использован так-
же для определения содержания алюминия, железа, марганца, на-
трия, меди и цинка. Однако коэффициенты детерминации при опреде-
лении этих показателей не превышали 0,31, что нельзя было считать
удовлетворительным. Показано также, что инфракрасный метод мо-
жет найти новое приложение — определение ботанического состава
кормов. При определении содержания бобового компонента в злако-
во-бобовой смеси погрешность составляла 10% [600].
Возможность определения ботанического состава сена с помощью
инфракрасной спектроскопии изучалась в ряде работ [275, 274, 365,
556, 268]. Показано, что для градуировки инфракрасного анализатора
могут быть использованы образцы, представляющие собой смеси, при-
готовленные из чистых культур. Предварительно образцы высушива-
лись, как обычно при 65°С, размалывались, пропускались через сито
с отверстиями 1 мм, а затем смешивались в желаемых отношениях.
Среднеквадратическое отклонение при анализе трехкомпонентных сме-
сей составляло 52—104 г/кг для разных видов растений [275].
Спектроскопия ближней инфракрасной области использована для
определения в пожнивных остатках сорго, представляющих кормовое
средство, содержания азота, переваримой клетчатки, нерастворимых
красных пигментов и переваримости in vitro, а также фенолов, кото-
рые содержатся в растениях сорго в относительно больших количес-
твах в листовых пластинках и влагалищах листьев [507].
С помощью инфракрасного анализатора модели 6250 фирмы NIR-
Systems проводили определение в кормах для жвачных животных
переваримости органического вещества под действием ферментов пеп-
сина и целлюлазы, общей и обменной энергии, содержания сырого
протеина, сырой клетчатки, жира и золы. В работе использовали 150
образцов кормов из имевшихся на рынке Бельгии. Градуировку ана-
лизатора проводили по данным 102-120 образцов для различных по-
казателей, используя метод дробных наименьших квадратов. Для про-
верки полученных уравнений использовали серию из 24—30 незави-
симых образцов для различных показателей. Среднеквадратическое
отклонение результатов ИК-анализа от данных, получаемых обычны-
ми лабораторными методами, составляло 0,75% для протеина (коэф-
фициент корреляции равен 0,99), 0,74 — для сырой клетчатки (ко-
эффициент корреляции равен 0,97), 0,35 — для жира (коэффициент
корреляции равен 0,96), 1,03 — для золы (коэффициент корреляции
равен 0,67), 1,831% для переваримости органического вещества (ко-
эффициент корреляции равен 0,89), 60 ккал/г для общей энергии
(коэффициент корреляции равен 0,78) и 70 ккал/г для обменной
энергии (коэффициент корреляции равен 0,82). В целом, исключая
содержание золы, результаты ИК-анализа имеют достаточно высокую
точность. Что касается точности определения содержания золы, то
325
авторы цитируемой работы считают ее приемлемой для практических
целей [650].
С очень высокой точностью определяли содержание протеина, клет-
чатки (нейтральный детергент) и лигнина в вегетативной массе куку-
рузы [573]. Среднеквадратические отклонения от данных химических
методов при анализе двух серий образцов не превышали 0,36; 1,76 и
1,40% соответственно. По сравнению с общепринятыми методами
использование инфракрасной спектроскопии позволяло значительно
повысить производительность анализов, особенно при определении
содержания лигнина. Обычная методика определения лигнина с
использованием энзимов занимала более 2 суток, так как анализ
включал инкубирование в течение 24 часов, последующее филь-
трование и промывание остатка, высушивание его в течение ночи и
взвешивание.
Имеются данные по определению содержания сырого протеина и
обменной энергии в сене из различных районов Швеции. Показано,
что приборы, измеряющие диффузное отражение (InfraAlyzer-450, In-
fraAlyzer-500 фирмы Technicon и модель 4500 фирмы NIRSystems),
при определении обменной энергии in vitro характеризуются сред-
неквадратическим отклонением от данных химического анализа не
более 0,48 МДж/кг сухого вещества, тогда как при измерении про-
пускания в коротковолновой части ближней инфракрасной области
на анализаторе кормов и пищевых продуктов Infratec-1255 эта вели-
чина составляет 0,56 МДж/кг сухого вещества. При определении
содержания сырого протеина среднеквадратическое отклонение от
данных химического анализа для измерения диффузного отражения
составляет не более 0,67%, тогда как для пропускания оно равно
1,28%, что существенно хуже. Различий по точности результатов
определения рассматриваемых показателей качества кормов между
приборами, измеряющими диффузное отражение, практически не об-
наруживается [520].
Инфракрасный метод испытан на анализе кормов пастбищ аридной
и субаридной зон штата Нью-Мексико [553]. В градуировочных урав-
нениях использовали исходные значения оптической плотности, пер-
вую и вторую производные спектров. При определении усвояемого
сухого вещества коэффициент детерминации был равен 0,72, сырого
протеина — 0,98, клетчатки, определяемой кислотным гидролизом, —
0,90, клетчатки, определяемой с помощью нейтрального детерген-
та, — 0,67.
Выше упоминалось, что для анализа кормов фирмой Neotec был
специально разработан сканирующий инфракрасный анализатор
FQA-51. Прибор имел 6 качающихся фильтров, что позволяло ска-
нировать спектр в диапазоне 1,50 — 2,36 мкм [251]. Изучение
возможностей этою сканирующего прибора па образцах различ-
326
ных видов кормов на основе бермудской травы дало вполне удов-
летворительные результаты. Среднеквадратическое отклонение от
данных стандартных методов при определении содержания сырого
протеина в различных сериях испытаний составило 0,58—1,15%,
для клетчатки, определяемой кислотным гидролизом, — 1,39—
2,77%, для клетчатки, получаемой с помощью нейтрального де-
тергента, — 1,07—2,46%, для лигнина — 0,50—0,66%, для пере-
варимого сухого вещества in vitro — 1,90-3,37%, in vivo — 1,78-
2,54%. Как правило, точность инфракрасного анализа была соиз-
мерима с общепринятыми методами [251].
Точность анализа кормов инфракрасным методом оценивалась в
условиях межлабораторного эксперимента [634]. Как показали ис-
следования, выполненные на 835 образцах кормов в 6 лаборатори-
ях, межлабораторная и внутрилабораторная воспроизводимость оп-
ределений содержания протеина, различных форм клетчатки, лиг-
нина и переваримости сухого вещества in vitro с помощью спек-
троскопии диффузного отражения в ближней инфракрасной облас-
ти вполне сопоставима с воспроизводимостью общепринятых хи-
мических методов.
Для расширения возможностей инфракрасных анализаторов фирма
Technicon увеличила в анализаторе InfraAlyzer-400 число фильтров
до 19. На этом приборе определяли содержание сырого протеина,
переваримого сухого вещества и свободного потребления корма в
97 образцах 6 видов трав, включая образцы отдельных частей рас-
тений (стебли и листья), таблетированный корм, сечку, отаву от
28 до 150 дней после скашивания. Образцы были высушены, раз-
молоты и пропущены через сито с отверстиями диаметром 1 мм.
При определении сырого протеина различия в технологии приго-
товления корма значительного влияния на результаты анализа не
оказывали. Существенное влияние оказывало видовое различие трав,
а также то, какая часть растений анализировалась: стебли или
листья. Увеличение числа образцов различных видов трав, образ-
цов стеблей и листьев в градуировочной серии улучшало точность
анализов. Существенное значение имело также время скашивания.
Обнаружена обратная связь точности определений с возрастом
травы. Хотя для анализа использовали все 19 фильтров прибора,
указывается, что полного учета всего разнообразия кормов это не
обеспечивает [498].
Для повышения точности результатов анализа кормов на данном
приборе изучали различные способы устранения влияния различий в
крупности частиц на спектральные данные [499]. Для этого из 90
образцов травы, скармливаемой овцам, приготовили две серии образ-
цов: с размолом и просевом через сито с отверстиями 1 мм (образцы
с грубым помолом) и с дополнительным тонким измельчением части
327
образца, которое давало 76% частиц, проходящих через сито с от-
верстиями 10 мкм (образцы с тонким помолом). Обработку спек-
тральных данных проводили двумя способами. Первый способ состо-
ял в том, что значения оптической плотности данного образца при
всех 19 фильтрах суммировали и находили среднее арифметическое:
где Xj — значение оптической плотности при /-й длине волны;
19 — общее число длин волн (фильтров).
Затем находили общее среднее для всех образцов, участвующих в
градуировке:
где Xi — среднее арифметическое значение оптической плотности
г-го образца, участвующего в градуировке;
N — число образцов, участвующих в градуировке.
Для коррекции оптической плотности изучаемого образца при дан-
ной длине волны использовали разность среднего арифметического
значения по всем образцам в градуировке и данного образца:
Исправленная log(l //?) = + (х - Xi),
где х — оптическая плотность г-го образца при /-Й длине волны.
Второй способ состоял в том, что разность, получаемую по первому
способу, умножали на фактор, учитывающий степень измельчения:
Исправленная log( 1 /R) = х^ + (х - xi)(fXj - cXj) / (fx - ex),
где fXj и CXj — средние значения log( 1 / R) при /-й длине волны
образцов с грубым (с) и тонким (/) помолом;
[хисх — среднее значение log( 1 / R) образцов с грубым (с) и
тонким (/) помолом при всех 19 длинах волн (фильтрах).
Результаты исследований показали, что при определении сырого
протеина тонкое измельчение заметных улучшений точности резуль-
татов определений не дает. Некоторое снижение погрешности наблю-
далось только в тех случаях, когда в регрессии используют не более
2—3 фильтров. При включении в градуировочное уравнение более 3
длин волн корректировка данных ни по первому, ни по второму спо-
собу не давала ожидаемого эффекта, и измельчение до размера час-
тиц в 1 мм являлось достаточным. При определении других показате-
лей ни тонкое измельчение до 10 мкм, ни обработка спектральных
328
данных точности результатов существенно также не улучшали. В
целом данные, получаемые с помощью изучаемого прибора, вполне
удовлетворительны, и анализ не требует дополнительного тонкого
измельчения образцов и корректировки спектральных данных [499].
InfraAlyzer-400 использовали также для определения содержания
влаги, протеина, клетчатки и жира в различных комбикормах [126].
При определении влаги в комбикормах для свиней, для птицы и
для кроликов погрешность анализа составляла 0,31, 0,49 и 0,42%
соответственно. Коэффициенты корреляции с данными общеприня-
того метода составляли от 0,82 до 0,94. Содержание протеина
определяли с погрешностью 0,31, 0,44, 0,21% в кормах для сви-
ней, для птицы и для кроликов соответственно. Коэффициенты
корреляции для всех исследуемых кормов были не ниже 0,96. При
определении содержания клетчатки погрешности составляли 0,36,
0,29, 0,36% для рассматриваемых видов кормов. Коэффициенты
корреляции были не ниже 0,91. Достаточно точно определялось и
содержание жира. Здесь погрешности не превышали 0,31%. Коэф-
фициенты корреляции с данными общепринятого метода имели зна-
чения не ниже 0,95 [126].
Хорошо зарекомендовал себя InfraAlyzer-400 и при массовых анали-
зах кормов в Финляндии [171]. Как следует из данных, полученных в
течение трех лет, погрешность определения сырого протеина в сило-
се, сене и траве инфракрасным методом, как правило, не превышала
1,25%. При этом от 70 до 75% результатов анализа отклонялись от
данных, полученных по методу Кьельдаля, не более чем на 1%. При
определении содержания клетчатки в 85% случаев отклонения от
данных общепринятого метода не превышали 2%.
Достаточно успешно InfraAlyzer-400 использован для анализа ос-
татков зерна ячменя после получения спирта, которые идут на корм
скоту непосредственно или в составе комбикормов [487]. Для градуи-
ровки прибора использовали 55 образцов и дополнительно 9—14 об-
разцов для проверки полученных градуировочных уравнений. Образ-
цы были высушены и размолоты общепринятыми методами. Для рас-
четов коэффициентов градуировочных уравнений использовали метод
множественной линейной регрессии. Найдено, что для определения
содержания влаги оптимальными являются длины волн 2336; 2208;
2190; 1818 и 1940 нм. Квадрат коэффициента множественной корре-
ляции с данными общепринятого метода был равен 0,821. Для опреде-
ления содержания сырого протеина использовали длины волн 2208;
2190 и 2100 нм, для жира — 2336; 2270; 1982; 1818; 2100; 1940;
1722 и 1445 нм, для сырой клетчатки — 2270; 2139; 2100 и 1445 нм,
для клетчатки, определяемой с помощью кислотного гидролиза, —
2270; 2139; 1982; 1940; 1722 и 1680 нм и для клетчатки, определяе-
мой с помощью нейтрального детергента, — 2348; 2139; 1818; 2100 и
329
1722 нм. При проверке градуировочных уравнений на контрольных
образцах среднеквадратическое отклонение от стандартного метода
при определении сырого протеина составило 1,10% при среднем со-
держании этого компонента в контрольной серии 24,2%, при опреде-
лении сырой клетчатки — 0,925% при среднем содержании 17,9%,
для клетчатки, определяемой кислотным гидролизом, эта величина
составила 1,3% при среднем содержании 26,7% и для клетчатки,
определяемой с помощью нейтрального детергента, — 2,5% при сред-
нем содержании 54,1%. Коэффициент корреляции данных, получае-
мых с помощью инфракрасного и общепринятых методов, в большей
части случаев был не ниже 0,945. Только для клетчатки, определяе-
мой кислотным гидролизом, он был ниже, составляя 0,911 [487].
Вполне удовлетворительными были результаты определения на ин-
фракрасном анализаторе InfraAlyzer-400 содержания азота, сырого
жира и клетчатки в грубых кормах и вегетативной массе различных
культур [172, 111]. Градуировку проводили по 25—30 образцам кор-
мов. Для проверки градуировочных уравнений использовали 20—30
образцов. Анализируемый материал размалывали на мельнице типа
«Циклон». Коэффициент корреляции данных инфракрасного анализа
и общепринятого химического метода при определении общего азота
в люцерне был равен 0,88, в еже сборной — 0,87, в бобово-злаковой
травосмеси — 0,95 и в злаковой травосмеси — 0,96. При определе-
нии содержания сырого жира в люцерне коэффициент корреляции
составил 0,84, в еже сборной — 0,72, в бобово-злаковой травосмеси
и в злаковой травосмеси — 0,93. Для содержания сырой клетчатки в
люцерне этот показатель был равен 0,88, в еже сборной — 0,87, в
бобово-злаковой травосмеси — 0,94 и в злаковой травосмеси —
0,95. Средняя разность результатов химических анализов и дан-
ных инфракрасного метода ни для одного из определяемых показа-
телей не была статистически достоверной, о чем судили по значе-
ниям /-критерия Стьюдента.
Фильтровый прибор с фиксированными длинами волн использовал-
ся для анализа кормов и в другой работе [211]. Однако для анализа
кормов чаще используют монохроматорные приборы.
Для анализа травостоя использован монохроматорный анализатор
модели 5000 фирмы NIRSystems. Градуировочные уравнения были
получены методом множественной линейной регрессии на 60 образ-
цах. Проверку уравнений проводили на другой серии из 21 образца.
В качестве независимых переменных в уравнения регрессии брали
первые и вторые производные спектров диффузного отражения. При
проверке уравнений среднеквадратическое отклонение от данных хи-
мического анализа составляло 0,773% для сырого протеина (диапа-
зон 6,82-13,87%), 0,671 — для золы (диапазон 5,43—13,36%),
1,44 — для сырой клетчатки (диапазон 23,63—33,98%), 1,15 — для
330
клетчатки, определяемой с помощью кислотного детергента (диапа-
зон 32,37—39,53%) и 0,535 — для лигнина (диапазон 2,384—6,790),
1,48 — для клетчатки (диапазон 55,55—66,60%), определяемой с
помощью нейтрального детергента, и 0,212% для сырых липидов (ди-
апазон 0,605—2,331%), Коэффициент корреляции с данными хими-
ческого анализа составлял от 0,855 до 0,946 для определяемых пока-
зателей [221].
При анализе кормов инфракрасным методом градуировку приборов
обычно проводят индивидуально для каждой технологии заготовки
или ботанического состава. Это вызывает необходимость проведения
многих градуировок и соответственно требует большого числа образ-
цов, проанализированных стандартными методами. В этой связи изу-
чалась возможность использования общих, универсальных градуиро-
вочных уравнений, пригодных для анализа различных видов кормов,
полученных в разных регионах, на содержание протеина и клетчатки
[99]. Градуировку прибора для определения протеина проводили по
43 образцам, которые включали 10 образцов сена, 11 образцов сена-
жа и 12 образцов силоса злаковых посевных трав из Латвии и 10
образцов сеиа люцернового из Воронежской области. Содержание
сырого протеина в изучаемых образцах колебалось от 5,75 до 20,5%.
При градуировке анализатора Infrapid-61 по этим образцам среднек-
вадратическое отклонение от регрессии составило 0,683%, коэффи-
циент корреляции был равен 0,983. Проверка полученного градуиро-
вочного уравнения проводилась на 33 образцах кормов, различных
по технологии заготовки, ботаническому составу и региону. При сред-
нем содержании сырого протеина в контрольных образцах 11,24%
среднеквадратическое отклонение результатов инфракрасного анали-
за от данных химического анализа составило 0,788%.
Содержание сырой клетчатки в градуировочной серии из 38 образ-
цов, которая включала 9 образцов сена, 10 образцов сенажа, 12
образцов силоса злаковых трав из Латвии и 7 образцов сена люцер-
нового из Воронежской области, колебалось от 26,0 до 36,6%. При
градуировке анализатора по этим образцам среднеквадратическое от-
клонение от регрессии составило 1,336%, коэффициент корреляции
был равен 0,859. Проверку полученного градуировочного уравнения
проводили на тех же 33 образцах кормов, что и при определении
протеина. При среднем содержании сырой клетчатки 31,68% в кон-
трольных образцах среднеквадратическое отклонение от данных стан-
дартного метода составило 1,517%. По мнению авторов, полученные
результаты показывают удовлетворительное качество универсальных
градуировок по образцам кормов различной технологии заготовки,
ботанического состава и регионов [99].
Обычным показателем качества кормов является содержание сы-
рой золы. Этот показатель определяли с помощью анализатора intra-
331
pid-61 в сене посевном злаковом [169]. Среднеквадратические откло-
нения от регрессии при различных способах измельчения составляли
не более 0,395—0,526%. Коэффициент корреляции был равен 0,96-
0,925. В другой работе при определении содержания сырой золы в
зерне кукурузы коэффициент корреляции с данными общепринятого
метода был ниже — 0,82 [115].
Имеется информация об успешном определении содержания сырой
золы одновременно с содержанием протеина, клетчатки и раствори-
мых сахаров с помощью анализатора Infrapid-61 [130].
Анализатор Infrapid-61 использовался также для определения со-
держания фосфора и кальция в кормах [169]. В различных условиях
измельчения образцов среднеквадратическое отклонение от градуиро-
вочного уравнения при определении содержания фосфора колебалось
от 0,0583 до 0,0849%, кальция — от 0,0583 до 0,0849%.
Одним из важных показателей качества кормов, определяемых с
помощью инфракрасной спектроскопии, является обменная энергия.
Возможности метода исследовались [647] на 80 образцах различных
видов комбикормов для птицы (для бройлеров, несушек, индеек). Из
этой выборки 45 образцов использовали для градуировки и 35 — для
проверки получаемых градуировочных уравнений. Для проведения
работы использовали сканирующий спектрофотометр InfraAlyzer-500
с монохроматором и фильтровый прибор с фиксированными длинами
волн InfraAlyzer-400. Было найдено, что оптимальными для анализа иа
фильтровом приборе являются длины волн при 1500; 1720; 2192 и 2216
нм. Точность инфракрасного анализа была вполне удовлетворительной.
Определение обменной энергии на анализаторе InfraAlyzer-500 в
этой же работе проводили с помощью различных методов градуиров-
ки и предварительной обработки спектральных данных. В методе мно-
жественной линейной регрессии использовали оптическую плотность,
первую и вторую производные, а также главные компоненты. В рег-
рессии на главных компонентах ограничивались первыми тремя ком-
понентами. В данном случае в расчетах, очевидно, использовали зна-
чения оптической плотности. Как показывают результаты исследова-
ний, значительной разницы между результатами, полученными раз-
личными способами математической обработки спектральных данных
не наблюдалось. Среднеквадратическое отклонение от фактического
значения обменной энергии при использовании оптической плотнос-
ти было равно 0,067 ккал/г (коэффициент детерминации был равен
0,90), при использовании первой производной — 0,074 ккал/г, вто-
рой производной — 0,087 ккал/г, регрессии на главных компонен-
тах — 0,080 ккал/г. Таким образом, фильтровый прибор не уступал
по данному показателю сканирующему, и не было особых различий
между результатами, полученными при различных методах преобра-
зования спектральных данных и методах градуировки.
332
Примерно такие же по численности серии образцов, представляю-
щие смеси 20 различных ингредиентов, включая белковые, энергети-
ческие, минеральные и витаминные добавки, анализировались на филь-
тровом приборе на содержание общей энергии, сухого вещества, про-
теина и жира. Среднеквадратическое отклонение от данных стандар-
тного метода при определении содержания сухого вещества было рав-
но 1,55% в диапазоне 54—81%, общей энергии — 0,089 ккал/г в
диапазоне 3,4—4,4 ккал/г, протеина — 1,0% в диапазоне 14—24%,
жира — 0,77% в диапазоне 2,7—8,1%. Для определения сухого
вещества использовали фильтры с максимумом пропускания при 1680;
1778; 2190 и 2230 нм, для общей энергии — 1445; 1722; 1818 нм,
для протеина — 2100 и 2180 нм, для жира — 1445; 2100; 2230 и
2336 нм [647]. Спектроскопию ближней инфракрасной области для
определения энергетической ценности кормов использовали также и
в других работах [525, 451].
Используя анализатор Infrapid-61, проводили определение крахмала
в кормовых смесях, комбикормах для свиней и для птицы одновре-
менно с такими традиционными показателями, как содержание влаги,
протеина и жира [628]. Среднеквадратическое отклонение было рав-
но от 1,38 до 1,81% в различных группах кормов, что составляло
коэффициент вариации от 2,89 до 4,24% (содержание крахмала коле-
балось от 5,6 до 67,1%).
В последнее время при анализе кормов для градуировки анализато-
ров кроме регрессии на главных компонентах все чаще используют
метод дробных наименьших квадратов, рассмотренный в разделе 5.2.3.
Как показали результаты исследований [601], использование метода
дробных наименьших квадратов по сравнению с методом множествен-
ной линейной регрессии снижает погрешность анализа кормов при-
мерно на 18% (отн.). Как было отмечено выше в разделе 3, метод
дробных наименьших квадратов используется при градуировке инф-
ракрасного анализатора Infratec-1225, разработанного для анализа зер-
на, а также Infratec-1255, предназначенного для анализа кормов и
пищевых продуктов.
Одним из факторов, ограничивающих точность анализа кормов ме-
тодом инфракрасной спектроскопии, может быть нелинейность зави-
симости оптической плотности диффузного отражения, то есть вели-
чины log(l/R), от концентрации определяемых компонентов. Пока-
зано [202], что использование полиномиальной регрессии с введением
в градуировочные уравнения квадратичных членов, то есть величин
{log(l/R)}2, более чем в 2 раза повышает точность градуировки инф-
ракрасного спектрофотометра фирмы NIRSystems модели 4500 при
определении содержания сырой клетчатки, сырого протеина и пере-
варимого сырого протеина, коэффициентов переваримости сухого ве-
ЩсСТБа, ОрГЗНИЧсСКОГО БсщсСТБа, СЫрОГО ПрОТёИНЗ, СЫрОИ КЛсТЧаТКИ,
333
а также определения кормовых единиц. Если при использовании ме-
тода множественной линейной регрессии коэффициенты детермина-
ции для рассматриваемых показателей составляли от 0,73 до 0,93,
как максимум, применение полиномиальной регрессии с введением в
градуировочные уравнения квадратичных членов повышает коэффи-
циент детерминации, как минимум, до 0,97. Меньших значений коэф-
фициента детерминации ни для одного из определяемых показателей
качества кормов не получено [202].
Инфракрасная спектроскопия находит применение при определении
содержания аминокислот в кормах, комбикормах и комбикормовом
сырье. Определение аминокислот в зерне различных культур рас-
смотрено выше в разделе 7.2.9.
При анализе на инфракрасном анализаторе InfraAlyzer-400 с 19 филь-
трами аминокислотного состава остатков зерна ячменя после отгонки
спирта, идущих на корм для скота, получена статистически достовер-
ная связь спектральных данных с содержанием аланина, аргинина,
аспарагиновой кислоты, глютаминовой кислоты, глицина, гистидина,
изолейцина, лейцина, метионина, фенилаланина, серина, треонина,
тирозина. Коэффициенты корреляции, как правило, были больше 0,7.
Однако для содержания лизина, пролина и валина коэффициенты
корреляции не превышали 0,450 [487].
Наиболее узким местом инфракрасного анализа кормов по измере-
нию диффузного отражения является пробоподготовка, которая обычно
требует значительных затрат труда и времени на сушку и размол
анализируемого материала. В последнее время для сокращения про-
боподготовки, сведения ее к минимуму сконструированы специаль-
ные кюветы для инфракрасных анализаторов, которые позволяют ска-
нировать большие поверхности анализируемого материала. Такие кю-
веты поставляет для своих анализаторов фирма NIRSystems. Это
плоские прямоугольные кюветы длиной около 15 см, которые во
время съемки спектров продвигаются около выходной щели монохро-
матора, обеспечивая таким образом сканирование большой повер-
хности образца и соответствующее улучшение представительности
получаемых спектральных данных. Такая технология измерений поз-
воляет анализировать неразмолотое зерно, грубо измельченный до
размеров 2 см материал. При анализе сена и других образцов, вклю-
чающих стебли, проба может загружаться в кювету без предваритель-
ного измельчения. Могут также без измельчения анализироваться
материалы с высоким содержанием воды, например силос, сенаж. В
этом случае образцы могут помещаться в специальные пластиковые
пакеты.
Проведено изучение возможности использования этой новой техни-
ки для ускоренного анализа силоса [566]. Для исследования было
взято 145 образцов, в том числе 71 образец силоса из люцерны и
334
смеси люцерны со злаковыми травами и 74 образца кукурузного
силоса. Градуировка и проверка полученных уравнений проводились
трижды на всех образцах. Каждый раз одна новая треть образцов не
участвовала в градуировке и использовалась для проверки градуиро-
вочных уравнений. Полученные данные усреднялись затем по специ-
альной программе. Градуировку проводили методом множественной
линейной регрессии. В день отбора образцов они были заморожены и
хранились в таком виде до разделения на части квартованием для
проработки различных вариантов методики. Для измельчения проб
использовали размол с сухим льдом на различных устройствах, а
также измельчение в оттаянном виде с пропусканием через сито с
отверстиями 9,5 мм. Часть измельченных таким образом образцов
высушивалась при 60°С и затем размалывалась и пропускалась через
сито с отверстиями 1 мм. В одном из вариантов образцы не измельча-
лись и использовались в первоначальном виде.
Для инфракрасного анализа использовали спектрофотометр модели
6350 фирмы NIRSystems с дифракционной решеткой. Сравнивали
различные варианты представления образца: в обычной круглой кю-
вете диаметром 3,5 см для порошковидных проб и в прямоугольной
кювете для грубых материалов, позволяющей сканировать пробы на
протяжении 15 см. Образец помещался в такую кювету непосред-
ственно или в пакете из тонкой полиэтиленовой пленки.
По результатам исследований авторы пришли к выводу, что при
определении содержания сухого вещества, протеина и клетчатки ис-
пользование для измельчения образцов замораживания с помощью
сухого льда или жидкого азота не является необходимым. Использо-
вание пакетов из полиэтилена не встречает проблем, хотя полиэтилен
и поглощает в используемом диапазоне спектра. В целом особой
разницы в точности результатов изученные способы пробоподготов-
ки не обнаруживают. Даже анализ проб в первоначальном виде с
использованием прямоугольной кюветы дает удовлетворительные ре-
зультаты при определении содержания сухого вещества (среднеквад-
ратическое отклонение от стандартного метода 2,22% в диапазоне
25,0—76,2%) и протеина (среднеквадратическое отклонение от стан-
дартного метода 1,16% в диапазоне 5,9—26,4%). Содержание клет-
чатки определяется в этом случае хуже (среднеквадратическое от-
клонение от стандартного метода 3,08% в диапазоне 22,2—47,0%).
Предварительное измельчение материала в замороженном виде с пос-
ледующим оттаиванием перед измерением снижает погрешность при-
мерно на одну треть (среднеквадратическое отклонение от стандар-
тного метода 2,13—2,33% для различных измельчителей). Однако во
всех случаях сушка и размол образцов до 1 мм и использование
обычных круглых кювет для порошковидных материалов обеспечива-
ли получение заметно более точных результатов. Среднеквадратичес-
335
кое отклонение результатов, полученных обычным методом, включа-
ющим сушку и размол, от данных химического метода составляло
1,08% для содержания сухого вещества, 1,48 — для клетчатки и
0,61% для протеина [566].
Интересное применение инфракрасная спектроскопия нашла при
изучении переваримости кормов [567]. В данном случае она исполь-
зовалась как метод исследования. Проводили определение протеина,
клетчатки и переваримости в образцах корма в опытах, в которых
пробы корма вводили в желудок животных в нейлоновых мешочках,
а затем образцы извлекали и анализировали. Среднеквадратическое
отклонение от стандартного метода при определении содержания про-
теина в высушенном после опыта корме не превышало 0,79% (абс.),
а в корме во влажном состоянии составляло не более 1,48%. При
определении клетчатки данный показатель не превышал 2,55% в су-
хом корме и 2,72% во влажном корме. Для переваримого сухого
вещества среднеквадратическое отклонение от стандартного метода
составляло 5,05 и 10,91 % для сухого и влажного корма соответ-
ственно. Вариант без высушивания состоял в том, что образец после
извлечения из сычуга животного промывали водой и анализировали
затем без высушивания с помощью специальной кюветы фирмы NIR-
Systems [567].
Переваримость кормов изучалась непосредственно на животных также
в другой работе [371].
ИК-метод использован для определения pH силоса, содержания в
нем сухого вещества, аммония, золы, сырого протеина, переваримос-
ти, обменной энергии [513]. Метод позволяет определить изменения
соломы при обработке аммиаком. Изменения в спектрах, вызванные
обработкой, коррелируют с изменением в содержании азота и улуч-
шением переваримости, что позволяет использовать метод для опре-
деления этих показателей [511].
Показано, что межлабораторная воспроизводимость определения
содержания в кормах сырого протеина и клетчатки (кислотный де-
тергент) с помощью спектроскопии ближней инфракрасной области
по диффузному отражению лучше, чем при использовании общепри-
нятых методов. Межлабораторная воспроизводимость для ИК-метода,
характеризуемая среднеквадратическим отклонением от среднего, со-
ставляла 0,42% для протеина и 1,14% для клетчатки, тогда как для
общепринятых методов оно составляло 0,50 и 1,39% соответственно.
При определении влажности кормов воспроизводимость результатов
зависела от применяемого метода анализа. Если градуировку инфра-
красных анализаторов проводили по данным, получаемым методом
Карла Фишера, то межлабораторная воспроизводимость определений
ИК-методом характеризовалась среднеквадратическим отклонением,
равным 0,27%, что представляло суммарную погрешность. Система-
336
тическая погрешность была очень невелика, так что случайная со-
ставляющая погрешности при исключении систематической составля-
ла 0,23%, что мало отличается от суммарной погрешности. При
градуировке инфракрасных анализаторов с использованием результа-
тов воздушной сушки в термостате воспроизводимость была заметно
хуже и характеризовалась величиной, равной 0,39%. Исключение
систематической составляющей давало величину, равную 0,35%. Та-
ким образом, при градуировке с использованием данных, получаемых
методом Карла Фишера, ИК-метод дает более воспроизводимые ре-
зультаты, что объясняется большей точностью этого химического
метода по сравнению с сушкой в термостате. Это подтверждают дан-
ные по межлабораторной воспроизводимости результатов определе-
ния, получаемых методом сушки, а также сравнением результатов
ИК-анализа при градуировке с использованием рассматриваемых ме-
тодов определения влажности. Межлабораторная воспроизводимость
результатов анализа методом сушки составляла 0,63%, а для данных
ИК-анализа при разных способах градуировки она составляла 0,42%.
При этом варьирование данных в основном обусловлено случайными
погрешностями, так как после исключения систематических состав-
ляющих межлабораторная погрешность результатов, получаемых ме-
тодом сушки, была равна 0,57%, а при сравнении данных, получае-
мых различными способами градуировки, составляла 0,38%. Оба ре-
зультата хуже, чем межлабораторная воспроизводимость данных, по-
лучаемых ИК-методом при градуировке анализаторов по данным ме-
тода Карла Фишера [210].
В анализе кормов инфракрасная спектроскопия находит и не со-
всем обычное применение. Показано, что использование анализа глав-
ных компонент позволяет определить присутствие клещей в корме
для животных. При проверке градуировки коэффициент корреляции
числа клещей фактического и найденного ИК-методом составлял 0,88
[668].
Определению различных компонентов кормов и их качества посвя-
щено большое число исследований [467, 592, 151, 157, 236, 244, 315,
466, 468, 553, 703, 704, 270, 607, 173, 250, 193, 404]. В ряде работ
рассматриваются вопросы отбора, подготовки проб кормов к анализу
[189, 190, 191, 209, 98], вопросы градуировки инфракрасных анали-
заторов [194, 192, 706].
В качестве иллюстрации возможностей метода спектроскопии диф-
фузного отражения в ближней инфракрасной области в таблицах
7.3.1 и 7.3.2 представлены результаты, полученные фирмой АО «Ин-
терагротех» при определении различных показателей качества комби-
кормов. Анализы выполнены на спектрофотометре модели 4500 фир-
мы NIRSystems с использованием стандартных кювет для порошко-
видных материалов.
337
Таблица 7.3.1.
Результаты анализа комбикормов для птицы [ПТ], свиней
[СК] и крупного рогатого скота [КРС] ИК-методом
Показатель Вид ком- бикорма Число образцов Диапазон содержания, % Сред- нее СКО от обще- принято- го метода
Сырой ПК 477 10,10 - - 34,24 18,63 0,93
протеин СК 348 10,69 - - 28,45 17,52 0,65
КРС 52 10,92 - - 32,05 19,92 0,52
Сырая ПК 333 1,11 — 8,88 4,45 0,64
клетчатка СК 385 1,74 — 10,71 5,01 0,66
КРС 52 2,86 — 11,54 7,21 0,51
Сырой жир ПК 456 1,36 — 8,76 3,58 0,39
СК 392 0,47 — 9,49 3,30 0,34
КРС 52 2,27 — 6,33 3,53 0,27
Кальций ПК 463 0,14 — 7,30 2,04 0,48
СК 392 0,04 — 4,31 1,16 0,32
КРС 52 0,10 — 2,54 0,79 0,35
Фосфор ПК 479 0,37 — 3,21 0,88 0,13
СК 392 0,06 — 2,64 0,83 0,16
КРС 52 0,40 — 1,52 0,91 0,07
Натрий ПК 422 0,02 — 0,63 0,17 0,06
СК 343 0,01 — 1,24 0,17 0,07
Магний ПК 266 0,11 — 0,88 0,30 0,08
СК 297 0,09 — 0,39 0,19 0,02
Сырая зола ПК 265 2,89 — 23,93 9,32 1,34
СК 394 1,82 — 13,91 6,21 0,93
КРС 52 2,89 — 10,53 6,52 0,71
Обменная
энергия ПК 442 23,69 - - 365,1 324,6 7,85
Сухое ПК 79 89,0 — 93,8 91,5 0,47
вещество СК 130 86,8 — 93,3 90,1 0,39
КРС 52 91,6 — 93,6 92,3 0,21
В настоящее время разработан и вводится в действие ГОСТ
Р 50817—95, которым стандартизируется метод определения содер-
жания сырого протеина, сырой клетчатки, сырого жира и влаги в
кормах, комбикормах и комбикормовом сырье по диффузному отра-
жению в ближней инфракрасной области [52а]. Метод состоит в из-
мерении диффузного отражения от предварительно размолотого ма-
териала. За результат анализа принимается среднее арифметическое
338
Таблица 7.3.2.
Результаты определения содержания аминокислот в кормах
для птицы и свиней ИК-методом
Вид корма Аминокислота Число образ- цов Диапазон измерения, г/ кг СКО от общеприня- того метода
Комбикорма Лизин 206 3,11 — 14,1 1,21
для птицы и Метионин 144 0,2 — 5,59 0,57
свиней Цистин 206 1,18 — 6,82 0,69
Аспарагин, к-та 164 8,14 — 28,3 2,12
Треонин 164 3,21 — 9,73 0,87
Серин 164 4,38 — 12,2 1,00
Глютамин.к-та 164 18,4 — 48,9 4,69
Пролин 164 4,32 — 26,9 2,87
Глицин 164 2,92 — 12,6 1,10
Аланин 164 3,81 — 13,1 0,99
Валин 164 3,82 — 12,9 1,27
Изолейцин 164 3,42 — 10,6 0,91
Лейцин 164 6,44 — 19,0 1,50
Тирозин 164 0,31 — 8,43 0,66
Фенилаланин 164 0,78 — 11,5 1,26
Гистидин 164 1,95 — 13,0 1,10
Аргинин 164 2,58 — 21,0 1,42
Комбикорма Лизин 72 3,11 — 12,2 1,66
для птицы Метионин 41 0,27 — 5,59 0,47
Цистин 72 1,19 — 6,92 0,58
Комбикорма Лизин 107 3,58 — 12,2 0,96
для свиней Метионин 92 0,27 — 5,59 0,68
Цистин 107 1,18 — 6,51 0,44
из двух параллельных измерений. Допускаемые расхождения двух
параллельных определений не должны превышать для сырого протеи-
на и сырой клетчатки 1,0%, для сырого жира 0,3%, для влаги 0,3%
в абсолютном выражении.
Для контроля качества результатов инфракрасного анализа 10%
проб должны анализироваться соответствующим стандартным хими-
ческим методом. Расхождения между результатами, полученными
химическим и инфракрасным методами (£>абс), не должны превышать
следующих значений:
D, = 1,095 + 0,032х
абс. ’ ’
£) = 2,16 + 0,038х
абс.
D. = 0,641 + 0,055х
абс. ’ ’
— для сырого протеина,
— для сырой клетчатки,
— для сырого жира,
339
где х — среднее арифметическое значение из двух параллельных
определений, выполненных химическим методом.
При числе анализируемых проб, равном 3—5, не допускаются рас-
хождения с данными химического анализа, превышающие установ-
ленные стандартом допуски; при числе проб 7—10 допускается пре-
вышение установленных допусков для одной пробы и при количестве
проб, равном 11 —15, — для двух проб.
При градуировке инфракрасного анализатора используются резуль-
таты химических анализов, выполненных в двукратной поворотности.
Допускается использовать для градуировки метод множественной ли-
нейной регрессии, регрессию на главных компонентах и другие мето-
ды при условии, что получаемые результаты анализов будут при
этом отвечать требованиям стандарта по точности. Число проб для
получения градуировочного уравнения, предназначенного для анали-
за образцов с варьирующими видовым составом, технологией произ-
водства кормов и пробоподготовки, должно быть не менее 90 — 100,
а для более однородной популяции, например для одной культуры,
одного вида корма, одного способа пробоподготовки и т.д., можно
использовать меньшее число проб. Однако число проб должно быть
достаточным для получения уравнения, которое обеспечивает требу-
емую стандартом точность результатов.
Число независимых переменных в градуировочных уравнениях не
должно быть для метода множественной линейной регрессии более
1+N/10, где N — число образцов в градуировочной серии. При
использовании регрессии на главных компонентах или метода дроб-
ных наименьших квадратов число независимых переменных не долж-
но превышать 3+N/10. Здесь необходимо уточнить, что в случае
регрессии на главных компонентах и дробных наименьших квадратов
речь идет не о градуировочном, а о регрессионном уравнении. Дан-
ные методы градуировки и преобразование регрессионных уравнений
в градуировочные рассмотрены нами в разделе 5.
В приложении к стандарту для определения в травяных кормах и
комбикормах содержания протеина, клетчатки, жира и влаги реко-
мендуется использовать в качестве независимых переменных в граду-
ировочных уравнениях значения разностей оптической плотности при
длинах волн 2130 и 2215, 2050 и 2120, 2254 и 2308, 2310 и 2332,
1682 и 1720, 2010 и 2054 нм или непосредственно значения оптичес-
кой плотности при 1672, 1700, 1940, 2100 2180 и 2336 нм. Для
определения клетчатки рекомендовано также использование опти-
ческой плотности при 1680, 1445, 1734 и 2190 нм. Определения
протеина и гигровлаги можно проводить по разностям значений
коэффициента отражения. Для протеина — разностей при 1998 и
1460 нм. 2200 и 1396 нм. для влаги — только одной разности при
1940 и 2190 нм.
340
При анализе фуражного зерна для всех рассматриваемых показате-
лей рекомендовано использовать разности значений оптической плот-
ности при 1867 и 1920 нм, 2118 и 2167 нм, 2250 и 2296 нм.
Данное приложение к стандарту рекомендуемое, а не обязательное,
так что не запрещается использовать и другие длины волн и виды
математических преобразований спектральных данных. Основное тре-
бование стандарта состоит в том, чтобы получаемые градуировочные
уравнения обеспечивали указанную в стандарте сходимость (парал-
лельные определения) и правильность (сравнение с химическим ана-
лизом) результатов инфракрасного анализа при соблюдении указан-
ного в нем порядка контроля качества получаемых результатов.
7.4. АНАЛИЗ ПРОДУКТОВ ПИТАНИЯ
РАСТИТЕЛЬНОГО
ПРОИСХОЖДЕНИЯ
7.4.1. Анализ хлеба и мучных изделий
При анализе хлеба по диффузному отражению на содержание бел-
ка, жира и влаги при пробоподготовке можно ограничиться получе-
нием срезов, которые помещают в кювету анализатора [627]. Для
получения представительных результатов измерения проводят на 5 —
6 срезах и затем результаты усредняют. Это позволяет быстро и
достаточно точно, с относительной погрешностью в 1 — 2%, опреде-
лять такие показатели, как влажность со среднеквадратическим от-
клонением от стандартного метода 0,51 — 0,62%, содержание белка
с погрешностью 0,20 — 0,22% и жира — 0,18 — 0,20%. При этом
высушивание и размол образцов практически не давали преимуществ
[534, 627]. Градуировочные уравнения применимы для анализа раз-
личных сортов хлеба, полученных по разным технологиям и с ис-
пользованием муки различного происхождения.
Имеются данные по точности градуировочных уравнений для опре-
деления общего содержания сахаров в хлебе по диффузному отраже-
нию срезов [627], а также содержания крахмала в воздушно-сухих
образцах [538]. Среднеквадратическое отклонение от регрессии со-
ставляло 0,34% для сахаров в диапазоне содержания 0,9 — 5,6% и
2,0% для крахмала в диапазоне 51 — 65%.
Изучалась возможность использования инфракрасной спектроско-
пии для определения содержания жира, сахарозы, сухой муки и воды
в тесте для бисквитов при контроле за производственным процессом.
341
Для градуировки были специально приготовлены образцы по различ-
ной рецептуре так, чтобы исключить корреляцию между содержани-
ем сахарозы и жира. Выбор длин волн включал их попарное изуче-
ние в целях нахождения лучшей пары длин волн для исключения
влияния мультиколлинеарности спектральных данных. Полученные
градуировочные уравнения характеризовались высокими значениями
коэффициентов корреляции. Однако приемлемая точность для реше-
ния поставленной задачи была получена только при определении со-
держания жира, для которого среднеквадратическое отклонение со-
ставляло 0,20% от данных стандартного метода.
Для определения жира и сахарозы в сухих смесях для приготовления
кексов использован анализатор с 19 фильтрами в условиях производ-
ственной контрольной лаборатории. Было необходимо иметь единую
градуировку для анализа широкого набора смесей. Среднеквадратичес-
кое отклонение от стандартного метода при определении жира составля-
ло 1,7% в диапазоне 3 — 26%, для сахарозы — 2,7% в диапазоне
13 — 41 %. Хотя такие погрешности значительно больше расхождения
параллельных при определениях жира стандартным методом Сокслета
(0,38%) и жидкостной хроматографии при определении сахарозы (1,04%),
инфракрасный метод был вполне приемлем для контроля производства,
если учесть простоту анализа и скорость получения результатов [547].
Диффузное отражение в ближней инфракрасной области использова-
но для определения содержания клетчатки в различных мучных издели-
ях. Анализ проводили с помощью прибора с монохроматором. Исполь-
зовали длины волн при 1352; 2204; 2448 и 2450 нм, подобранных так,
чтобы избежать влияния присутствия кристаллической сахарозы в ана-
лизируемых пробах. Среднеквадратическое отклонение от стандартного
метода при определении клетчатки было равно 1,8% [204].
Влияние присутствия сахарозы на определение клетчатки давало
основания полагать, что ИК-метод может быть использован для опре-
деления общего содержания сахаров в мучных изделиях. Для провер-
ки этого предположения были отобраны 84 образца продуктов с
общим содержанием сахаров практически от нуля до 54%. Образцы
были разделены на две группы по 40 и 44 соответственно для контро-
ля и получения градуировочного уравнения с использованием отно-
шения первых производных: 1432/1822 и 1692/1782 нм. Среднек-
вадратическое отклонение от данных, полученных методом жидкост-
ной хроматографии, при проверке полученного уравнения на кон-
трольной группе образцов было равно 2,8% [205]. Это хорошо со-
гласуется с погрешностью определения сахарозы [547] и подтвержда-
ет возможность определения сахаров в пищевых продуктах.
Показана возможность анализа макаронных изделий с помощью
спектроскопии диффузного отражения на содержание числа яиц, по-
шедших на получение 1 кг продукта, на содержание жира, белка и
342
влаги в двух тщательно проведенных экспериментах [410, 414]. В
первом из них для приготовления образцов использовали 0, 2, 4 и 6
целых яиц на 1 кг продукта, а содержание жира и протеина определя-
ли химическими методами [410]. Хотя были получены очень хорошие
по точности градуировочные уравнения, в них использовались одни и
те же длины волн. Это давало основания полагать, что число яиц,
содержание белка и жира в продукте взаимно коррелируют. Посколь-
ку содержания белка и жира могут служить хорошими показателями
содержания яиц в макаронных изделиях, эти два показателя должны
определяться независимо друг от друга, если производится добавка.
Для выяснения этого вопроса во втором эксперименте при получении
макаронных изделий отдельно добавлялись желтки и белки в различ-
ных соотношениях в целях рандомизации уровней белка и жира.
Разработанные в результате градуировочные уравнения содержали по
одной независимой переменной, в качестве которой использовано от-
ношение вторых производных при двух длинах волн. Среднеквадрати-
ческое отклонение от регрессии составляло 0,11, 0,24 и 0,24% соот-
ветственно для содержания жира, белка и влаги.
Обычно градуировочные уравнения разрабатываются индивидуаль-
но для анализа продуктов только одного вида. Это требует больших
затрат труда и вызывает определенные неудобства при практическом
использовании градуировок. В этой связи интересен опыт получения
универсальных градуировочных уравнений, пригодных для анализа це-
лых групп различного рода продуктов. Примером может служить опре-
деление содержания клетчатки и крахмала в размолотых картофельных
и кукурузных чипсах, попкорне, крекерах и некоторых других продук-
тах по единой градуировке [538]. Среднеквадратическое отклонение от
стандартных методов составляло при этом 1,4% для клетчатки и 3,5% для
крахмала. В качестве независимых переменных в градуировочных урав-
нениях использовали отношения производных.
Единое градуировочное уравнение может быть разработано для оп-
ределения жира в различных мучных изделиях, включая хлеб, пе-
ченье и т.п. Для анализа может успешно использоваться уравнение с
двумя переменными при коррекции вариации спектральных данных,
вызываемой различиями анализируемых образцов по крупности час-
тиц [536]. Это показано при градуировке модели 6350 NIRSystems по
44 образцам, в число которых входили 22 образца печенья, 14 —
хлеба и 10 — «зерновых для завтрака». При пробоподготовке образцы
хлеба были заморожены и в таком состоянии размолоты. При снятии
спектров проводилось сглаживание данных по 5 точкам (10 нм). Для
коррекции рассеяния использовали методику мультипликативной кор-
рекции [335], которая описана в разделе 4. Как показали исследования,
при длинах волн 1210; 1388; 1720; 1760; 2306 и 2344 нм наблюдались
максимумы кривой коэффициента корреляции оптический плотности с
343
содержанием жира. Абсолютный максимум корреляции наблюдался при
1720 нм, где значение коэффициента корреляции было равно 0,978.
Более точные результаты давало включение в градуировочное уравнение
второй переменной при 1700 нм. Коэффициент множественной корреля-
ции был равен 0,995. Измерение при 1700 нм необходимо для компенса-
ции поглощения крахмала, белка и сахарозы.
При проверке полученного градуировочного уравнения с двумя не-
зависимыми переменными на 39 образцах, включавших 13 образцов
печенья, 16 — хлеба, 10 — «зерновых для завтрака», среднеквадра-
тическое отклонение от стандартного метода составляло 1,10% в
диапазоне 1,2 — 27,3% [536]. Использование этого уравнения требо-
вало, однако, размола образцов. При этом измельчение хлеба прово-
дилось после замораживания, что осложняло анализ. Кроме того,
универсальная градуировка давала менее точные результаты, чем ин-
дивидуальные, при определении, например, содержания жира в хлебе
или в смесях для приготовления кексов, что рассмотрено выше.
Хлебопечение и выделка мучных изделий начинаются с получения
теста. Контроль за количественным соотношением ингредиентов пред-
ставляет значительный интерес, поскольку позволяет избежать полу-
чения недоброкачественной продукции. В этом отношении значитель-
ный интерес представляет использование спектроскопии ближней ин-
фракрасной области ввиду простоты выполнения анализов и скорос-
ти получения результатов. Метод использован для анализа теста для
печенья на содержание воды, муки, сахарозы и жира [546]. Для гра-
дуировки инфракрасного анализатора с монохроматором непосред-
ственно использовали куски теста, помещая их в кювету. Для количес-
твенного анализа в градуировочное уравнение, получаемое методом мно-
жественной линейной регрессии, вводили 8 переменных. Как показали
результаты исследований, метод позволяет определить существенные
нарушения в рецептуре теста по количеству воды, муки и сахарозы.
Однако при определении жира погрешность определения составляла
5%(абс.) и была недопустимо велика, так как соизмерима с самим со-
держанием этого ингредиента теста. Хотя методика отрабатывалась на
приборе с монохроматором, по мнению авторов, она пригодна и для
использования при работе на фильтровых приборах при контроле за
качеством приготовления теста по содержанию воды, муки и сахарозы.
Аналогичные данные получены при анализе теста для выпечки хле-
ба [538]. Градуировочные уравнения разрабатывались на 57 образцах
и проверялись на других 37 образцах. Среднеквадратическое откло-
нение от данных стандартного метода при проверке составило 0,29%
при определении содержания белка в диапазоне 5,2 — 7,5% и
0,33% при определении жира в диапазоне 0,3— 1,6%. Коэффициен-
ты корреляции результатов инфракрасного и стандартных методов
были равны 0,940 и 0,821 для белка и жира соответственно. Исполь-
344
зовали результаты измерений оптической плотности диффузного отра-
жения при длинах волн 2230, 2180, 2100 и 2050 нм при определении
содержания белка и 2310 и 2100 нм при определении жира. По заключе-
нию автора рассматриваемой работы, метод вполне пригоден для выявле-
ния грубых нарушений в рецептуре приготовления теста.
7.4.2. Анализ растительных масел
Измерение пропускания в ближней инфракрасной области нашло
применение при определении качества масла. При использовании ана-
лизатора InfraAlyzer-500C в режиме пропускание/отражение и
кюветы с толщиной слоя 0,2 мм показана возможность определения
чистоты кунжутного масла [260]. Изучались спектры поглощения в
диапазоне 1100 — 2500 нм кунжутного, соевого, кукурузного, хлоп-
кового, рапсового, подсолнечного и рисового масел. Найдено, что
вторая производная спектров масел обнаруживает различия между
исследованными маслами в поглощении при 1700 и 1725 нм. Макси-
мум в спектрах масел при 1700 нм (минимум второй производной)
связан с присутствием в маслах линоленовой кислоты, тогда как пог-
лощение при 1725 нм вызывает присутствие олеиновой кислоты. Кун-
жутное масло отличается от других масел соотношением этих кис-
лот, имея большую долю олеиновой кислоты. Это позволяет с удов-
летворительной точностью определять долю кунжутного масла в его
смесях с другими растительными маслами. При анализе известных
смесей доля кунжутного масла определялась с погрешностью 1,21%
(среднеквадратическое отклонение от действительного значения при
определении в контрольных образцах). Коэффициент корреляции ре-
зультатов анализа с действительными значениями был очень высок и
составлял 0,9996. Градуировку проводили методом множественной
линейной регрессии, используя значения второй производной спект-
ра при 1700; 1720; 1748 и 2232 нм. Полученные результаты позволя-
ют контролировать чистоту кунжутного масла, которое высоко це-
нится в Японии и может фальсифицироваться разбавлением более
дешевыми растительными маслами.
В другой работе [164] показана перспективность метода для анали-
за состава не только растительных, но и животных жиров с помощью
сканирующего монохроматорного прибора InfraAlyzer-500. Объекта-
ми исследований служили жиры, экстрагируемые из образцов ко-
ровьего масла и маргарина и их смеси, а также смеси различных
растительных масел и триглицеридов. Найдено, что примеси посто-
ронних масел в молочных продуктах могут быть определены с по-
мощью инфракрасного анализа экстрагируемого из них жира по вто-
рой производной спектра при 2'24 и 2144 нм.
345
7.4.3. Анализ соусов
Для анализа соевого соуса нашло применение системы, состоящей
из инфракрасного анализатора с проточной кюветой для анализа жид-
костей (InfraAlyzer-400 и InfraAlyzer-500), соединенной с пробоотбор-
ником, перистальтическим насосом и термостатом автоанализатора
Technicon [427]. Пробоотборник чередовал отбор анализируемых проб
соуса с подачей с помощью перистальтического насоса в проточную
систему раствора детергента для ее очистки от остатков предшеству-
ющей пробы. Температура проб поддерживалась равной 20°С. При
анализе соевого соуса одного завода, основного производителя этого
продукта в Японии, сравнение результатов инфракрасного и химичес-
кого анализов, полученных на контрольной серии образцов рафини-
рованного и нерафинированного продуктов по разработанному ранее
градуировочному уравнению, среднеквадратическое отклонение состав-
ляло при определении содержания поваренной соли 0,09% в диапазо-
не 8,50 — 19,0%, общего азота — 0,62% в диапазоне 1,187 —
1,951%, спирта — 0,12% в диапазоне 0,05 — 6,24%, лактозы —
0,12% в диапазоне 0,73 — 1,83%, глютаминовой кислоты — 0,05%
в диапазоне 1,02 — 1,53%, редуцирующих сахаров — 0,48% в диа-
пазоне 2,84 — 5,01% и глюкозы — 0,24% в диапазоне 0,74 —
2,24%. Средняя разность результатов сравниваемых методов анализа
контрольной серии составляла —0,02; —0,001; 0,016; —0,013; 0,008;
—0,19 и —0,34% соответственно. По воспроизводимости результа-
тов инфракрасный метод не уступал химическому. Глюкозу опреде-
ляли с помощью монохроматорного анализатора InfraAlyzer-500, ос-
тальные показатели — на фильтровом анализаторе InfraAlyzer-400.
Контрольных образцов при определении глюкозы было 21, в осталь-
ных случаях — от 50 до 100. Неудовлетворительным было признано
только определение содержания редуцирующих сахаров, что потре-
бовало переградуировки установки на образцах с более широким ди-
апазоном содержания этого компонента. При анализе образцов соуса
различных производителей по первоначальной градуировке точность
результатов была ниже. Это обусловлено тем, что кроме естествен-
ной ферментации, использованной при производстве продукта, ре-
зультаты анализов обзазцов которого рассмотрены выше, на других
заводах в большей или меньшей степени применяют другие процессы.
Использование единых градуировочных уравнений, полученных на
образцах различных предприятий, значительно улучшило точность
анализа контрольных образцов и сделало метод приемлемым для оп-
ределения содержания соли, общего азота, спирта, лактозы и глюта-
миновой кислоты в соевом соусе.
Спектроскопия диффузного отражения в ближней инфракрасной
области использовалась и для анализа другого традиционного продук-
346
та питания в Японии, называемого «мисо» [714]. Этот продукт гото-
вят ферментацией из сои и риса или из сои и ячменя. Он представля-
ет собой густую пасту. Измерения диффузного отражения образцов
мисо без предварительной обработки проводили на монохроматорном
анализаторе InfraAlyzer-500 в открытой кювете, выравнивая повер-
хность пробы шпателем. Спектры каждой пробы снимали несколько
раз, заполняя кювету заново и усредняя полученные данные. Градуи-
ровка проводилась по 60 образцам в автоматическом режиме, и дли-
ны волн выбирались чисто статистически так, чтобы получить макси-
мальные значения F-критерия и коэффициента множественной рег-
рессии. Проверка полученных уравнений проводилась на контроль-
ной серии из 40 новых образцов, которые не использовались для
градуировки анализатора. Результаты контрольных анализов показа-
ли, что при определении содержания влаги среднеквадратическое от-
клонение от обычного метода составляет 0,566% (относительное от-
клонение 1,2%), соли (NaCl по хлориду) — 0,176% (1,5% отн.),
общего азота — 0,075% (4,0% отн.), спирта — 0,185% (12,8%
отн.), жира — 0,245% (4,5% отн.), золы — 0,288% (2,3% отн.),
азота, определяемого формальдегидным методом, — 0,043% (9,6%
отн.), водорастворимого азота — 0,062% (5,6% отн.), общего содер-
жания сахаров — 0,868% (4,7% отн.), редуцирующих сахаров —
0,514% (3,3% отн.) и кислотности — 1,021 (10,1% отн.). Сделано
заключение, что метод может использоваться в практических целях
для определения содержания влаги, поваренной соли, общего азота,
жира, золы, общих сахаров и редуцирующих сахаров в исследуемом
продукте. В рассматриваемой работе изучалось также влияние темпе-
ратуры, степени измельченности продукта, продолжительности его
хранения на результаты анализа.
7.5. АНАЛИЗ МОЛОКА И МОЛОЧНЫХ
ПРОДУКТОВ
7.5.1. Анализ жидкого молока
Для анализа жидкого молока чаще используют поглощение в сред-
ней инфракрасной области и для этих целей разработан и находит
широкое практическое применение ряд специализированных прибо-
ров, которые появились раньше, чем анализаторы, использующие
ближнюю инфракрасную область. Если первые анализаторы для ближ-
ней инфракрасной области появились в 1971 году, результаты, полу-
347
ченные на инфракрасном анализаторе молока IRMA, разработанном
для определения содержания жира, белка, лактозы и сухого обезжи-
ренного остатка (СОМО) в жидком молоке, опубликованы в 1964
году [344]. С помощью спектроскопии средней инфракрасной области
определение белка проводят по полосе поглощения пептидных связей
при 6,46 мкм. Жир определяют по поглощению карбонильной группы
при 5,72 мкм, лактозу — по полосе поглощения ОН при 9,6 мкм и
сухой обезжиренный остаток — при 7,9 мкм, где жир поглощает
слабо. Позже показано, что для определения жира может использо-
ваться также и поглощение метиленовой группы при 3,48 мкм [497].
Вследствие интенсивного поглощения воды в средней инфракрасной
области спектра используют кювету с толщиной просвечиваемого слоя
порядка 40 мкм. Окна кюветы изготавливают из фторида кальция,
который при длинах волн короче 8 мкм пропускает около 95% инф-
ракрасного излучения. При 9,6 мкм пропускание значительно мень-
ше, около 40%, но этого достаточно для выполнения измерений.
Стекло и даже кварц в данном случае непригодны, так как интенсив-
но поглощают инфракрасное излучение в используемом диапазоне
спектра.
Молоко представляет собой сложную по составу дисперсию, изме-
няющуюся во времени вследствие агрегирования составляющих ее
жировых глобул, что осложняет анализ, изменяя характер рассеяния
излучения [344, 78]. Поэтому в процессе пробоподготовки молоко
нагревают до 40 — 45°С, чтобы перевести жир в жидкое состояние, и
гомогенизируют. Анализатор IRMA позволял провести анализ одной
пробы молока за 1 минуту [344]. Автоматизация пробоподготовки,
заполнения и очистки кюветы от остатков предыдущей пробы в неко-
торых современных инфракрасных анализаторах молока обеспечива-
ет производительность анализа, которая достигает 200 определений в
час при очень высокой точности результатов.
При первых испытаниях анализатора IRMA на 50 образцах молока
от отдельных коров трех различных пород среднеквадратическое от-
клонение от результатов анализа стандартными методами составило
0,10% для жира, 0,07 — для белка и лактозы и 0,19% для сухого
обезжиренного остатка. Метод широко апробирован в межлаборатор-
ном эксперименте [277] и получил официальное признание в США
[378], а также в странах ЕЭС.
Хотя в данном методе анализа молока используется область фунда-
ментальных частот колебаний молекул, а не ближняя инфракрасная
спектроскопия, его основы представляют определенный интерес, как
пример классического подхода к решению задачи спектрофотометри-
ческого анализа многокомпонентной системы. Однако анализ молока
не совсем обычен, так как осложнен высоким содержанием рассеива-
ющих излучение частиц и очень интенсивным поглощением излуче-
348
ния водой, на фоне которого практически незаметны полосы погло-
щения других компонентов. Измерение поглощения молока относи-
тельно чистой воды делает видимым полосы поглощения других его
компонентов. Энергия излучения, проходящего пробу, ослабляется
также вследствие рассеяния жировыми глобулами и мицеллами бел-
ка. Интенсивность рассеяния снижается с уменьшением отношения
размера частиц к длине волны. Чтобы снизить рассеяние, молоко
гомогенизируют, что делает его оптически однородным в средней ин-
фракрасной области. При этом молоко становится прозрачнее воды,
так как она поглощает более интенсивно, чем такие компоненты мо-
лока, как белок и жир.
Выбор длин волн для измерений поглощения при анализе молока
обосновывался следующим образом [349]. Молоко можно рассматри-
вать как трехкомпонентную систему, состоящую из белка, жира и
лактозы, а воду — как растворитель. В этом случае для определения
концентраций растворенных веществ необходимо провести измерения
не менее чем при трех длинах волн. При фиксированной толщине
просвечиваемого слоя анализируемой жидкости для оптической плот-
ности D. при j-й длине волны можно получить следующую систему
уравнений:
Dx = aIx+bly + c1z + dl,
D2 = а2х + b2y + c2z + d2 , (7 5 1)
D3 = a2x + b2y + cyz + d2 >
где a, b и с представляют коэффициенты поглощения компонентов моло-
ка, присутствующих в концентрациях х, у и z соответственно.
Для такого интенсивно поглощающего растворителя, как вода, в
данном случае коэффициенты а, b и с могут иметь отрицательные
значения, что обусловлено замещением в измеряемой системе интен-
сивно поглощающего растворителя более прозрачными веществами.
Постоянная d вводится в уравнения для учета явлений, связанных с
поляризацией излучения при рассеянии, и учета влияния концентра-
ции растворимых минеральных солей.
Решение данной системы уравнений приводит к следующему выра-
жению:
х = Af)[ 4- BD2 + GD2 + L.
Если значение коэффициента А подобрано так, что В и G достаточ-
но малы, чтобы соответствующими членами уравнения можно прене-
бречь, a L принять как постоянную, то х будет линейной функцией
Z? Даже когда В и G существенны, ввиду того что концентрации у и
z в случае молока значительно не варьируют, в первом приближении
Dy и D2 могут быть приняты как константы и объединены с членом/..
349
Такое положение найдено применимым к определению концентраций
жира и лактозы.
При длине волны, выбранной для белка, жир вносит существен-
ный вклад в измеряемое поглощение. Из уравнений (1) и (2) мож-
но получить
у = D{/b2 — (a2/b2)x + a const.
Из результатов измерений найдено, что а2/Ь2 = —0,225. На практике
величина корректирующего члена может быть рассчитана по этому со-
отношению и концентрации жира (х), которая уже определена.
Определение сухого обезжиренного остатка проводится по сумме
концентраций белка и лактозы с добавлением члена, учитывающего
содержание минеральных веществ. Варьирование содержания мине-
ральных веществ в молоке достаточно мало, поэтому можно принять
этот член за константу. Выбор длины волны для определения сухого
обезжиренного остатка должен быть сделан так, чтобы вклад жира в
измеряемое поглощение при изменении его концентрации был очень
мал или постоянен и где белок и лактоза имеют равные коэффициен-
ты поглощения. Эти требования предполагают, что оптическая плот-
ность должна быть независимой от отношения концентраций белка и
лактозы.
Хотя это и не совсем обычно, но требовалось также найти значение
длины волны, при которой ZJj не увеличивается с повышением кон-
центрации растворенного вещества. Такие условия соблюдаются при
анализе молока, в котором содержится такой интенсивно поглощаю-
щий растворитель, как вода. При правильно подобранной длине во-
лны общее поглощение может быть постоянным ввиду сбалансиро-
ванности двух явлений. Повышение концентрации растворенного ве-
щества, с одной стороны, вызывает ослабление потока излучения
вследствие рассеяния частицами, с другой — увеличивает пропуска-
ние, так как происходит замещение более интенсивно поглощающего
растворителя, каким является вода, на менее интенсивно поглощаю-
щее вещество. В уравнении (7.5.1) при таких условиях ах = 0 и Ь} =
ср так что изменения £>1 пропорциональны (х + у).
На основании рассмотренных положений были выбраны три длины
волны, при которых измерения оптической плотности позволяют про-
водить определение содержания в молоке жира, белка и лактозы.
Значения этих длин волн составляли соответственно 5,73; 6,46 и 9,6
мкм. Сухой обезжиренный остаток может быть определен по измере-
нию оптической плотности при 7,9 мкм, так как при этой длине
волны жир практически не поглощает, а коэффициенты поглощения
белка и лактозы примерно одинаковы.
Анализаторы для ближней инфракрасной области разрабатывались
для анализа вещества в твердом состоянии по диффузному отраже-
350
нию и первоначально предназначались для анализа зерна, где они
нашли широкое практическое применение. Для анализа жидкого мо-
лока ближняя ИК-область применяется относительно редко. В то
же время, как отмечается в литературе, ближняя ИК-область бо-
лее универсальна и может использоваться для анализа не только
жидкого, но и сухого молока, а также других молочных продук-
тов, для которых средняя ИК-область не находит практического
применения [327].
Для анализа жидкого молока с использованием спектроскопии ближ-
ней инфракрасной области применяют кювету с толщиной слоя по-
рядка 0,2 мм с подложкой из хорошо отражающего материала с
матовой поверхностью. При такой конструкции кюветы на приемник
излучения попадают лучи рассеянные пробой, излучение, диффузно
отраженное от подложки и ослабленное поглощением, а также рассе-
янием при двукратном прохождении слоя анализируемой пробы (рис.
3.26).
Спектр жидкого молока очень близок спектру воды, составляющей
его основную массу. Как видно из рис. 7.5.1.1.А, при измерении
пропускания молоко дает заметно меньшую оптическую плотность,
чем вода. На фоне поглощения воды полосы поглощения других ком-
понентов молока в его спектре визуально не обнаруживаются. Одна-
ко в разности спектров воды и молока после соответствующего мас-
штабирования четко проявляются полосы поглощения жира около
2300 и 2350 нм. Более ясную картину дает вторая производная спек-
тров, особенно в длинноволновой области. Здесь вода не дает замет-
ных экстремумов, тогда как молоко обнаруживает четкие минимумы
около 2300 и 2350 нм, обусловленные поглощением жира (рис.
7.5.1.1.С).
Специально для анализа жидкого молока фирма Technicon комплек-
тует инфракрасные анализаторы InfraAlyzer-400 и InfraAlyzer-500 (в
настоящее время эти приборы выпускает фирма Bran & Luebbe) необ-
ходимыми для анализа молока приспособлениями для термостатиро-
вания и гомогенизации проб, специальной термостатируемой кюве-
той, устройствами для ее заполнения и промывки. В специальном
модуле для подготовки проб размещены насос высокого давления и
двухкаскадное клапанное гомогенизирующее устройство, что обеспе-
чивает получение эмульсий, размеры частиц в которых менее 1 мкм.
Кроме того, в системе обеспечивается контроль температуры с точ-
ностью до 0,0ГС. Камера для подготовки к анализу жидких проб
оснащена теплообменником, с помощью которого температура пробы
еще до поступления в измерительную кювету доводится точно до
требуемого значения [126].
О возможностях рассматриваемой системы можно судить по следу-
ющим данным, полученным в Австралии с использованием инфра-
351
В тор ая пр «сводная В тор ая пр онзводная Lo g (1 /R)
Длина волны, нм
Рис. 7.5.1.1. Спектры поглощения воды и молока (А) и их
вторые производные (В). Более детально показаны вторые
производные в диапазоне 2200 — 2400 нм (С) [327].
352
красного анализатора InfraAlyzer-400D в варианте для анализа молоч-
ных продуктов (D от английского dairy — молочные продукты). Об-
разцы молока, отобранные на фермах, анализировали не позже чем
через 24 часа после дойки, не пользуясь консервирующими добавка-
ми. Образцы нагревали до 40°С, гомогенизировали и делили на парал-
лельные пробы для анализа с помощью ближней инфракрасной спек-
троскопии и обычными лабораторными методами. Плотность молока
определялась после охлаждения проб до 20°С.
Полный инфракрасный анализ одной пробы занимал 77 секунд.
Заполнение кюветы с помощью насоса и очистка системы кювета—
гомогенизатор после измерения требовали 33 секунды. Остальное
время шло на измерения и обработку результатов. Как отмечает ав-
тор, это значительно быстрее, чем анализ, выполняемый общеприня-
тыми лабораторными методами, но несколько уступает в скорости
определению на специализированных анализаторах молока, использу-
ющих среднюю инфракрасную область спектра.
Среднеквадратическая погрешность градуировки при определении
жира, проведенной на 67 — 89 образцах с содержанием этого компо-
нента 3,41 — 6,53%, составляла от 0,0564 до 0,0604% (абс.) в
зависимости от числа фильтров (длин волн) и их комбинаций. Число
фильтров, используемых для анализа, составляло от 4 до 5. При
определении показателя C0M.0 (содержание сухого обезжиренного
молочного остатка) среднеквадратическая погрешность градуировки
составляла 0,0523 — 0,0521%. Средняя разность результатов инф-
ракрасного и общепринятых лабораторных методов при анализе 139
образцов составляла для жира от —0,09 до 0,02% при разных комби-
нациях фильтров при среднеквадратической погрешности разности от
0,06 до 0,07%. При определении C0M.0 в 123 образцах средняя раз-
ность составляла 0,06 — 0,07% в зависимости от комбинации фильтров
при среднеквадратической погрешности разности 0,07%, что указывает
на отсутствие систематической погрешности метода. Воспроизводимость
результатов характеризовалась среднеквадратическим отклонением от
среднего и составляла 0,01% при определении жира. Для C0M.0 сред-
неквадратическое отклонение было равно 0,02%.
По данным, полученным во Франции [126], использование анализа-
тора InfraAlyzer-400 для анализа консервированного молока обеспе-
чивает вполне допустимые погрешности: 0,11 % при определении жира,
0,06 — для белка, 0,08 — для лактозы, 0,13 — для сухого вещества,
0,07% для сухого обезжиренного остатка. В сливках при определе-
нии жира в диапазоне 18 — 50% погрешность составила 0,25%,
воды — 0,36%.
Вариант анализатора InfraAlyzer-400 с комплектом для анализа мо-
лока использовали также в Австрии для определения содержания
жира, сухого остатка, а также плотности и числа замерзания жидко-
го молока с достаточно высокой точностью [5].
353
При использовании инфракрасного сканирующего монохроматорно-
го анализатора InfraAlyzer-500 с кюветой и устройствами для анализа
молока определяли содержание белка и жира в молоке от отдельных
коров [298]. Молоко предварительно нагревали до 40°С и гомогенизи-
ровали. Спектры снимали в кювете, термостатируемой в пределах
(43± 1)°С. Исследования проводили на 700 пробах молока. Для градуи-
ровки использовали 173 пробы, выбранные с учетом их спектральных
особенностей. Среднеквадратическая погрешность градуировки (откло-
нение от регрессии) составляла для жира 0,101% и 0,055% для белка.
Среднеквадратическое отклонение от данных стандартных методов при
анализе 377 независимых образцов, которые не участвовали в градуи-
ровке, составляло 0,098% для жира и 0,058% для белка.
Аналогичные результаты получены в другой работе [327], где так-
же изучали возможность использования ближней инфракрасной спек-
троскопии для анализа индивидуального и сборного молока. При ис-
пользовании InfraAlyzer-500 погрешность определения жира в 50 об-
разцах сборного коровьего молока характеризовалась среднеквадра-
тическим отклонением от данных стандартного метода, равным 0,034%
(погрешность стандартного метода 0,04%). Для жира эта величина
составляла 0,038% (погрешность стандартного метода 0,04%), лак-
тозы — 0,043% (погрешность стандартного метода 0,05%).
При анализе 30 образцов козьего молока, взятых индивидуально от
каждого животного, погрешность градуировки была больше и составля-
ла 0,226% для жира, 0,107 — для белка и 0,281% для лактозы. Ре-
зультаты, полученные на 20 образцах сборного молока от нескольких
коз, были значительно лучше: 0,022% для жира, 0,028 — для белка и
0,058% для лактозы. Значительные погрешности определения рассмат-
риваемых компонентов молока, взятого индивидуально от животных,
были вызваны тем, что некоторые из них болели маститом. Результаты
получались более точными, когда в градуировочную серию включили и
образцы сборного молока, и образцы молока от отдельных животных, в
том числе и образцы, которые отклонялись ранее по результатам анали-
за. Точность анализа повышалась и при увеличении числа длин волн,
используемых для градуировки.
Для определения содержания жира в молоке использовали также
фурье-анализатор Nicolet Systems 740 с интерферометром. В качест-
ве приемника излучения служило фотосопротивление из селенида
свинца [256]. Спектры снимали с разрешением 8 см1 при 128 скани-
рованиях, что занимало 51 секунду. Измеряли пропускание в кювете
с окнами из фторида бария с толщиной просвечиваемого слоя 0,5 мм.
На основании результатов изучения варьирования спектральных дан-
ных и их корреляции с содержанием жира для градуировки был
выбран участок спектра от 2273 до 2353 нм (4400 — 4250 см1). В
этой области жир дает две полосы поглощения при 4250 и 4332 см1,
представляющие обертоны карбонильных групп эфирных связей в
354
молекулах глицеридов. Хотя эти полосы слабо различаются визуаль-
но, метод дробных наименьших квадратов их отлично использует.
Были сняты спектры 20 образцов молока. Из них 12 было использо-
вано для градуировки и 8 — для проверки. Градуировку проводили
методом дробных наименьших квадратов. Среднеквадратическое от-
клонение от регрессии составляло 0,0004%. При проверке уравнения
на контрольных образцах среднеквадратическое отклонение от дан-
ных стандартного метода было равно 0,04% жира. Для проверки
воспроизводимости пробоотбора и измерений на приборе проведен
ряд повторных измерений с новым заполнением кюветы. Среднеквад-
ратическое отклонение от среднего составило 0,027%. Для выясне-
ния, с чем в основном связана погрешность, спектр одного и того же
образца в кювете без перезаполнения кюветы снимали 20 раз на
протяжении семнадцати минут. Результаты, полученные по градуиро-
вочному уравнению, были одними и теми же, что указывало на хоро-
шую стабильность работы прибора, так что воспроизводимость резуль-
татов связана главным образом с заполнением и очисткой кюветы. В
заключение отмечено, что спектроскопия ближней инфракрасной облас-
ти в сочетании с обработкой спектральных данных методом дробных
наименьших квадратов вполне приемлема для анализа молока.
Кроме анализа жидкого молока непосредственно по пропусканию
или в режиме пропускания/отражения применяются и другие спосо-
бы измерений. В частности, разработана методика, в которой исполь-
зуется диффузное отражение от сухого остатка анализируемой про-
бы молока на твердой подложке после выпаривания. По этой методи-
ке анализируемая проба жидкого молока объемом 0,5 мл сначала
высушивается на специальной подложке, дающей хорошее рассеян-
ное отражение, а затем фотометрируется. Перед отбором пробы ана-
лизируемое жидкое молоко нагревают до 39°С и гомогенизируют для
обеспечения репрезентативности пробоотбора [301]. Изготовление под-
ложки и описание используемой системы DESIR, обеспечивающей
высушивание пробы за 3 минуты, имеются в литературе [489]. Для
проведения инфракрасного анализа использовали сканирующий спек-
трофотометр модели 6250 (NIRSystems) с дифракционной решеткой.
Градуировку проводили методом множественной линейной регрессии,
получая уравнения с 4 — 6 независимыми переменными.
При испытании этой методики анализировали образцы молока, ото-
бранные индивидуально от 107 коров. Среднеквадратическое откло-
нение от результатов, полученных с помощью анализатора молока
Foss Electric, было равно 0,187% (абс.) при определении содержания
жира в диапазоне 2,0 — 6,1% и 0,097% при определении содержа-
ния белка в диапазоне 2,0 — 4,8%. Воспроизводимость результатов
характеризовали среднеквадратическим отклонением от среднего. Для
содержания жира среднеквадратическое отклонение составляло 0,163%
и 0.057 — для белка. Полученные результаты определения жира по
355
точностным характеристикам заметно уступали стандартному методу,
но по определению белка были вполне удовлетворительными. Авторы
полагают, что точность получаемых результатов может быть улучшена
при усовершенствовании методики пробоподготовки и при использова-
нии для градуировки образцов, аттестованных по результатам анализов
более точными классическими методами.
Жидкое молоко хорошо рассеивает излучение в ближней инфра-
красной области и, будучи налитым в плоскую кювету толщиной 10
мм, дает четкую картину спектра диффузного отражения (рис. 7.5.1.2).
Вода, составляющая основную массу молока, очень интенсивно пог-
лощает инфракрасное излучение, так что при данной толщине облу-
чаемого слоя на фотоэлементы попадают только диффузно отражен-
ные лучи от приповерхностных слоев молока. Можно полагать, что
диффузное отражение должно сильно зависеть от крупности жиро-
вых глобул, что делает необходимыми предварительный нагрев и го-
могенизацию молока. Показано, что диффузное отражение молока
можно использовать в целях количественного анализа [141]. При
использовании сканирующего фильтрового спектрометра модели 4250
фирмы NIRSystems и производных спектров для получении градуи-
ровочных уравнений на 50 пробах молока получены среднеквадрати-
ческие отклонения от данных стандартных методов, равные 0,298%
при определении жира, 0,141, 0,365, 0,442% при определении белка,
СОМО и сухого вещества соответственно. К сожалению, авторами
ничего не сказано о пробоподготовке, температурном режиме, мате-
матической обработке спектров, методике получения производных и
Рис. 7.5.1.2. Спектр диффузного отражения молока.
356
которую именно производную использовали для градуировки, каким
методом рассчитывали параметры градуировочных уравнений. В це-
лом результаты, полученные в рассматриваемой работе, уступают по
точности соответствующим стандартным методам анализа молока.
Возможно, что при соответствующей пробоподготовке и поддержа-
нии постоянства температуры проб при получении спектров резуль-
таты можно значительно улучшить.
7.5.2. Анализ сухого молока
Сухое молоко, которое производится в виде порошка, представля-
ет, в отличие от жидкого молока, очень удобный объект для анализа
методом ближней инфракрасной спектроскопии диффузного отраже-
ния. Сухое молоко — это достаточно тонкий порошок, и проведение
его анализа не требует какой-либо пробоподготовки. Единственное,
что требуется от аналитика, — это обеспечение представительности
пробы, загружаемой в кювету анализатора, и однообразия плотности
упаковки в нее анализируемого материала.
В одной из первых работ сообщалось, что инфракрасный анализа-
тор InfraAlyzer-400 использован в Австрии для определения в сухом
молоке содержания влаги, жира, белка и лактозы в условиях заводс-
кой лаборатории для контроля качества производимого на предпри-
ятии продукта и контроля за производственным процессом [120]. О
точности получаемых результатов можно судить по среднеквадрати-
ческому отклонению от уравнения регрессии, которое составляло
0,15% для жира в диапазоне 2 — 4%, для белка — 0,157% в
диапазоне от 25 до 30% и для лактозы — 1,01% в диапазоне от 30
до 40%. Позже сообщалось об анализе сухого порошкового снятого
и цельного молока с добавкой витамина А, которая требовала введе-
ния поправки в нулевой член градуировочного уравнения для исход-
ного порошкового молока при определении содержания жира и влаги
[5]. Спектроскопия диффузного отражения использована для опреде-
ления содержания влаги, белка и жира в сухом молоке [300], лакто-
зы в сухом порошковом цельном и обезжиренном молоке [213], а
также для анализа сухой сыворотки молока [203].
В Новой Зеландии [707] метод применяется официально для опре-
деления содержания жира, влаги, белка и лактозы в порошковом
цельном молоке; жира и влаги в сухих сливках; жира, влаги в сухом
обезжиренном молоке; а также кислотности, жира, влаги, белка в
казеине; жира, влаги, золы и белка в казеинатах; жира, влаги, золы,
белка и лактозы в сывороточных белковых концентратах.
В Голландии проведены исследования по разработке градуировоч-
ных уравнений для анализа сухого молока и других порошковидных
продуктов его переработки в целях контроля за правильным состав-
лением смесей для последующего производства сыра, казеина, сыво-
357
ротки, а также за качеством конечной продукции и обеспечения со-
ответствия сертификату [327]. Градуировки предназначались для ана-
лизатора InfraAlyzer-4OO. Подбор комбинаций фильтров проводился
на основании изучения спектров сухого молока, воды, а также спек-
тров выделенных из молока белка, жира и лактозы (рис. 7.5.2.1).
Фильтры, длины волн их максимума пропускания, определяемые ком-
поненты молока и обоснования выбора данного фильтра представле-
ны в таблице 7.5.2.1.
Градуировочные уравнения разрабатывались для анализа сухого
обезжиренного молока, сливок, смеси сливок и обезжиренного моло-
ка, порошка денатурированного молока, порошкового молока с до-
бавкой жира индивидуально для каждого вида продукта. Градуиро-
вочные серии были различны по объему и содержали от 61 до 274
образцов. Для получения градуировочных уравнений применяли ме-
тод множественной линейной регрессии, используя значения опти-
ческой плотности. Проверку полученных градуировочных уравнений
проводили на контрольных сериях проб каждого продукта, включаю-
щих от 50 до 150 образцов, которые не участвовали в градуировке.
Было найдено, что результаты определения белка классическим
методом Кьельдаля и на InfraAlyzer-400 по разработанным градуиро-
вочным уравнениям очень тесно коррелировали. Коэффициент мно-
жественной регрессии составлял от 0,97 до 0,999. Среднеквадрати-
Длина волны, нм
Рис. 7.5.2.1. Спектры диффузного отражения порошка
снятого молока (1), белка (2), лактозы (3), воды (4), жира
(5) [327].
358
Таблица 7.5.2.1.
Фильтры и длины волн, используемые для анализа сухого
молока и аналогичных продуктов
№ фильтра Длина волны, нм Определяемый компонент Характер спектра при данной длине волны
20 1650 Опорная для воды, белка Молоко и белок — минимум. Вода, лактоза — относительно спокойный участок
16 1940 Вода Максимум в спектре воды
17 1734 Белок, жир Молоко, белок, жир — макси- мумы. Вода, лактоза — спокойные участки
15 1759 Жир, белок Молоко, жир, белок — макси- мумы. Лактоза, вода — спокойные участки
14 2100 Белок, лактоза Белок — минимум. Лактоза — максимум. Вода, молоко, жир — спокойный участок
9 2139 Опорная для белка, лакто- зы, воды Молоко, белок, лактоза — пологий склон. Вода, жир — спокойные участки
6 2230 Опорная для жира, белка, лактозы Молоко, белок, лактоза, вода — минимум. Жир — ровный учас- ток у подошвы максимума
4 2310 Жир, белок Молоко, жир, белок — макси- мум. Лактоза — плоский участок между небольшими возмущениями
ческое отклонение от регрессии составляло от 0,18 до 0,34%, сред-
неквадратическое отклонение от результатов химического анализа
при проверке уравнений на контрольных образцах составляло около
0,15%, что вполне приемлемо.
Достаточно точные результаты получены при определении влаж-
ности порошковидных продуктов. Коэффициент множественной рег-
рессии составлял от 0,97 до 0,99, среднеквадратическое отклонение
от регрессии имело значения от 0,11 до 0,13%, среднеквадратичес-
кое отклонение от результатов весового метода с использованием
сушки в термостате — от 0,10 до 0,16%.
При определении содержания жира коэффициенты множествен-
ной корреляции для всех продуктов были не ниже 0,98. Среднек-
359
вадратические отклонения от регрессии при градуировке составля-
ли от 0,09 до 0,31%. Последнее значение отклонения (0,31%) получе-
но по общему градуировочному уравнению для обезжиренного молока и
сливок. Оно примерно вдвое больше по сравнению с тем, что получа-
лось при индивидуальных градуировках для каждого из этих продуктов.
При индивидуальных градуировках отдельно для каждого продукта
среднеквадратическое отклонение от регрессии результатов определе-
ния содержания лактозы составляло не более 0,38% для порошка
сухого обезжиренного молока, сливок, сухого молока с добавкой
жира, при общей градуировке для обезжиренного молока и сливок,
денатурированного молока оно было значительно выше — 0,62%.
Среднеквадратическое отклонение отданных химического метода при
анализе контрольных проб проявляло ту же закономерность. Для
обезжиренного молока, сливок и сухого молока оно не превышало
0,44%, тогда как для обезжиренного молока, сливок и денатуриро-
ванного молока при общей градуировке оно составляло 0,75 — 0,83%.
Кроме того, InfraAlyzer-400 использовался для определения содер-
жания золы в указанных выше объектах, а также содержания сухого
обезжиренного молока в смесях с жиром, используемых для кормле-
ния телят. Несмотря на то что химические элементы, входящие в
состав золы, в исходных продуктах содержатся в виде различных по
природе соединений и не проявляются в спектрах, результаты опре-
деления содержания золы, полученные весовым методом по остатку
после прокаливания при 500°С и с помощью спектроскопии диффуз-
ного отражения исходного материала, хорошо коррелируют. Автор
цитируемой работы объясняет это корреляцией содержания золы с
содержанием влаги и органических соединений, влияющих на спект-
ры. Во всяком случае, результаты ИК-метода вполне удовлетвори-
тельны. Среднеквадратические отклонения от данных стандартного
метода при проверке градуировочных уравнений составляли от 0,11
до 0,37% при содержании золы от 0,55 до 4,0%.
Показано, что результаты, получаемые с помощью InfraAlyzer-400,
характеризуются очень хорошей сходимостью и воспроизводимостью.
Коэффициент вариации, полученный на основании результатов анали-
за 24 образцов порошка обезжиренного молока, анализируемых в
различные дни в течение двух месяцев по всем показателям, исклю-
чая жир, не превышал 0,4% (отн.). Определения жира воспроизводи-
лись несколько хуже. Коэффициент вариации составлял в этом слу-
чае 2,1% (отн.). Этот результат хуже, чем при определении других
показателей, но сам по себе вполне удовлетворителен. Интересно,
что сходимость параллельных определений практически не отлича-
лась от воспроизводимости во времени. Это, очевидно, связано с тем,
что точность ИК-метода определяется в основном только погрешнос-
тями отбора аналитической пробы и заполнения кюветы анализатора.
Это говорит о хорошей работе инфракрасного анализатора, высокой
360
воспроизводимости измерений оптических характеристик анализиру-
емых проб во времени.
7.5.3. Анализ казеинов и казеинатов
Казеины получают осаждением из молока с последующим высуши-
ванием до влажности примерно 8%. Из казеинов при смешивании с
водой, гидроокисью натрия или кальция, с последующим высушива-
нием при распылении получают соответственно казеинаты натрия или
кальция. Это белые кристаллические вещества, получаемые в двух
формах, зависящих от технологии осаждения: кислые и сычужные
казеины.
Обычно казеины и казеинаты представляют собой достаточно тон-
ко измельченный материал, однако перед ИК-анализом их дополни-
тельно измельчают в течение примерно 20 секунд с помощью мельни-
цы типа «Пируэт» [327]. При проведении градуировки InfraAlyzer-400
для определения содержания влаги, белка, жира и золы по серии из
100 образцов различных казеинов и казеинатов с использованием
метода множественной линейной регрессии по результатам измерения
оптической плотности среднеквадратическое отклонение от регрес-
сии составляло 0,14; 0,41; 0,10 и 0,25% соответственно. Практичес-
ки такие же показатели точности получены при проверке градуиро-
вочных уравнений на серии из 100 новых образцов, которые не учас-
твовали в градуировке: 0,15; 0.50; 0,11 и 0,27% соответственно.
Самое большое по абсолютному значению среднеквадратическое от-
клонение от результатов стандартного метода получено при опреде-
лении содержания белка. Однако относительно содержания белка в
проверочной серии, которое колебалось от 86,2 до 92,8%, это со-
ставляет не более 0,6%. Значительно большие относительные пог-
решности получены для жира и золы, содержание которых было на
два порядка ниже, чем белка. При содержании жира от 0,5 до 1,2%
среднеквадратическое отклонение от результатов стандартного мето-
да было равно 0,11%, что составляет 18% относительно минимума.
Содержание золы составляло от 0,5 до 4,7%, среднеквадратическое
отклонение от результатов стандартного метода — 0,27%, или 54% от
минимального содержания [327]. Однако, если принять во внимание точ-
ность стандартных методов при определении таких низких содержаний
жира и золы, погрешность ИК-метода вполне допустима.
7.5.4. Анализ сливочного масла
При использовании метода диффузного отражения при анализе ели-
вочного масла определенные трудности вызывают заполнение кюзеты
361
анализатора и ее очистка после измерения. Более удобно работать с
открытой кюветой без кварцевого окна, выравнивая поверхность про-
бы с помощью шпателя. При небольшом навыке в работе это дает
хорошо воспроизводимые результаты [327]. На точность измерений
существенное влияние оказывает температура пробы. Даже различия
в 5°С в пределах 15 — 25°С значительно влияют на результаты
анализа как при измерениях оптической плотности, так и при полу-
чении второй производной. Влияние температуры на спектральные
кривые сливочного масла показано на рис. 7.5.4.1, взятом из рас-
сматриваемой работы.
Применение InfraAlyzer-400 при анализе масла на содержание влаги
и обезжиренного остатка обеспечивало достаточно высокую точность
определений. Среднеквадратическое отклонение от регрессии для со-
держания и влаги, и обезжиренного сухого остатка составляло 0,07%
при градуировке по 50 образцам с содержанием влаги от 15,33 до
16,33% и обезжиренного остатка от 1,63 до 2,37%. Проверка полу-
ченных уравнений проведена на 50 образцах с практически теми же
значениями определяемых показателей. Среднеквадратическое откло-
нение от результатов стандартного метода составило 0,08% для влаги
и 0,09% для обезжиренного остатка, что очень близко к точности
стандартных методов [327].
7.5.5. Анализ сыра
Свойства сыра сильно варьируют в зависимости от технологии про-
изводства, качества исходного сырья и полупродуктов. Сыр в измель-
ченном состоянии очень неустойчив на воздухе вследствие окисления
жирных кислот. Кроме того, частицы сыра быстро покрываются пленкой
жира, что отражается на спектрах. В связи с этим при подготовке
проб к анализу измельчение сыра, выполняемое, так же как и при
химическом анализе, с помощью терки, необходимо проводить непос-
редственно перед заполнением кюветы анализатора. Поскольку про-
бы хранят перед анализом обычно в холодильнике, они должны быть
приведены к комнатной температуре.
При анализе голландского сыра сортов Gouda и Edam на Infra-
Alyzer-400 [327] для получения градуировочных уравнений использо-
вано 125 образцов. Среднеквадратическое отклонение от регрес-
сии для содержания влаги составило 0,32%, для жира — 0,26% и
для белка — 0,37%. При проверке уравнений на серии из 100
образцов среднеквадратические отклонения результатов от данных
стандартных методов составили 0,35; 0,28 и 0,36% соответствен-
но. Коэффициенты корреляции результатов сравниваемых методов
во всех случаях были не менее 0,99. Отмечено, что, если градуи-
362
Длина волны, нм
Вторая производная
Длина волны, нм
Рис. 7.5.4.1. Спектры диффузного отражения (А) и вторые
производные спектров (В) сливочного масла при различной
температуре [327].
363
ровку анализатора проводить индивидуально для каждого сорта
сыра, точность возрастает примерно на 30% (отн.). Отмечено так-
же, что при анализе сыра не в измельченном состоянии, а в виде
цельного круглого плоского диска, вырезанного по размерам кюве-
ты и вставленного в нее без покровного стекла, точность анализа
заметно улучшается [327].
С помощью InfraAlyzer-400 в сырах определяли также содержание
соли (NaCl), значение pH, отношение водорастворимого азота к об-
щему азоту, отношение азота, растворимого в трихлоруксусной кис-
лоте, к общему азоту, содержание водорастворимых первичных ами-
нов [327]. Для общей для двух указанных выше сортов сыра градуи-
ровки использовали серию из 125, а для проверки — из 100 образ-
цов. Среднеквадратические отклонения от данных, полученных стан-
дартными методами, составили: для соли — 0,16% (коэффициент
корреляции 0,92) в диапазоне 1,2 — 3,3%; для pH — 0,08 единицы
(коэффициент корреляции 0,713) в диапазоне pH 5,1 — 5,7, для
отношения водорастворимого азота к общему азоту — 2,5 единицы
(коэффициент корреляции 0,892) в диапазоне значений этого показа-
теля 11,1 — 36,0; для отношения азота, растворимого в трихлорук-
сусной кислоте, к общему азоту — 1,51 единицы (коэффициент кор-
реляции 0,981) в диапазоне значений этого показателя 8,4 — 24,3.
Для водорастворимых первичных аминов приведено только среднек-
вадратическое отклонение от регрессии для 70 образцов, которое
составило 43,1 мкмоль/г (коэффициент множественной корреляции
0,976) в диапазоне значений данного показателя от 300 до 1160
мкмоль/г.
Очень интересным представляется применение спектроскопии диф-
фузного отражения для определения времени созревания сыра. Изу-
чались 100 образцов сыра с известным временем созревания от 25 до
412 дней. Коэффициент множественной корреляции при градуировке
был равен 0,92, среднеквадратическое отклонение от регрессии со-
ставило 28 дней, что было слишком грубо, и вызвано явной нелиней-
ностью использованной связи. Значительно большая точность полу-
чена при использовании для градуировки образцов с более узким
варьированием времени созревания — от 25 до 160 дней. В этом
случае среднеквадратическое отклонение от регрессии составило 11
дней. При анализе образцов, не входивших в градуировочную серию,
с временем созревания до 160 дней среднеквадратическое отклонение
от фактических данных равнялось 15 дням. Однако такая точность
автором признана неудовлетворительной, так как при односторонней
доверительной вероятности 0,95 можно ожидать погрешность до 25
дней, тогда как для данного показателя допускаемая погрешность не
Д0ЛЖН2 pnoD*-’f”°'ru пыльг
364
7.6. АНАЛИЗ МЯСНЫХ, РЫБНЫХ
ПРОДУКТОВ, ЯИЦ
Впервые возможность применения спектроскопии ближней инф-
ракрасной области для определения жира и влаги в говядине и
свинине показана еще в 1968 году [219]. В этой работе проводили
измерения в проходящем пучке, используя уникальный спектро-
метр Саггу-14. Спектры пропускания снимали в диапазоне 1500 —
1850 нм при толщине слоя 2 мм. Точность определений характери-
зовалась среднеквадратическим отклонением от действительного зна-
чения, найденного соответствующим для каждого показателя стан-
дартным методом. Для содержания жира оно составляло 2,1%,
для влаги — 1,4%. Отмечено, что основным источником погреш-
ностей были неоднородность материала и трудность воспроизведе-
ния толщины просвечиваемого слоя. В более поздних работах ме-
тод использовали для определения содержания белка, жира и вла-
ги в мясе, измеряя диффузное отражение [439]. При определении
влаги в диапазоне 48,5 — 69,6% среднеквадратическое отклоне-
ние от общепринятого метода составляло 1,65%, для содержания
белка в диапазоне 14,8 — 20,3% оно было равно 0,78%, для
жира, диапазон содержания которого составлял 8,9 — 37,1%, оно
составило 2,06%.
Одновременно с содержанием влаги, белка и жира в свежих говяди-
не и свинине ИК-метод позволяет определять также калорийность
этих продуктов [442]. Исследования проведены на инфракрасном ана-
лизаторе модели 6350 с монохроматором в диапазоне 1100 — 2500
нм. Для анализа использовали как измерение диффузного отражения,
так и пропускания. Градуировку проводили методом пошаговой мно-
жественной регрессии, используя вторую производную. Толщина про-
свечиваемого слоя при измерении пропускания составляла 2 мм. При
определении содержания жира, влаги и белка по диффузному отра-
жению среднеквадратическое отклонение составляло 0,24% (диапа-
зон 3,1 — 15,5%), 0,50% (диапазон 65,7 — 75,9%) и 0,56% (диапа-
зон 17,5 — 25,6%) соответственно. При определении по пропуска-
нию погрешности были больше: 1,12; 0,59 и 0,99% соответственно,
что было, очевидно, обусловлено неоднородностью материала и недо-
статочной воспроизводимостью результатов измерений при малой тол-
щине просвечиваемого слоя.
При использовании анализатора модели 6250 с монохроматором
кювету для измерения диффузного отражения заполняли небольши-
ми порциями предварительно гомогенизированного мяса, не допуская
образования пузырьков. Измерения проводили в 5-кратной повтор-
ности. Коэффициент корреляции результатов инфракрасного анали-
365
за с данными стандартных методов составляли 0,98, 0,94, 0,99, 0,78;
среднеквадратические отклонения от регрессии — 0,32, 0,28, 0,22,
0,24% для содержания влаги, белка, жира и коллагена соответ-
ственно [259].
Такой же прибор использовали для определения содержания жира
и белка в свиных тушах методом диффузного отражения [614].
Использовалась обычная круглая кювета диаметром 50 мм с квар-
цевым окном. От каждой туши брали половину вместе с костями,
но без головы и внутренних органов и размалывали, пропуская
через сито с отверстиями 6,4 мм. После перемешивания проводили
повторное измельчение, используя сито с отверстиями 3,2 мм. Как
показал химический анализ, первое измельчение не обеспечивало
необходимой однородности материала. Поэтому для инфракрасно-
го анализа использовали только двухступенчатое измельчение об-
разцов. Из размолотой массы отбирали случайным образом по 5
образцов объемом по 0,5 л. Из четырех таких образцов от каждой
туши отбирали пробы по 15 мл для инфракрасного анализа, кото-
рый проводился в трехкратной повторности. Пятый образец ана-
лизировался химическим методом. Хорошие результаты получены
при использовании в качестве независимой переменной в градуиро-
вочном уравнении, причем только одной, отношения значений вто-
рой производной, найденных методом конечных разностей. Для
определения жира в числителе использовали вторую производную
при 1742 нм, рассчитанную с интервалом 6 нм, в знаменателе —
при 1842 нм с интервалом 40 нм. Во всех случаях расчету пере-
менных предшествовало сглаживание спектров по трем точкам.
Проверка уравнения, полученного на 40 образцах, проводилась на
20 образцах. Среднеквадратическое отклонение от данных обыч-
ного метода составило 1,23%, средняя разность была равна 0,55%.
Для определения белка в числителе использовали вторую произ-
водную при 2166 нм, рассчитанную с интервалом 18 нм, в знамена-
теле — 1762 нм с интервалом 28 нм. При тех же количествах
образцов среднеквадратическое отклонение от данных химическо-
го метода составило 0,403%, средняя разность была равна —0,066%.
Точность определения содержания белка была несколько выше того,
что получалось при использовании в уравнении регрессии значе-
ний второй производной при двух длинах волн. При определении
содержания жира использование отношений производных преиму-
ществ не давало.
Инфракрасный анализатор Infrapid-61 использовали для опреде-
ления в сырых говядине, свинине, а также в беконе содержания
белка, жира и влаги. Среднеквадратические отклонения от данных
общепринятых методов составляли при этом 0,5; 0,9 и 0,8% соот-
ветственно [407].
366
Анализ мяса представляет определенные трудности, связанные с
тем, что это очень неоднородный продукт с высоким содержанием
воды. Кроме того, это быстропортящийся продукт, который поступа-
ет на анализ обычно в охлажденном виде. При измерении диффузно-
го отражения необходима гомогенизация образца, доведение его до
температуры помещения. Заполнение кюветы с кварцевым окном не-
обходимо делать так, чтобы не было пузырьков воздуха, не отжима-
лась вода и не было неравномерного распределения ее в объеме спек-
трометрируемой пробы, что не так просто. В этой связи представля-
ет интерес следующая работа по определению содержания белка, вла-
ги и жира в мясе, общего содержания мяса и обезжиренного мяса в
фарше для изготовления колбас на анализаторе InfraAlyzer-450 с 19
фильтрами [282]. Использовали открытую кювету. Образец охлаж-
денного продукта при температуре 5°С или ниже массой 200 г гомоге-
низировали точно 30 с, снимали со стенок налипшую на них массу и
снова гомогенизировали 30 с. Полученный материал использовали
затем для анализа ИК-методом и соответствующими общепринятыми
методами. Гомогенизированным материалом после выдержки образца
при температуре лабораторного помещения в течение часа заполняли
открытую кювету без покровного стекла и выравнивали поверхность
шпателем, проводя им по поверхности пробы несколько раз в одном
направлении. Измерения проводили в трехкратной повторности, за-
полняя кювету заново. Белок определяли по оптической плотности
при 2190 нм, где наблюдается прямая корреляция с его содержанием,
используя оптическую плотность при 2139 нм для учета поглощения
крахмала, а также при 2208 нм для коррекции фонового поглощения.
Влажность определяли по оптической плотности при 1445 нм, ис-
пользуя 2230 нм как опорную, 2139 и 1772 нм для коррекции на
поглощение крахмала, протеина и целлюлозы. Результаты определе-
ния содержания белка по Кьельдалю и содержания обезжиренного
мяса тесно коррелировали. Коэффициент корреляции был равен 0,995.
Это было обусловлено тем, что суммарное содержание влаги и жира
было примерно постоянным в исследуемых образцах, а содержание
золы слишком низкое, чтобы давать существенный вклад. Минималь-
ное содержание обезжиренного мяса в 50% было эквивалентно 11,1 %
белка. Изменению содержания белка на 1% соответствовало измене-
ние в содержании обезжиренного мяса на 5%, что и составляло
основу определения этого показателя в колбасном фарше.
Для определения содержания жира использовали три длины волны:
1722; 1445 и 1680 нм. Фильтр с максимумом пропускания при 1772
нм был необходим для учета поглощения жира, а фильтр с максиму-
мом при 1680 нм — для учета фона. Длина волны 1445 нм, соответ-
ствующая первому обертону воды, была важна потому, что в колбас-
ном фарше наблюдалась отрицательная корреляция содержания жира
367
и влаги. Для обеспечения образования эмульсии жира в воде при
смешении в колбасный фарш добавляют полифосфаты натрия или
калия. Это повышает pH и увеличивает водоудерживающую способ-
ность мяса, позволяя получить колбасные изделия с меньшими поте-
рями жира и воды в процессе приготовления. Как показали результа-
ты анализа 79 образцов, коэффициент корреляции содержания жира
и воды в колбасном фарше составляет 0,942. Суммарное содержание
жира и влаги равно при этом примерно 80%.
Проверка полученных градуировочных уравнений на контрольных
35 образцах показала следующие результаты. При определении со-
держания белка в диапазоне 9,3 — 15,95% среднеквадратическое
отклонение от данных общепринятого метода составило 0,61 %, для
влаги — 1,18% в диапазоне 51,0 — 66,5%, для жира — 0,64% в
диапазоне 14,5 — 29,7%, для обезжиренного мяса — 3,27% в диапа-
зоне 40,1 — 73,7%, для общего содержания мяса — 3,07%. Сред-
няя разность результатов, полученных сравниваемыми методами, со-
ставляла от 0,01% для содержания белка до 1,03% для общего со-
держания мяса. Как правило, средняя разность была незначительна
по величине и не превышала 1% относительно минимального содер-
жания определяемого компонента. Только при определении общего
содержания мяса она составляла около 2% [282].
Спектроскопия диффузного отражения использовалась для анализа
около 100 тушек кроликов с костями и шкурками на содержание
сухого вещества, белка и жира [625]. Определения проводили в двук-
ратной повторности на анализаторе InfraAlyzer-400 с 19 фильтрами.
Тушки кроликов были заморожены и размолоты. Часть образцов
дополнительно гомогенизировалась. Кювету анализатора заполняли
материалом, который оттаивал в течение ночи и затем тщательно
перемешивался. Градуировку проводили двумя способами: расчетом
коэффициентов множественной линейной регрессии для всех 19 длин
волн (фильтров) и с выбором вариантов с 2 — 6 длинами волн. Для
всех определяемых показателей точность градуировки систематичес-
ки возрастала с увеличением числа переменных в уравнениях. Значе-
ния коэффициентов корреляции при этом возрастали, среднеквадра-
тические отклонения от регрессии снижались. Значение Л-критерия,
как правило, снижалось, но во всех случаях указывало на очень
высокую достоверность связи результатов инфракрасного анализа и
данных обычных лабораторных методов. В целом это общая законо-
мерность, наблюдаемая при регрессионном анализе.
При использовании всех 19 фильтров для определения содержания
сухого вещества, которое в изучаемой выборке колебалось от 24,7 до
38,7%, среднеквадратическое отклонение от регрессии было равно
0,96%, коэффициент корреляции составил 0,951. Исключение резко
отклоняющихся результатов снижало погрешность до О.эЗ,^ и новы-
368
шало коэффициент корреляции до 0,980. Для содержания белка (ди-
апазон 13,1 — 19,9%) и жира (диапазон 2,8 — 13,3%) среднеквад-
ратические отклонения составляли 0,64 и 0,54% соответственно. Коэф-
фициенты корреляции составляли 0,889 и 0,980 соответственно. Ис-
ключение резко отклоняющихся значений несколько улучшало ре-
зультаты градуировки. Использование 6 фильтров несколько снижа-
ло точность градуировочных уравнений. Для содержания сухого ве-
щества среднеквадратическое отклонение составляло в этом случае
1,0%, для белка — 0,71% и для жира — 0,59%.
Анализ мяса бройлеров на содержание жира проводили на спектро-
фотометре Technicon-500 по измерению диффузного отражения. Гра-
дуировку проводили отдельно для анализа грудки без кожи, окороч-
ков и голеней с кожей по 45 — 49 образцам, каждый из которых
получали смешением соответствующих частей тушек 3 бройлеров.
Анализируемый материал подвергали леофильной сушке и измельче-
нию. Ввиду неоднородности материала спектры снимали в трехкрат-
ной повторности, заново загружая кювету. Как показали результаты
проверки полученных градуировочных уравнений, которая проводи-
лась на 39 — 50 контрольных образцах, среднеквадратическое от-
клонение от данных общепринятого метода составляет при анализе
грудки 1,00% при содержании жира 2,52 — 15,32%, при анализе
голеней — 1,78% при содержании 14,97 — 28,92%, при анализе
окорочков — 2,08% при содержании 31,02 — 58,21%. Отмечено,
что по точности результатов инфракрасный анализ уступает общеп-
ринятому экстракционному методу, но может служить хорошим ин-
дикатором содержания жира в мясе бройлеров. Обращает на себя
внимание то, что при определении одного и того же компонента для
анализа каждой из частей тушек бройлеров использовали значения
оптической плотности при различных длинах волн: 1212 и 1352 нм —
для грудок, 1220 и 1604 — для голеней, 1184; 1196 и 1204 нм — для
окорочков. В то же время наиболее интенсивные полосы поглощения
жира наблюдаются обычно около 1750 и 2330 нм.
Анализатор InfraAlyzer-400 использован для определения содержа-
ния влаги, белка и жира в различных видах ветчины, гамбургеров,
колбас [586]. Использовали только часть из 19 фильтров, исключив
фильтры 2, 3, 4, 11 и 16, поскольку отсчеты при них имели слишком
большие значения и были поэтому неустойчивыми. Полученные гра-
дуировочные уравнения проверялись на независимых образцах, чис-
ло которых составляло от 53 до 99 для различных видов продуктов.
В «красном мясе» ветчины определение содержания белка инфра-
красным методом характеризовалось среднеквадратическим отклоне-
нием от данных стандартного метода, равным 0,68%, содержание
влаги — 0,75%. Для содержания влаги в колбасах оно составило
0,75%. Для содержания жира в прессованной ветчине, холодных и
369
готовых гамбургерах — соответственно 0,67; 0,31 и 0,98%. Коэффи-
циент корреляции результатов инфракрасного анализа с данными об-
щепринятых методов во всех случаях был не ниже 0,93. Метод на-
шел практическое применение. В соответствии с требованиями япон-
ских стандартов на продукты и точностными характеристиками ИК-
метода были установлены граничные числа для контроля, которые
использованы затем для проверки 10000 из 17000 образцов мясных
изделий, проконтролированных японской ассоциацией переработчи-
ков мяса.
Кроме ставших уже традиционными для ИК-метода определений со-
держания влаги, белка и жира в мясе метод позволяет проводить
определение содержания поваренной соли с погрешностью ±0,17%,
используя значение второй производной при 1806 нм. Анализируе-
мые образцы содержали 2,3—3,5% соли [767].
Возможности определения в филе рыбы общего азота (белка), жира
и аминокислот с помощью инфракрасной спектроскопии изучались
на серии из 20 образцов различных видов рыб: карп, толстолобик,
амур, горбуша, окунь, линь, плотва, вобла, красноперка, карась, щука,
сом, судак, жерех, треска, ставрида, форель, сиг, угорь, ерш. Филе
измельчали на мясорубке и доводили до воздушно-сухого состояния
в потоке горячего воздуха. Спектры диффузного отражения снимали
на инфракрасном спектрофотометре Neotec-6250 и обрабатывали ме-
тодом множественной линейной регрессии. Как показали результаты,
среднеквадратическое отклонение регрессии составляет для общего
азота 1,68% при среднем содержании 12,4%. Коэффициент детерми-
нации был равен 0,994. Обезжиривание материала и дополнительный
помол снижают погрешность до 1,53%. При определении аминокис-
лот треонина, серина, глутаминовой кислоты, глицина, гистидина,
аргинина, аспарагина коэффициенты детерминации были не менее 0,80.
Для валина, метионина, изолейцина, пролина коэффициент детерми-
нации был выше 0,7. Для лизина он был равен 0,599 и 0,540 для
лейцина. Коэффициенты детерминации спектральных данных с со-
держанием аланина и цистеина составляли 0,393 и 0,113 соответ-
ственно. Обезжиривание материала и дополнительное измельчение
значительно улучшили тесноту связи. Коэффициент детерминации
практически для всех аминокислот в этом случае был не ниже 0,8.
Исключение составили только треонин и аспарагиновая кислота,
для которых коэффициенты детерминации были равны 0,736 и 0,612
соответственно [92].
В последнее время для анализа мяса и мясных продуктов все более
широкое применение находит измерение оптической плотности в про-
ходящем пучке. На этом принципе работает анализатор Infratec-1255,
предназначенный для анализа пищевых продуктов и кормов. Этот
анализатор, для (радуиривки Kuiuporo используется метод дробных
370
наименьших квадратов, использовали при анализе мясных продуктов
[400]. Образцы массой по 300 г гомогенизировали в течение 20 с.
Затем 5 проб из каждого образца помещали в кювету с 5 отделениями
в открытых стальных трубках диаметром 32 мм. Толщина просвечива-
емого слоя составляла 17 мм. Это значительно больше 2 мм, которые
использовались в рассмотренной выше работе [442] для анализа мяса
в диапазоне 1100 — 2500 нм, где поглощение значительно больше.
Кроме того, пятикратное проведение измерений на отдельных порциях
анализируемого образца значительно улучшает репрезентативность
результатов. При определении содержания белка в копченых колба-
сах среднеквадратическое отклонение от данных общепринятых мето-
дов было равно 0,38% в диапазоне 9,2—12,4%, при определении
жира — 0,88% в диапазоне 10,2—24,9%, влаги — 0,64% в диапазо-
не 53,9—69,3%, углеводов — 0,56% в диапазоне 4,0—7,4%. При
определении в мясе содержания белка среднеквадратическое отклоне-
ние составляло 0,50% в диапазоне 16,6—25,8%, жира — 0,54% в
диапазоне 0,8—14,1%, влаги — 0,60% в диапазоне 62,1—74,8%. В
колбасном фарше при определении содержания белка среднеквадрати-
ческое отклонение составляло 0,35% в диапазоне 9,6—17,4%, жира —
0,91% в диапазоне 9,6—17,4%, влаги — 0,40% в диапазоне 59,7—
69,6%, углеводов — 0,53% в диапазоне 3,8—7,3% [400].
При анализе мясного фарша на таком же анализаторе в каждое из 5
отделений кюветной части прибора закладывали порции по 7 г фарша
анализируемого образца, так что результат анализа выдавался как
среднее арифметическое из 5 измерений. Проведены две градуировки:
одна для диапазона содержания жира 0,9 — 1,9%, другая — для
1 — 50%. Проверка уравнения для низкого содержания на 66 образ-
цах дала среднеквадратическое отклонение от данных стандартного
метода, равное 0,09%. Использование градуировки для высокого со-
держания жира при анализе большего числа образцов свинины и
говядины характеризовалось среднеквадратическим отклонением, рав-
ным 0,67% [363].
Измерение пропускания использовано также для определения со-
держания влаги в так называемых продуктах «суриме» — рыбных
полуфабрикатах, очень популярных в Японии [712]. Морскую рыбу
чистят, получают филе, промывают пресной водой, отжимают избы-
ток воды, добавляют соль и другие ингредиенты. Затем добавляют
крахмал, масло, различные приправы и готовят различные продукты
под общим названием. Как показали исследования, проведенные на
анализаторе Trebor-70, изучаемые продукты с содержанием влаги 65 —
85% имеют в области 850 — 1050 нм значительное поглощение
около 975 нм, вызванное перекрывающимся поглощением воды и бел-
ка. Во второй производной спектров наблюдались четкие экстремумы
при 915 и 945 нм и менее четкие, но заметные при 905; 928 и 960 нм.
371
Как показал регрессионный анализ, для определения содержания вла-
ги достаточно иметь три длины волны. Последующее увеличение
числа независимых переменных в градуировочном уравнении прак-
тически не повышало точности определений. На основании полу-
ченных результатов был разработан прибор с тремя светодиодами
и датчиком температуры пробы, поскольку было установлено, что
на результаты анализа она заметно влияет. Как показали испыта-
ния прибора на 297 различных образцах рассматриваемого про-
дукта с содержанием влаги от 64 до 76%, точность определений
характеризуется среднеквадратическим отклонением, равным
0,403%, от данных весового метода по потере массы при 105°С.
Коэффициент корреляции составлял 0,991. Прибор испытывался
также при анализе двух других объектов и дал вполне удовлетво-
рительные результаты.
Возможность применения спектроскопии ближней инфракрасной
области с использованием различной техники измерений изуча-
лась при определении ряда характеристик мяса: значения pH, по-
тери при варении, усилия при резании, содержания белка, оксип-
ролина, влаги, жира, общего содержания пигментов, калорийности
[500]. Результаты проведенных исследований интересны во многих
отношениях, так как они позволяют судить о возможностях и пре-
имуществах различных способов применения спектроскопии ближ-
ней инфракрасной области, поэтому их стоит рассмотреть доста-
точно подробно. Для исследований использовали инфракрасный
анализатор модели 6250 фирмы NIRSystems с различными при-
ставками. Измерение диффузного отражения проводили в диапазо-
не от 1100 до 2500 нм, пропускание и отражение, измеряемые с
помощью волоконной оптики, — от 680 до 1235 нм. Анализируе-
мые образцы представляли плоские срезы мяса толщиной 1 см,
помещенные в пакеты из полиэтиленовой пленки. При измерении
диффузного отражения и пропускания они загружались в прямоу-
гольную кювету, продвигающуюся по выходной щели монохрома-
тора при снятии спектров. Срезы делались поперек мышечных во-
локон. При использовании волоконной оптики в режиме отраже-
ния цилиндрическим пробоотборником вырезали круглые образцы
диаметром 5,5 см и толщиной 6 см точно по размерам специально
разработанной для анализа мяса кюветы с кварцевым окном, к
которому подводили общий жгут светоизлучателя и фотоприемни-
ка. Общая площадь окна была равна 400 мм2, излучающие волокна
и принимающие соотносились как 3:4. Кварцевые волокна имели
диаметр 0,2 мм. Около 1900 волокон создавали облучаемую пло-
щадь образца 60 мм2 и 2500 волокон принимали отраженное излу-
чение, занимая в общем жгуте 80 мм2. Спектральные данные сни-
мали через каждые 2 нм, спектр каждого образца получали как
372
среднее из 25 сканирований. В качестве начала отсчета использо-
вали отражение от керамической пластинки, спектр которой сни-
мали при измерении каждого образца. Измерения диффузного от-
ражения проводили на 48 образцах, пропускание и отражение, при
которых использовали волоконную оптику, проводили на 66 об-
разцах. Градуировочные уравнения получали методом дробных на-
именьших квадратов. Для исключения фонового поглощения и вли-
яния различий образцов по размерам частиц на спектры использо-
вали вторую производную спектров. Полученные уравнения рег-
рессии содержали 4 фактора.
Как показали результаты градуировки, среднеквадратическое от-
клонение от регрессии при определении pH изучаемыми методами
составляло от 0,05 единицы для диффузного отражения до 0,07
для пропускания. Волоконная оптика заняла среднее положение
— 0,06 единицы pH. Самый высокий коэффициент множественной
корреляции был равен 0,743 для диффузного отражения. Это очень
хорошие результаты, если иметь в виду, что точность измерения
pH ионометрическим методом редко превышает 0,05 единицы. Что
касается относительно низкого значения коэффициента множествен-
ной корреляции, то в данном случае он лимитирован не точностью
инфракрасного анализа, а относительно узким размахом варьирова-
ния pH в исследуемых образцах, который составлял от 5,45 до 5,76.
Общее содержание пигментов лучше всего определялось по пропус-
канию. Среднеквадратическое отклонение было равно 0,42 мг/100 г,
тогда как для волоконной оптики при использовании той же части
спектра оно составляло 0,59 мг/100 г. Измерение диффузного отра-
жения здесь явно проигрывает, среднеквадратическое отклонение со-
ставляет 0,93 мг/100 г. Это обусловлено тем, что в используемом
спектральном диапазоне поглощение пигментов относительно ниже
по сравнению с более коротковолновой частью спектра, которая ис-
пользовалась при работе с волоконной оптикой и при измерениях
пропускания.
Потеря при варке мяса при определении по отражению и по про-
пусканию имела практически одинаковые среднеквадратические от-
клонения от регрессии, которые составляли 3,17 и 3,16% соответ-
ственно. Использование волоконной оптики давало большее отклоне-
ние, равное 3,60%. Определение данного показателя инфракрасным
методом, очевидно, обусловлено тем, что, как следует из приведен-
ных в рассматриваемой работе данных, его значения достоверно кор-
релируют с содержанием влаги, содержанием оксипролина, которое
характеризует содержание соединительных тканей, и содержанием
жира. Это же можно сказать об определении усилия при резании.
Оно коррелировало с теми же показателями. Среднеквадратическое
отклонение от регрессии для усилия при резании сооьвляло от 0,62
373
кГ при измерении диффузного отражения и 0,68 кГ для измерения
пропускания, а также при использовании волоконной оптики.
Содержание оксипролина имело среднеквадратическое отклонение
от регрессии 0,78 мг/100 г при измерении пропускания, 0,80 — при
измерении отражения и 0,91 мг/100 г при использовании волокон-
ной оптики.
При определении содержания белка измерением отражения сред-
неквадратическое отклонение от регрессии было равно 0,58%. Это
несколько лучше, чем при измерении пропускания и использования
волоконной оптики, для которых эта величина составляла 0,71 и
0,78% соответственно.
Содержание влаги при измерении отражения и пропускания харак-
теризовалось практически одинаковыми среднеквадратическими от-
клонениями, которые составляли 1,41 и 1,44% соответственно. Во-
локонная оптика характеризовалась несколько меньшей точностью.
Среднеквадратическое отклонение составляло 1,89%, что само по
себе вполне удовлетворительно, если принять во внимание, что со-
держание влаги в исследуемых образцах было не менее 58%, так что
относительная погрешность не превышала в большей части случаев
3% (отн.).
Такая же закономерность наблюдалась при определении жира. Из-
мерения отражения и пропускания характеризовались примерно оди-
наковыми среднеквадратическими отклонениями, равными 1,34 и 1,37%
соответственно, тогда как применение волоконной оптики дало замет-
но большее отклонение, равное 2,37%.
Для калорийности мяса среднеквадратическое отклонение состави-
ло 13,0% при измерении отражения, 12,3 — при измерении пропус-
кания и 19,5% при использовании волоконной оптики. В целом пов-
торилась та же картина, что и при определении содержания белка и
жира. Это вполне естественно, так как калорийность рассчитывалась
по содержанию именно этих двух компонентов мяса. Углеводы в дан-
ном случае не учитывали, исходя из того, что их содержание прене-
брежимо мало.
Применение волоконной оптики характеризуется несколько мень-
шей точностью, чем другие способы анализа. Наиболее точные ре-
зультаты обеспечивало измерение диффузного отражения, исключая
общее содержание пигментов, для которых коротковолновая часть
инфракрасного диапазона, используемая при измерении пропускания,
более эффективна. Строго говоря, сравнение точности анализа по
диффузному отражению с другими методами, изучаемыми в рассмат-
риваемой работе, не совсем правомочно, поскольку исследования про-
ведены на различных выборках образцов. Что касается сравнения
методов анализа, основанных на использовании волоконной опти-
ки для измерения диффузного отражения, то они уступают измере-
374
нию пропускания главным образом из-за недостаточной представи-
тельности облучаемой поверхности, которая составляла 20x20 мм,
тогда как при измерении пропускания кювета перемещалась по щели
монохроматора на 150 мм, обеспечивая значительно большую пред-
ставительность результатов.
Спектроскопия ближней инфракрасной области использовалась
также для анализа яйца. Определяли содержание такого важного
для сердечно-сосудистой системы человека компонента яиц, как
линоленовая кислота [626]. Для проведения работы использовали
InfraAlyzer-400 с 19 фильтрами с фиксированными длинами волн и
кювету для анализа жидких проб в режиме пропускание—отраже-
ние. Градуировку проводили методом множественной линейной рег-
рессии. При включении в регрессию значений оптической плотнос-
ти при всех 19 длинах волн на градуировочной серии из 60 образ-
цов коэффициент корреляции был равен 0,991 и среднеквадрати-
ческое отклонение составило 0,84% при содержании линоленовой
кислоты от 8,5 до 51,5% от фракции жиров в исследуемых яйцах.
При исключении резко отклоняющихся результатов на выборке из
54 образцов среднеквадратическое отклонение снизилось до 0,54%,
а коэффициент корреляции повысился до 0,997. Последующее вы-
равнивание численности групп по содержанию определяемого ком-
понента и снижения при этом количества образцов до 42 среднек-
вадратическое отклонение возросло до 0,60%, а коэффициент кор-
реляции снизился до 0,995.
При снижении числа переменных в уравнении множественной
регрессии среднеквадратическое отклонение увеличивалось. При 6
фильтрах оно было равно 1,08%, при 5 — 1,13% и т.д. вплоть до
4,10% при двух длинах волн (фильтрах). К сожалению, авторы
рассматриваемой работы не проводили проверки полученных урав-
нений на независимых образцах, которые не участвовали бы в
градуировке. Однако полученные данные они считают достаточно
убедительными для того, чтобы прийти к заключению, что исполь-
зуемый метод перспективен для определения линоленовой кислоты
в яйце, особенно для того, чтобы отличить нормальные яйца от
яиц с повышенным содержанием этого компонента.
Нами изучалась возможность использования диффузного отра-
жения при анализе яичного порошка. Использовали спектрофото-
метр модели 4500 фирмы NIRSystems со стандартной кюветой. Из
партии 128 образцов было выбрано случайным образом 30 образ-
цов для контроля, а 98 оставшихся — для проведения градуиро-
вок. Характеристика использованных образцов яиц приведена в
таблице 7.6.1. Никакой пробоподготовки не проводили, так как
яичный порошок не требовал сушки или измельчения.
375
Таблица 7.6.1.
Характеристика 98 образцов яичного порошка,
использованных для градуировки
Показатель качества Значение показателя
Сред- нее Мини- маль- ное Макси- маль- ное СКО от среднего Отношение мин/макс
Влажность 5,70 4,48 7,97 0,61 1,8
Жир 36,0 32,7 39,0 1,15 1,2
Белок 43,8 41,3 46,3 0,90 1,1
Растворимость 79,5 69,3 96,0 4,23 1,4
Кислотность 4,84 3,10 7,40 0,78 2,4
Зольность 3,63 3,20 4,40 0,21 1,3
Спектры 98 образцов, используемые для градуировки, представле-
ны на рис. 7.6.1. Оптическая плотность диффузного отражения на-
иболее тесно коррелирует с влажностью изучаемого продукта. Мак-
симумы корреляции наблюдаются при длинах волн вблизи полос пог-
лощения воды около 1448 и 1934 нм (рис. 7.6.1). С содержанием
жира, белка и растворимостью яичного порошка корреляция менее
тесная. В кривых значений коэффициентов корреляции оптической
плотности с содержанием жира проявляются две пары близко распо-
ложенных максимумов, которые соответствуют полосам поглощения
этого компонента около 1726 и 1764 нм и около 2308 и 2348 нм в
виде двух пар небольших, но четких максимумов. Эти полосы погло-
щения хорошо видны и в спектрах изучаемых образцов (рис. 7.6.1).
В кривых значений коэффициентов корреляции оптической плотнос-
ти с содержанием белка и растворимостью эти полосы поглощения
проявляются как минимумы.
Более тесная корреляция рассматриваемых показателей проявляет-
ся со вторыми производными спектров (рис. 7.6.2 и 7.6.3). Здесь
четко прослеживается связь спектральных данных с содержанием влаги
около 1456 и 1962 нм, что соответствует полосам поглощения влаги.
Наиболее тесная корреляция с содержанием жира наблюдается при
1720; 1760; 2310 и 2380 нм, что соответствует его характерным
полосам поглощения, проявляющимся как минимумы второй произ-
водной, а также при 2122 и 2144 нм. Корреляция с содержанием
белка в яичном порошке наиболее тесная при 2156 и 2198 нм, что
соответствует поглощению пептидных связей, а также при 1356; 1688;
1742; 1802; 2296 нм. Корреляция с растворимостью наблюдается при
1598; 1694; 2278; 2318 и 2358 нм.
376
Рис. 7.6.1. Спектры отражения 98 образцов яичного
порошка (А) и кривые значений коэффициентов корреляции
оптической плотности с содержанием влаги (1), жира (2),
белка (3) и растворимостью (4).
377
2-я производная 2-я производная
0,035
0,010
-0,015
-0,040
0,065
I___________I I I I Г
1900 2000 2100 2200 2300 2400
Длина волны, нм
Рис. 7.6.2. Вторые производные 98 образцов яичного
порошка (1) и кривые значений коэффициентов корреляции
производной с содержанием влаги (2) в диапазоне спектров
1300 — 1900 нм (А) и 1900 — 2400 нм (В).
378
Рис. 7.6.3. Вторые производные 98 образцов яичного
порошка (1) и кривые значений коэффициентов корреляции
производной с содержанием жира (2) в диапазоне спектров
1300 — 1900 нм (А) и 1900 — 2400 нм (В).
379
Таблица 7.6.2.
Точность определения влажности яичного порошка при
различных способах преобразований спектров диффузного
отражения и методах градуировки
Способ мате- Метод Число и СКО от Коэффи-
матического градуи- значения стандарт- циент
преобразования ровки длин волн ного корреля-
спектра метода ции
Оптическая МЛР 1: 1940 0,40 0,812
плотность (0,0,1) 2: 1940; 2310 4: 1376; 1436; 0,27 0,917
1896; 1968 6: 1304; 1308 0,26 0,922
1352; 1432 1908; 1980 0,24 0,939
1-я производная МЛР 6: 1760; 1856
(1,4,4) 1924; 1948 1960; 2164 0,26 0,931
2-я производная МЛР 6: 1452; 1568
(2,4,4) 1956; 1960 2112; 2252 0,25 0,938
Оптическая плотность (0,0,1) ДНК 9: 275 точек 0,24 0,943
1-я производная 9: 271 точка 0,23 0,949
(1,4,4)
2-я производная 9: 269 точек 0,24 0,944
(2,4,4)
3-я производная 7: 267 точек 0,21 0,955
(3,4,4)
3-я производная 10: 265 точек 0,23 0,950
(3,5,5)
4-я производная 7: 263 точки 0,25 0,937
(4,5,5)
С содержанием золы и кислотностью спектральные данные доста-
точно тесной связи не проявляли.
При определении влажности яичного порошка непосредственно по
оптической плотности диффузного отражения при одной длине во-
лны 1940 нм среднеквадратическое отклонение от результатов, полу-
чаемых стандартным методом при анализе контрольной серии из 30
образцов, составило 0,40% (табл. 7.6.2). Хорошие результаты дало
380
Таблица 7.6.3.
Точность определения содержания жира в яичном порошке
при различных способах преобразований спектров
диффузного отражения и методах градуировки
Способ мате- матического преобразования спектра Метод градуи- ровки Число и значения длин волн СКО от стандарт- ного метода Коэффи- циент корреля- ции
Оптическая МЛР 4: 1396; 1404;
плотность (0,0,1) 1412; 1564 6: 1388; 1392; 0,40 0,963
1424; 1440; 1476; 1896 0,46 0,949
1-я производная 4; 1552; 1736; 1632; 2252 0,49 0,944
2-я производная 5; 1488; 1740; 1940; 2044; 0,44 0,957
2372
Оптическая плотность (0,0,1) ДНК 10: 275 точек 0,41 0,960
1-я производная (1,4,4) 9: 271 точка 0,42 0,959
2-я производная (2,4,4) 10; 269 точек 0,38 0,970
3-я производная (3,4,4) 8: 267 точек 0,38 0,970
3-я производная (3,5,5) 9: 265 точек 0,37 0,970
4-я производная (4,5,5) 9; 263 точки 0,38 0,969
использование известного сочетания двух измерений при 1940 и 2310
нм, как это рекомендуется в литературе при анализе пищевых про-
дуктов [545]. Среднеквадратическое отклонение при анализе контроль-
ной серии составило здесь 0,27%. Увеличение числа переменных в
уравнении множественной линейной регрессии, а также проведение
преобразований спектральных данных несколько повышают точность
анализа 30 образцов контрольной серии, но не столь существенно.
Более существенно улучшает точность анализа использование граду-
ировочных уравнений, полученных методом дробных наименьших квад-
ратов. В целом результаты здесь заметно лучше, особенно если ис-
пользовать первую и третью производные спектра. Хотя преимущест-
во метода дробных наименьших квадратов достаточно очевидно, оно
не столь значительно.
381
Таблица 7.6.4.
Точность определения содержания белка в яичном порошке
при различных способах преобразований спектров
диффузного отражения и методах градуировки
Способ мате- Метод Число и СКО от Коэффи-
матического градуи- значения стандарт- циент
преобразования ровки длин волн ного корреля-
спектра метода ции
Оптическая плотность (0,0,1) МЛР 2: 2180; 2310 0,82 0,728
2: 2202; 2210 5: 1492; 1732; 0,54 0,889
1736; 2068; 2188 0,51 0,906
1-я производная 1: 2220 0,67 0,883
(1,4,4) 2-я производная 3: 1684; 2088; 0,56 0,894
(2,4,4) Оптическая плотность (0,0,1) ДНК 9: 275 точек 0,55 0,895
1-я производная 6: 271 точка 0,51 0,906
(1,4,4) 2-я производная 6: 269 точек 0,53 0,911
(2,4,4) 3-я производная 6: 267 точек 0,50 0,922
(3,4,4) 3-я производная 6: 265 точек 0,52 0,917
(3,5,5) 4-я производная 6: 263 точки 0,48 0,922
(4,5,5)
Аналогичные данные получены при определении содержания жира,
белка в яичном порошке и его растворимости. В большей части
случаев, как это видно по данным, приведенным в таблицах 7.6.3 —
7.6.4, метод дробных наименьших квадратов дает заметно более
точные данные при анализе контрольных образцов, чем метод мно-
жественной линейной регрессии. Данные, полученные при опреде-
лении растворимости яичного порошка, не позволяют отдать пре-
имущество тому или другому методу, использованному для градуи-
ровки. Можно только сказать, что при определении данного пока-
зателя использовать производные выше второго порядка нецелесо-
образно, так как это ведет к снижению точности анализа, как это
можно видеть из таблицы 7.6.5.
382
Таблица 7.6.5.
Точность определения растворимости яичного порошка при
различных способах преобразований спектров диффузного
отражения и методах градуировки
Способ мате- матического преобразования спектра Метод градуи- ровки Число и значения длин волн СКО от стандарт- ного метода Коэффи- циент корреля- ции
Оптическая плотность (0,0,1) МЛР 3: 2176; 2308; 2340 2,07 0,894
1-я производная (1,4,4) 3; 1940;2224; 2324 2,00 0,907
2-я производная (2,4,4) 3; 1360;1412; 2184 2,01 0,901
Оптическая днк 10: 275 точек 2,00 0,907
плотность (0,0,1)
1-я производная 9: 271 точка 2,01 0,900
(1,4,4)
2-я производная 6: 269 точек 2,20 0,883
(2,4,4)
3-я производная 6: 267 точек 2,93 0,762
(3,4,4)
3-я производная 9: 265 точек 2,22 0,882
(3,5,5)
4-я производная 7: 263 точки 2,71 0,806
(4,5,5)
Попытки использования спектров диффузного отражения для оп-
ределения таких показателей качества яичного порошка, как кис-
лотность и содержание золы, положительных результатов не дали.
Получаемые градуировочные уравнения давали практически такую
же дисперсию результатов относительно данных общепринятых ме-
тодов, как и дисперсия образцов по значениям данных показателей
от их средних значений в контрольной серии.
На основании полученных данных можно заключить, что по спек-
трам диффузного отражения в яичном порошке можно с достаточ-
но высокой точностью быстро определить влажность, содержание
белка и жира, а также растворимость порошка. Определение кис-
лотности и содержания золы не дает достаточно точных результа-
тов.
383
7.7. АНАЛИЗ НАПИТКОВ, КОФЕ, ЧАЯ
Напитки представляют собой жидкости, основным компонентом
которых является вода. Для анализа этих объектов обычно использу-
ется измерение пропускания в кюветах с толщиной просвечиваемого
слоя порядка 0,2 — 1,0 мм. Как правило, применяют кюветы с хоро-
шо отражающей рассеивающей подложкой, что позволяет использо-
вать для анализа приборы, предназначенные для измерения диффуз-
ного отражения. Важным моментом является термостатирование, что
обеспечивается соответствующей конструкцией кювет. Подобными ус-
тройствами для анализа жидкостей комплектуют, например, свои при-
боры фирмы Technicon (Bran & Luebbe), NIRSystems. Для анализа
жидких объектов используется также методика с выпариванием про-
бы на хорошо отражающей подложке из стекловолокна с последую-
щим измерением диффузного отражения сухого остатка. Это позво-
ляет сконцентрировать определяемое вещество и уменьшить поглоще-
ние воды, значительно повышая чувствительность метода [197, 196].
Аналогичное применение находят пластины для тонкослойной хрома-
тографии [530].
Спектроскопия ближней инфракрасной области позволяет опреде-
лять в напитках концентрацию сахаров, спирта, аминокислот и ряд
других веществ. Одним из первых приложений метода является опре-
деление содержания спирта, сахарозы и винной кислоты в вине [411].
Погрешность определения концентрации спирта в вине составляла
0,1% (объемных) в диапазоне от 11 до 17%, сахара — 0,2% в
диапазоне от 0,8 до 8,8%, винной кислоты — 0,1% в диапазоне от
0,5 до 8,2%.
Определение концентрации этанола в вине проводилось также в
другой работе [393]. Погрешность анализа не превышала 0,05%, что
отвечало требованиям стандартного метода.
Сообщается также об успешном определении содержания экстрак-
тивных веществ в вине [407].
При определении концентрации спирта в пиве по поглощению в
проходящем пучке достаточно удачная градуировка получалась для
светлого и темного пива при использовании одной длины волны 1672
нм. Среднеквадратическое отклонение от регрессии в диапазоне от О
до 11% спирта составляло от 0,2 до 0,3%. Европейские пивовары
широко используют спектроскопию в ближней инфракрасной облас-
ти для управления процессом пивоварения по таким показателям, как
содержание спирта, первоначальная плотность, содержание экстрак-
тивных веществ, сахаров и общее содержание растворенных веществ,
определяемых как сухой остаток. Важным моментом при анализе
пива ИК-методом является термостатирование пробы в измеритель-
384
ной кювете. Для этих целей весьма эффективна кювета, разработан-
ная фирмой Technicon для анализа жидких проб. Для заполнения
кюветы требуется 20 мл пробы. Для достижения требуемой темпера-
туры затрачивается всего лишь около 30 секунд [426].
Для определения концентрации спирта в пиве используют также
оптическую плотность при двух длинах волн: 2230 нм (опорная) и
2310 нм. Концентрацию сахара определяют по поглощению при 2100
нм. При анализе сырья в пивоварении определяют ИК-методом содер-
жание общего азота в ячмене, солоде и хмеле [426].
Показана возможность определения в солоде витамина U, который
затем переходит в пиво. Использован спектрофотометр 6250 фирмы
NIRSystems. Градуировку проводили пошаговым методом множествен-
ной линейной регрессии. Среднеквадратическое отклонение от дан-
ных, получаемых методом газовой хроматографии, при использовании
второй производной спектра при 4 длинах волн в 29 образцах, не
входивших в градуировочную серию, было равно 2,65 млн'1, или 24,19%
от среднего значения. Коэффициент корреляции составлял 0,791. Если
для проведения градуировки использовали данные, получаемые с по-
мощью жидкостной хроматографии, результаты были несколько луч-
ше. СКО снижалось до 2,17 млн1, что составляло 20,35% от среднего, а
коэффициент корреляции повышался до 0,836. При этом надо отметить,
что различия результатов, получаемых используемыми хроматографи-
ческими методами, составляли от 10,3 до 28,0%, так что погрешность
ИК-метода в основном определялась точностью данных, положенных в
основу градуировки. Если учесть это обстоятельство, ИК-метод вполне
приемлем для определения витамина U в солоде [312].
При анализе фруктовых соков на кислотность и содержание сахара
использовали кювету на пропускание/отражение, термостатируемую
при 45°С. Определение сахара проводили по оптической плотности
при 1445; 1778; 1818 и 2190 нм. В диапазоне концентраций 4,4 —
19,0% среднеквадратическая погрешность составляла 0,20%. Коэф-
фициент корреляции результатов с данными общепринятого метода
был равен 0,999. Для определения содержания кислот использовали
оптическую плотность при 1828; 2010; 1576; 2150 нм. Погрешность
составляла 0,041% в диапазоне 0,30 — 2,26%. Коэффициент корре-
ляции с данными общепринятого метода был равен 0,996 [426].
Для анализа апельсинового сока на содержание ряда компонентов
анализируемые пробы выпаривали на диске из стекловолокна и сни-
мали спектры диффузного отражения [491]. В качестве независимых
переменных в градуировочных уравнениях служили значения функ-
ции Кубелки—Мунка. Это давало явное преимущество по сравнению
с оптической плотностью. Так, спектр /Галанина как функция опти-
ческой плотности от длины волны имел больший общий уровень
фона и менее четко выраженные максимумы. При использовании фун-
385
кции Кубелки-Мунка уровень фона снижался, а максимумы были
лучше выражены. Кроме того, зависимость оптической плотности от
концентрации /3-аланина была явно нелинейной, в то время как связь
значений функции Кубелки—Мунка с концентрацией имела практи-
чески линейный характер. Как показывают порученные данные, по
градуировочным уравнениям множественной линейной регрессии, в
которых в качестве независимых переменных использовали значения
функции Кубелки—Мунка при 4 длинах волн, коэффициент корреля-
ции результатов определения химическим и ИК-методом составлял от
0,962 для аспарагиновой кислоты до 0,995 для пролина. Остальные
аминокислоты давали промежуточные значения коэффициентов кор-
реляции. Среднеквадратическое отклонение от данных химического
метода для пролина было равно 74,64 (5,45% отн.), для аргинина —
52,37 (5,9% отн.), для аспарагина — 28,82 (5,57% отн.). Аминомас-
ляная и аспарагиновая кислоты определялись хуже. Относительное
среднеквадратическое отклонение было больше 10%. Для аминомас-
ляной кислоты среднеквадратическое отклонение составляло 41,39
(11,5% отн.) и для аспарагиновой кислоты — 46,59 (17,5% отн).
Спектроскопия диффузного отражения нашла применение и для
анализа зеленого чая, заваренного при различной температуре при
варьирующей продолжительности настоя, при определении в нем со-
держания кофеина, свободных аминокислот и танина [530]. Анализ
настоя проводили по спектрометрированию сухого остатка, получен-
ного на твердой подложке, в качестве которой использовали пласти-
ны с силикагелем для тонкослойной хроматографии, нарезанные на
куски размером 5x5 см. Пробу настоя после коагуляции полифеноль-
ных соединений и отделения их фильтрованием наносили на подлож-
ку микропипеткой и высушивали при 80°С. Найдено, что для высу-
шивания достаточно 5 минут, что обеспечивает постоянство резуль-
татов. Оптимальный диаметр пятна на пластине должен быть не ме-
нее 24 мм. Как показали результаты анализа 8 образцов, которые не
участвовали в градуировке, применение этой методики позволяет про-
водить определение содержания кофеина со среднеквадратическим
отклонением от данных химического метода, равным 2,067 мг/100 г,
свободных аминокислот — 4,611 мг/100 г и теанина — 2,684 мг/
100 г [530]. Таким образом, метод позволяет достаточно быстро и
точно определить основные компоненты чая, определяющие его вку-
совые качества.
Спектроскопия диффузного отражения в ближней инфракрасной
области все большее применение находит при анализа чая и кофе как
исходных продуктов для приготовления соответствующих напитков.
Одним из первых приложений ближней инфракрасной спектроскопии
было определение влажности размолотых кофейных зерен. Содержа-
щуюся в кофе воду экстрагировали диоксаном и отгоняли в виде
386
азеотропной смеси с этим растворителем, а затем измеряли поглоще-
ние полученного дистиллята [243]. В последующем содержание влаги
в кофе стали определять по спектрам диффузного отражения, что
значительно проще и быстрее. Метод использовали также для про-
гнозирования вкусовых качеств кофе по спектрам зерен до жарения
[379], для определения сортов и степени прожаренности кофейных
зерен [304].
Инфракрасный метод находит также применение при определении
различных показателей качества чая. На международной конферен-
ции по спектроскопии ближней инфракрасной области, проходившей
в 1989 году в Японии, этому вопросу посвящен целый ряд докладов о
результатах использования метода в Японии и Китае.
Анализ зеленого чая сортов Sen-cha и Oolong, представляющих
основные сорта чая в Японии, показал, что для каждого из них
необходимо проводить отдельные градуировки инфракрасного анали-
затора InfraAlyzer-450 при определении содержания влаги и общего
азота. При градуировке методом множественной линейной регрессии
среднеквадратические отклонения составляли 0,10% для содержания
влаги в обоих сортах чая и 0,08 — 0,09% для общего азота. Коэффи-
циенты корреляции были не менее 0,992 [629]. При этом для опреде-
ления влаги в зеленом японском чае использовали значения оптичес-
кой плотности при 2240; 2270; 2230 и 1940 нм. Для другого изучае-
мого сорта чая использовали меньшее число длин волн: 2139; 1680 и
1940 нм. Точность градуировки была такой же. Для определения
содержания общего азота в зеленом чае использовали значения опти-
ческой плотности при 2130; 2180 и 2100 нм. Для второго сорта
применяли большее число длин волн: 2270; 2230; 1818; 2100; 1940 и
1734 нм [629].
Инфракрасный анализатор модели 6350 испытан на анализе 58 об-
разцов различных сортов зеленого чая Японии [395]. Градуировку
проводили по 29 — 30 образцам, остальные использовали для про-
верки получаемых уравнений. Использовали пошаговый метод мно-
жественной линейной регрессии. В качестве независимых перемен-
ных брали вторые производные. Перед инфракрасным анализом об-
разцы размалывали до 0,5 мм. Определяли содержание общего азота,
кофеина, общее содержание свободных аминокислот, тиамина и тани-
на (катехинов). Специфическими длинами волн были 1978 нм для
азота, 1692 — для кофеина, 1988 — для общего содержания свобод-
ных аминокислот, 2162 — для теанина и 1458 нм — для танина.
Статистическая обработка результатов анализа контрольной серии
из 28 — 31 образца показала, что определение содержания общего
азота характеризуется среднеквадратическим отклонением от данных
химического метода, равным 0,146% (диапазон 4,08 — 6,47%), сред-
няя разность составляет -0,05%, коэффициент корреляции с хими-
387
ческими данными равен 0,982, для кофеина — 0,350% (диапазон
2,05 — 4,41%), коэффициент корреляции равен 0,912, средняя раз-
ность с данными обычных лабораторных методов составляет 0,006%,
для общего содержания свободных аминокислот — 0,438% (диапа-
зон 0,86 — 6,45%), коэффициент корреляции равен 0,946, средняя
разность составляет —0,75%, для теанина — 0,282% (диапазон 0,41
— 3,12%), коэффициент корреляции равен 0,935%, средняя раз-
ность составляет —0,035%, и для танина — 1,022% (диапазон 9,60
— 17,1%), коэффициент корреляции равен 0,852, средняя разность
составляет —0,105%. На основании полученных результатов сдела-
но заключение, что ИК-метод может определять указанные показате-
ли качества чая с достаточной точностью.
Определения общего содержания азота, влаги и кофеина в образцах
45 сортов зеленого чая Японии проводили с помощью анализаторов
InfraAlyzer-450 и InfraAlyzer-350 с 19 и 10 фильтрами соответственно
[272]. Анализируемые образцы чая были измельчены до 1 мм. Граду-
ировку проводили методом пошаговой множественной линейной рег-
рессии, используя в качестве независимых переменных значения оп-
тической плотности. Как показали результаты проверки градуировоч-
ных уравнений, полученных на анализаторе InfraAlyzer-450, точность
инфракрасного анализа характеризуется среднеквадратическим откло-
нением от данных химических методов, равным 0,101 % для содержа-
ния влаги, 0,126 — для общего азота и 0,187% для кофеина.
В другой работе [396], в которой использовали анализатор InfraAly-
zer-500 с монохроматором, показано, что ИК-метод может использо-
ваться для определения в черном чае из Индии, Шри-Ланки, Кении и
Индонезии содержания свободного теофлавина и различных его про-
изводных, а также общего содержания теофлавина. Образцы разма-
лывали до 0,5 мм и анализировали, измеряя оптическую плотность
при диффузном отражении. Спектральные данные преобразовывали и
получали вторые производные спектров, которые использовали затем
для получения уравнений множественной линейной регрессии. Полу-
ченные уравнения проверяли на независимых образцах. Коэффициен-
ты корреляции с данными химического метода составляли от 0,784
До 0,905. Среднеквадратические отклонения были равны от 0,356%
для общего содержания теофлавинов до 0,0643% для моногаллата
теофлавина.
Спектроскопию диффузного отражения и пропускания использова-
ли для анализа свежих чайных листьев, листьев после пропаривания
и высушивания, а также полупродуктов зеленого чая [348]. Исполь-
зовали инфракрасный анализатор модели 6250. Спектры свежих листьев
в исходном состоянии снимали в режиме пропускания в диапазоне
680 — 1235 нм. Спектры образцов пропаренного и затем высушенно-
го чая в исходном состоянии и после измельчения до 0,5 мм снимали
388
и в режиме пропускания, и в режиме диффузного отражения в диапа-
зоне 1100 — 2500 нм. Спектры снимали в двукратной повторности,
при анализе свежих листьев — в трехкратной. Градуировку проводи-
ли по 82—113 образцам методом множественной линейной регрес-
сии, используя в качестве независимых переменных значения второй
производной оптической плотности. Для проверки градуировочных
уравнений использовали такое же число образцов контрольной се-
рии, которые не участвовали в градуировке. При определении содер-
жания влаги в 82 образцах контрольной серии свежих листьев в
исходном состоянии (в диапазоне 212,5 — 385,8%) по спектрам
пропускания среднеквадратическое отклонение от данных весового
метода было равно 20,6% (абс.), коэффициент корреляции составил
0,821. Использовали следующие длины волн: 801; 874; 967 и 973 нм.
Длина волны 967 нм была установлена вручную, как соответствую-
щая максимуму поглощения воды. Остальные волны выбраны компь-
ютером по статистическим критериям. При определении общего со-
держания азота в 81 образце свежих листьев (диапазон 3,20 — 6,44%)
среднеквадратическое отклонение от данных химического метода со-
ставило 0,463%. Коэффициент корреляции был равен 0,786. Исполь-
зовали длины волн 846; 898; 1037 и 1077 нм. Наибольший коэффи-
циент корреляции наблюдался со второй производной оптической
плотности при 846 нм, которая вводилась в градуировочное уравне-
ние первой. Для содержания клетчатки, определяемой с помощью
нейтрального детергента, использовали 1186; 939; 740 и 911 нм. Дли-
на волны 1186 нм приписывается целлюлозе. Вторая производная
здесь имеет относительно высокий коэффициент корреляции с содер-
жанием данного вида клетчатки, равный 0,563. На контрольной серии
образцов коэффициент корреляции результатов, полученных инфра-
красным и химическим методами, был равен 0,804. Среднеквадрати-
ческое отклонение от данных химического метода составило 2,59%
(диапазон содержания в контрольной серии составлял 15,59 — 34,57%).
Использование диффузного отражения при анализе сухих образ-
цов, особенно при анализе размолотых, давало более тесную корре-
ляцию результатов с данными соответствующих химических методов.
В пропаренных и высушенных листьях при определении общего со-
держания азота в контрольной серии из 82 образцов коэффициенты
корреляции были равны 0,985, когда образцы анализировали в исход-
ном состоянии, и 0,995 после размола. Среднеквадратическое откло-
нение от данных химического метода составило для образцов в исход-
ном состоянии 0,135% и 0,0779 — после размола (диапазон 3,20 —
6,44%). Наиболее важной была длина волны 1976 нм, соответствую-
щая поглощению белка. В градуировочное уравнение для определе-
ния содержания клетчатки (нейтральный детергент) вручную вводили
вторую производную оптической плотности при 2347 нм. При анали-
389
зе размолотых образцов брали 2268 нм, что соответствует другому
максимуму поглощения целлюлозы и четко проявляется в спектрах.
При анализе 82 образцов контрольной серии с содержанием данной
формы клетчатки от 15,59 до 34,57% коэффициенты корреляции с
данными химического метода составляли 0,920, когда чайные листья
анализировались без размола, и 0,942 после измельчения. Среднек-
вадратическое отклонение было равно 1,70 и 1,47% соответственно
для исходных и размолотых образцов. При анализе полупродукта
зеленого чая на общее содержание азота размол образцов повышал
точность инфракрасного метода по измерению диффузного отраже-
ния. При анализе 113 контрольных образцов коэффициент корреля-
ции с данными химического метода повышался с 0,983 до 0,994, а
среднеквадратическое отклонение соответственно снижалось с 0,147
до 0,0863%. В градуировочных уравнениях использовали 3 длины
волны: 1228; 1686 и 2166 нм при анализе образцов в исходном состо-
янии, 1228; 1776 и 2118 нм — в размолотом. Таким образом, резуль-
таты исследований, проведенных в рассматриваемой работе [348], по-
казывают, что сушка и размол материала повышают точность инфра-
красного анализа. При этом значения оптимальных для проведения
анализа длин волн могут различаться, причем даже тех, которые
ответственны за поглощение определяемого компонента.
Анализы различных по технологии производства образцов чая с
помощью анализатора модели 6250 на содержание полифенолов, ко-
феина, аминокислот и вкусовые качества показали удовлетворитель-
ные результаты при определении в 48 контрольных образцах по гра-
дуировочным уравнениям, полученным на другой серии также из 48
образцов [608]. Перед анализом образцы измельчались до 1 мм. Для
градуировки применяли пошаговый метод множественной линейной
регрессии, используя в качестве независимых переменных первую
или вторую производную. Среднеквадратическое отклонение от дан-
ных химических методов составило 1,24% для содержания полифе-
нолов (коэффициент корреляции равен 0,933), 0,15 — для кофеина
(коэффициент корреляции равен 0,921) и 0,16% для аминокислот
(коэффициент корреляции равен 0,959). Эти данные получены при
использовании в уравнениях первой производной. Вторая производ-
ная при градуировке для определения общего содержания полифено-
лов давала заметно большую погрешность по сравнению с первой.
Для других показателей существенной разницы не было. При опреде-
лении вкусовых качеств чая с использованием первой производной
отклонения от данных органолептического анализа, выполненного
профессиональными титестерами, в 70% случаев не превосходили
0,4 балла по шестибалльной шкале при градуировке. Коэффициент
корреляции был равен 0,941. При использовании второй производ-
ной он был равен 0,944. Авторы считают это очень хорошим результа-
390
том, поскольку органолептически качество чая определяется с точностью
до одного балла. При проверке на контрольной серии образцов градуи-
ровочного уравнения со значениями первой производной коэффициент
корреляции результатов сравниваемых методов составил 0,925 [608].
Как показано в другой работе [713], вкусовые качества чая, опреде-
ляемые органолептически по балльной системе, хорошо коррели-
руют со значениями главных компонент, рассчитанных по содер-
жанию кофеина, аминокислот, полифенолов, лигнина, гемицеллю-
лозы и целлюлозы. Коэффициент корреляции достигает 0,98. Та-
ким образом, корреляция с содержанием указанных веществ и со-
ставляет основу определения вкусовых качеств чая по спектрам
диффузного отражения.
7.8. АНАЛИЗ ТАБАКА
При анализе табака как сырья для изготовления табачных изделий
контролируют целый ряд показателей, определяющих качество ко-
нечной продукции, включая содержание алкалоидов, редуцирующих
сахаров, общего азота, летучих веществ, полифенолов, а также раз-
личных добавок. Содержание элементов минерального питания в рас-
тениях табака имеет большое значение при выращивании этой куль-
туры, определении потребности в удобрениях. Анализ табака на все
эти показатели требует достаточно хорошо оснащенной химической
лаборатории, способной выполнять определения с помощью самых
различных методов, включая такие сложные и длительные, как газо-
вая и жидкостная хроматография. Поэтому применение инфракрас-
ной спектроскопии как очень простого, быстрого и универсального
метода анализа, не требующего сложной подготовки проб для выпол-
нения определений, представляет значительный интерес для произво-
дителей табака и работников табачной промышленности.
В литературе приводятся результаты очень детального изучения
спектров различных сортов табака, его основных компонентов и до-
бавок [349]. Для аналитических целей наиболее перспективными для
решения аналитических задач считаются производные спектров, а
также коэффициенты ряда Фурье после соответствующего преобра-
зования спектральных данных, а не исходные значения оптической
плотности [349, 272].
Наиболее важным, во многих отношениях, компонентом табака яв-
ляется никотин. Он имеет ряд полос поглощения в ближней инфра-
красной области. Наиболее интенсивной является полоса поглоще-
ния при 2281 нм, менее интенсивны полосы при 2456 и 2156 нм и
наименее интенсивные — при 1738 и 1685 нм.
391
Для определения содержания никотина в табаке по второй произ-
водной могут быть использованы различные наборы длин волн: 2250;
2130; 2454; 2575 и 2144 нм или 1668; 1203; 1827 и 1980 нм [272].
Большое значение для качества табака является содержание саха-
ров. Оно определяет гигроскопичность и влияет на скорость горения
табака. Полосы поглощения сахаров в табаке проявляются при 1436
и 2073 нм (сахароза), 2275 нм (глюкоза), а также при 2247; 2067 и
1458 нм (фруктоза). Поскольку сахароза состоит из глюкозы и фрук-
тозы, можно ожидать, что ее спектр будет содержать полосы погло-
щения этих веществ. Однако полосы фруктозы и глюкозы в спектре
сахарозы смещены, а, кроме того, в них имеется несколько новых
полос поглощения, в частности, при 2008 и 2190 нм. Специфичны-
ми для глюкозы в спектрах табака являются полосы при 2078 и
2154 нм, для фруктозы — 2067 и 2145 нм и для сахарозы — 2073
и 2150 нм. Все простые сахара обнаруживают четыре или пять
острых, средних по интенсивности полос поглощения в диапазоне
2200 — 2500 нм [349].
Полисахариды (целлюлоза, пектин, крахмал) составляют основ-
ную часть массы табака, так что его спектры содержат перекрыва-
ющиеся полосы этих веществ. Доминирующими в спектрах целлюло-
зы, пектина и крахмала являются полосы поглощения —ОН около
1922 и 1925 нм. Это наиболее интенсивные полосы в спектрах этих
соединений. Наиболее интенсивные полосы целлюлозы наблюдаются
при 2269; 2084 и 2335 нм. Спектры всех трех рассматриваемых ве-
ществ имеют заметные полосы поглощения около 1432 — 1438 нм.
Пектин и крахмал имеют также слабые, широкие полосы около 1581
— 1584 нм. Эти полосы представляют интерес, так как они обнару-
живаются в спектрах табака. Во всех спектрах табака наблюдаются
также полосы поглощения целлюлозы, пектина и крахмала при 2071
— 2084 и 2141—2125 нм. Это широкие полосы умеренной интенсив-
ности. Крахмал в табаке представляет смесь двух полисахаридов; ами-
лозы и амилопектина. Соотношение этих веществ в крахмале зависит
от вида растений. Зерна крахмала, полученные из большинства расте-
ний, содержат 15 — 25% амилозы и 75 — 85% амилопектина. В
табаке 23% амилозы и 77% амилопектина. С^пектры этих веществ в
ближней инфракрасной области практически идентичны.
Основными полифенолами табака являются хлорогеновая кислота
и рутин. Спектры второй производной рутина имеют много полос
поглощения, особенно в области составных частот. Наиболее интен-
сивна полоса около 1930 нм, менее интенсивны полосы около 2171;
2451; 2070; 1442 и 2336 нм. Еще менее интенсивны, но хорошо
проявляющиеся полосы при 2256; 1659 и 2406 нм. Хлорогеновая
кислота имеет во второй производной очень интенсивные полосы
поглощения. В порядке убывающей интенсивности эти полосы нахо-
392
дятся при 2273; 1462; 1910; 1673; 1947; 2158; 1723; 2084; 2321;
2443; 2393; 1369 и 1812 нм. Особенно четко проявляются полосы
поглощения при 1910 и 1947 нм. Эти полосы очень характерны для
хлорогеновой кислоты, четко отличая ее от других соединений.
Такая добавка в табачные изделия, как ментол, проявляют в спект-
рах ряд полос поглощения при 2312; 2350; 2433; 2278; 1723 и 1193
нм (в порядке уменьшения интенсивности). Во второй производной
обнаруживаются четкие полосы при 2272; 2312; 1702; 1193; 2354;
1823 и 1385 нм.
Спектры увлажнителей табака, таких, как глицерол, пропиленгли-
коль, триэтиленгликоль, имеют ряд интенсивных полос поглощения.
Во второй производной наиболее четко проявляется полоса поглоще-
ния глицерола при 2278 нм, пропиленгликоля — при 2302 нм и
триэтиленгликоля — при 2293 нм. Пропиленгликоль имеет также
острую, среднюю по интенсивности полосу поглощения во второй
производной при 2262 нм, которая является для него характеристи-
ческой, не обнаруживаемой в спектрах других гликолей. Общей для
рассматриваемых соединений является средняя по интенсивности полоса
около 2061—2079 нм. Минимум второй производной в спектре гли-
церола находится при 2077 нм, в спектрах пропиленгликоля и триэ-
тиленгликоля — при 2079 и 2061 нм соответственно. Имеются также
общая полоса поглощения глицерола и пропиленгликоля при 1585 нм
во второй производной и полоса при 1577 нм триэтиленгликоля.
Другими полосами во второй производной, представляющими анали-
тический интерес, является наиболее глубокий минимум при 1725 нм
триэтиленгликоля, который в спектре глицерола смещен к 1706 нм, а
в спектре пропиленгликоля — к 1689 нм.
На всех стадиях переработки табачного сырья и производства та-
бачных изделий большое значение имеет определение влажности.
Определение влажности табака по спектрам диффузного отражения
позволяет достаточно быстро, в ряде случаев можно практически без
пробоподготовки, контролировать этот показатель. При градуировке
методом множественной линейной регрессии одной из длин волн, ис-
пользуемых в уравнениях, как правило, является 1930 — 1940 нм,
где находится максимум комбинационной полосы поглощения воды.
Как сообщается в литературе [349], при получении градуировочного
уравнения по образцам 6 сортов табака с влажностью от 10 до 50%
для составления градуировочного уравнения оптимальными были сле-
дующие длины волн: 2250; 2230; 2130; 2180; 1840; 1940 и 1680 нм.
При этом установлено, что наиболее важными являются 1940; 1840 и
2100 нм. Для анализа использовали скрошенный табак без дополни-
тельного измельчения. Среднеквадратическое отклонение от резуль-
татов, получаемых стандартным методом, составляло 0,22%. На ре-
зультаты инфракрасного анализа существенное влияние оказывает
393
крупность частиц. Результаты анализа значительно улучшает тонкое
измельчение пробы. Однако при анализе табака размол образцов
возможен только при влажности не выше 12%. При этом круп-
ность получаемых частиц, даже при использовании одного и того
же измельчительного устройства, может существенно различаться
в размолотых образцах в зависимости от их влажности и содержа-
ния жира. Кроме того, в процессе измельчения происходят потери
влаги, вызываемые нагревом размалываемого материала и усилен-
ной вентиляцией.
Следует отметить, что общепринятый метод определения влаги ве-
совым методом по потере массы при нагревании дает весьма условные
результаты, зависящие от продолжительности сушки и температуры,
при которой она проводится. При анализе материалов биологическо-
го происхождения нагрев ведет к изменению ряда веществ, в частнос-
ти к окислению их кислородом воздуха, а также к потере летучих
веществ. Это осложняет проведение инфракрасного анализа. Однако
чисто статистическое решение проблемы, нахождение «оптимальных»
длин волн в пошаговом методе множественной линейной регрессии
дает более приемлемые результаты, которые обычно обеспечивают
достаточную точность определений, чем основанное на использова-
нии только поглощения воды при 1930 — 1940 нм с корректировкой
фонового поглощения.
Большое значение при производстве табака и табачных изделий
имеет определение никотина. Содержание этого алкалоида в табаке
методом ближней инфракрасной спектроскопии проводили ряд авто-
ров [396, 272, 426].
Используя модель 6250 и различные способы предварительных пре-
образований спектральных данных для градуировки прибора методом
множественной линейной регрессии для определения никотина в та-
баке и махорке, были получены вполне удовлетворительные резуль-
таты. Среднеквадратическое отклонение от регрессии составляло от
0,28 до 0,55% при анализе табака по исходным значениям оптичес-
кой плотности. Более точные результаты дало применение первой и
второй производных, получаемых при различном шаге для расчета
конечных разностей и сглаживании спектральных данных методом
скользящего среднего. При анализе махорки лучшие результаты по-
лучены при использовании первой производной. Среднеквадратичес-
кое отклонение от регрессии составило 0,19 — 0,20%. Самые боль-
шие отклонения 0,25 — 0,26% получены при использовании исход-
ных значений оптической плотности и второй производной [492].
Впервые определение содержания суммы редуцирующих сахаров в
табаке, влияющее на его качество, проведено на спектрокомпьюте-
ре в университете Северной Каролины [768]. Для проведения гра-
дуировки были взяты 152 образца различных сортов табака, глав-
394
ным образом американских. Содержание сахаров составляло от О
до 30%. Образцы были высушены до остаточной влажности 2 —
3%, размолоты и пропущены через сито 40 меш. Спектры снимали в
диапазоне 1400 — 2400 нм. В качестве независимых переменных в
регрессионных моделях использовали значения оптической плотнос-
ти или второй производной. Применение второй производной обеспе-
чивало получение более точных результатов анализа. Для определе-
ния редуцирующих сахаров были использованы следующие длины
волн: 1458; 1914; 1790; 2028; 1516; 1592; 1476 и 2178 нм. Среднек-
вадратическое отклонение от регрессии при градуировке составляло
1,15%, коэффициент множественной корреляции был равен 0,990.
Проверка градуировочного уравнения на 72 образцах дала среднек-
вадратическое отклонение от данных химического метода 1,36%. Ко-
эффициент корреляции был равен 0,986. При проведении градуиров-
ки с использованием первичных значений оптической плотности иа
том же наборе образцов среднеквадратическое отклонение от регрес-
сии составило 1,41%. В работе подчеркивается важность усреднения
материала при отборе проб для анализа, воспроизводимости условий
пробоподготовки.
Определение редуцирующих сахаров в 60 образцах табака с содер-
жанием от 1 до 25% проводили на анализаторе InfraAlyzer с 6 филь-
трами по диффузному отражению [396]. Было установлено, что на
результаты анализа значительное влияние оказывает крупность час-
тиц. Когда образцы, размолотые до 20 меш, анализировались по гра-
дуировочному уравнению, полученному на более тонко измельчен-
ных образцах до 40 меш, результаты получались завышенными на
2 — 3%. Отмечена очень высокая производительность инфракрасно-
го анализа. Если для анализа 300 образцов химическим методом тре-
бовалось 8 дней, то на инфракрасном анализаторе эта работа выпол-
нялась за 1 день.
При градуировке инфракрасного анализатора по 93 образцам с со-
держанием редуцирующих сахаров от 10,4 до 24,9% среднеквадрати-
ческое отклонение от регрессии составляло 0,731%, а коэффициент
множественной регрессии был равен 0,980 [349]. Проверка на кон-
трольной серии из 48 образцов дала среднеквадратическое отклоне-
ние от данных химического анализа, равное 0,739%.
Возможность определения содержания общего азота в листьях та-
бака изучалась одновременно с определением сахаров и ментола [396].
Содержание азота в анализируемых образцах составляло 1,89 —
3,47%. Среднеквадратическое отклонение от данных химического
анализа было равно 0,474% при проверке градуировочного уравне-
ния на 5 контрольных образцах.
В другой работе [349] при содержании в табаке общего азота от
1,89 до 2,8% при определении его по градуировочному уравнению,
395
полученному методом множественной линейной регрессии с исполь-
зованием второй производной при 2444 и 1682 нм, среднеквадрати-
ческое отклонение от данных химического анализа составляло 0,111 %.
Среднеквадратическое отклонение от среднего из результатов парал-
лельных определений в этих условиях было равно 0,07%. Несколько
большие значения среднеквадратического отклонения от результатов
определения общего азота в табаке химическим методом, составляю-
щие 0,132 — 0,144%, получены в других работах при различных
математических преобразованиях спектральных данных [272, 426].
При этом наиболее точные результаты давали преобразование Фурье
и использование в уравнении множественной линейной регрессии 11
«лучших» коэффициентов ряда Фурье. В этом случае среднеквадрати-
ческое отклонение при сравнении с данными химического анализа на
контрольных образцах составляло 0,132% [426].
При определении содержания полифенолов в табаке с помощью
спектрокомпьютера использовали уравнение множественной линей-
ной регрессии на значениях второй производной при 2220; 2440;
2346 и 2210 нм [272]. Такое уравнение давало вполне удовлетвори-
тельные результаты, характеризующиеся среднеквадратическим от-
клонением от данных химического анализа, равным 0,747%, что близко
погрешности химического метода, которое составляло 0,70%. Одна-
ко это наблюдалось только в том случае, когда анализировались об-
разцы табака урожая того же года, что и образцы, по которым про-
водилась градуировка. При анализе образцов урожая трех разных лет
погрешность возрастала до 1,35%.
Спектроскопия диффузного отражения в ближней инфракрасной
области находит практическое применение и при определении в таба-
ке различных добавок. Для определения ментола [349] градуиров-
ку проводили по 135 образцам 13 сортов табака с содержанием
определяемого компонента от 0 до 1%. Было получено более 20
различных градуировочных уравнений, в которых в качестве неза-
висимых переменных использовали исходные значения оптической
плотности, первую и вторую производные. Лучшие результаты по-
лучены с применением производных. Для более объективной оцен-
ки градуировочных уравнений использовали серию из 63 образцов,
которые не участвовали в градуировках. Значение среднеквадрати-
ческого отклонения от данных химического анализа было равно
0,10%. При контроле за качеством результатов определения мен-
тола на табачной фабрике по полученному уравнению в течение
нескольких недель было проанализировано 100 образцов. Сред-
неквадратическое отклонение от данных химического анализа со-
ставило при этом 0,093%, а средняя разность — 0,03%. Кроме
градуировочного уравнения для многих сортов табака проводили
градуировку по 112 образцам одного сорта, которые были отобра-
396
ны непосредственно в производственных условиях, а также подго-
товлены в лаборатории с различным содержанием ментола от 0,5
до 1%. Среднеквадратическое отклонение от регрессии при граду-
ировке составило для различных уравнений от 0,5 до 0,09%. Про-
верка наиболее точных из полученных уравнений на контрольной
серии из 50 образцов дала среднеквадратическое отклонение от
данных химического анализа от 0,06 до 0,08%.
В производственных условиях содержание увлажнителей табака варь-
ирует довольно значительно, но основная масса образцов оказывает-
ся в очень узком диапазоне около среднего значения. Поэтому для
градуировки образцы готовили в лабораторных условиях с достаточ-
но равномерным распределением по значениям содержания [349]. На
этой выборке было получено несколько уравнений для определения
глицерина и пропиленгликоля, в которых в качестве независимых
переменных использовались вторые производные. Среднеквадратичес-
кие отклонения от данных химического анализа составляли от 0,14
до 0,15% при определении пропиленгликоля при его содержании в
пробах от 0,23 до 1,59% и 0,3% — для глицерина при содержании
от 0,81 до 3,8%.
Определение используемого в качестве пластификатора табака
триацетина по первой производной при 2104, 2282 и 1264 нм про-
водили непосредственно на табачной фабрике при контроле за про-
изводственным процессом [349]. При градуировке среднеквадрати-
ческое отклонение от регрессии составляло 0,334% в диапазоне
содержания 0 — 14%. Коэффициент множественной корреляции
составлял 0,997.
По данным, приведенным в литературе [272], спектроскопия диф-
фузного отражения в ближней инфракрасной области может ус-
пешно применяться для анализа табака и табачных изделий при
определении таких показателей, как TAR, содержание сахаров, нико-
тина, общего и аминного азота, крахмала, восков, веществ, экстраги-
руемых петролейным эфиром, хлоридов, кальция, калия, золы. В
большей части случаев наиболее эффективным было использование
преобразования Фурье для предварительной обработки спектральных
данных, а также производных спектров. Преимущества преобразова-
ния Фурье при анализе табака отмечены тем же автором и в более
поздней работе [426].
Спектроскопия диффузного отражения в ближней инфракрасной
области перспективна для определения содержания листьев и стеб-
лей растений табака в сырье для производства табачных изделий
[349]. В основе такого анализа лежит различие состава этих час-
тей растений, в частности содержания клетчатки, которой значи-
тельно больше в стеблях, а также жира, восков и белка, которых
больше в листьях.
397
7.9. ДИАГНОСТИКА МИНЕРАЛЬНОГО
ПИТАНИЯ РАСТЕНИЙ
Определение состава растений, содержания в целом растении или
отдельных его органах азота, фосфора, калия и других макро- и мик-
роэлементов широко применяется для установления потребности в
минеральных удобрениях, а также для прогнозирования урожайности
и качества продукции. По данным, имеющимся в литературе, спек-
троскопия диффузного отражения может с успехом использоваться в
рассматриваемых целях прежде всего для определения содержания
азота в растениях, имея огромное преимущество в экспрессности и
производительности перед общепринятыми химическими методами ана-
лиза. Методика инфракрасного анализа растений в целях диагностики
азотного питания зерновых культур получила официальное признание
в агрохимической службе СССР [133]. Анализ общего содержания
азота в растениях ИК-методом в целях определения потребности в
азотных удобрениях обычно включает высушивание и измельчение
проб [103, 114, 212]. В таком виде методика определения азота в
листьях и общей вегетативной массе растений по существу аналогична
определению содержания белка, так как в обоих случаях для калиб-
ровки используется один и тот же метод Кьельдаля. Разница только в
том, что в одном случае результаты анализа рассчитываются на азот,
а в другом — содержание того же азота умножают на коэффициент,
учитывающий содержание азота в белке. Данных по сравнению ре-
зультатов определения азота, то есть белка, в растениях или протеина
в кормах растительного происхождения достаточно много в литерату-
ре, и они рассматривались в соответствующих разделах.
Более перспективно определение азота в растениях без высушива-
ния и тонкого измельчения. Это представляет тем больший интерес,
что для выполнения анализа могут использоваться малогабаритные
переносные инфракрасные анализаторы на батарейном питании. О
разработке такого прибора для определения азота непосредственно в
пластинках листьев уже сообщалось [370].
Вопрос об использовании ИК-метода для непосредственного опреде-
ления азота в листьях пшеницы без высушивания и тонкого измель-
чения изучался в АО «Интерагротех». Объектом исследований слу-
жили листья озимой пшеницы в фазе кущения. Пробы, отобранные в
поле, измельчали до размера частиц 2 — 3 см, помещали в кювету
спектрометра NIRSystems модели 4250 и снимали спектры диффуз-
ного отражения в диапазоне 1620 — 2320 нм. Для изучения вопроса
о влиянии влажности материала на результаты анализа, а также для
получения достаточно широкого диапазона содержания воды часть
проб подсушивали на воздухе. Одновременно с получением спектров
398
Таблица 7.9.1.
Результаты определения содержания воды и азота
в листьях пшеницы методом ближней инфракрасной
спектроскопии
Градуиро- вочное уравнение Матема- тическое преобра- зование спектра Характеристика анализируемой выборки СКО от регрес- сии Довери- тельная вероят- ность
Среднее арифмети- ческое СКО от среднего
Содержан ие азота в и сходном мат ериале при и< ВХОДНОЙ BJ ижности
1 1,5,5 2,91 1,0,4 0,09 0,999
2 2,5,5 0,09 0,999
3 1,15,5 0,10 0,999
Содержание влаги
1 1,5,5 30,5 23,6 0,88 0,999
2 2,5,5 1,23 0,999
3 1,15,5 1,42 0,999
Содержание азота в пересчете на сухое вещество
1 1,5,5 4,28 0,23 0,13 0,999
Примечание:
Первая цифра обозначает порядок производной, вторая — число точек спек-
тра в интервале, по которому берется производная, последнее число — раз-
мер интервала в точках спектра, по которому проводится усреднение мето-
дом скользящего среднего. Спектры сняты по точкам через 2 нм.
проводили определение влажности образцов весовым методом и опреде-
ление азота по Кьельдалю после высушивания и измельчения материала
с просеиванием через сито с диаметром отверстий 1 мм. Для градуиров-
ки инфракрасного анализатора при определении влаги и азота использо-
вали множественный регрессионный анализ. В качестве независимых
переменных брали первую и вторую производные спектров после сгла-
живания спектров методом скользящего среднего по 5 точкам (10 нм) и
различным шагом при расчете конечных разностей в 5; 10 и 15 точек.
В таблице 7.9.1 приведены результаты определения азота и влаги в
59 образцах листьев пшеницы методом инфракрасной спектроскопии,
которые получены по трем лучшим уравнениям в сравнении с данны-
ми стандартных методов. Результаты показывают, что методом инф-
ракрасной спектроскопии можно определять влажность листьев пше-
399
Рис. 7.9.1. Сравнение результатов определения содержания
влаги в растениях пшеницы весовым и ИК-методом.
0 12 3 4
Содержание влаги, % (ИК-метод)
Рис. 7.9.2. Сравнение результатов определения содержания
азота в растениях пшеницы химическим и ИК-методом.
400
ницы со среднеквадратическим отклонением, равным 0,9%. Среднек-
вадратическое отклонение при определении азота составило в расчете
на абсолютно сухое вещество 0,13% при ИК-анализе без высушива-
ния материала и 0,09% при анализе после сушки результатов. Срав-
нение результатов определения содержания азота и воды в листьях
пшеницы показано на рис 7.9.1 и 7.9.2. Полученные данные показы-
вают, что градуировка инфракрасного анализатора для определения
влажности и содержания азота в расчете на материал в том состоя-
нии влажности, в котором он находится, позволяет с вполне доста-
точной точностью определить эти показатели и провести пересчет
содержания азота на сухое вещество. Некоторая потеря точности при
анализе влажного материала обусловлена тем, что в данном случае на-
блюдаемые погрешности включают погрешности определения как азота,
так и влажности, которая используется в расчетах. Кроме того, высуши-
вание повышает содержание азота в анализируемом материале, что по-
вышает точность. В то же время некоторая потеря точности при анали-
зе влажного материала компенсируется большей скоростью получения
результатов, что может иметь решающее значение для практики.
Спектроскопия в ближней инфракрасной области использовалась
также и для определения минерального состава растений. При опре-
делении содержания фосфора, калия, кальция и магния в различных
органах растений сахарной свеклы, подсолнечника, сои и сорго ана-
лизируемый материал предварительно высушивали и измельчали. Ис-
пользовали инфракрасный анализатор InfraAlyzer-450 с 19 фильтрами
[279]. Градуировку проводили методом множественной линейной рег-
рессии индивидуально для каждой культуры и исследуемой части
растения, используя в качестве независимых переменных значения
оптической плотности. Сначала в уравнения включали данные по
всем 19 длинам волн, затем, руководствуясь/-критерием, оставляли 6
лучших длин волн. Одновременно проводили исключение образцов,
выходящих за пределы допустимой погрешности. Для проведения гра-
дуировки брали от 48 до 114 образцов. Проверку полученных граду-
ировочных уравнений проводили на новых образцах, которые не при-
нимали участия в градуировке. Число контрольных образцов состав-
ляло от 31 до 92. Анализируемые образцы предварительно высушива-
лись при 70°С, размалывались и пропускались через сито 2 мм. Най-
дено, что минеральные компоненты определяются с различной точ-
ностью в зависимости от вида культуры и изучаемого органа. Коэф-
фициенты корреляции результатов, получаемых с помощью химичес-
кого и ИК-метода, колебались от 0,727 до 0,968. При этом наиболее
точные результаты получены при определении магния.
Имеется ряд сообщений об определении макро- и микроэлементов в
растениях с помощью спектроскопии ближней инфракрасной области. В
листьях табака определяли бор с относительной погрешностью 9,0%,
401
кальций — 4,2, хлор — 10,7, железо — 14,7, медь — 1,0, магний —
6,5, нитраты — 7,8, азот — 9,3, фосфор — 7,6, калий — 6,6,
натрий — 6,8, серу — 6,7, цинк — 7,5% [475, 477]. С несколько
меньшей точностью в кормах растительного происхождения опреде-
ляли кальций, фосфор, магний, калий, медь, цинк, марганец, натрий,
железо. Относительная погрешность определения макроэлементов, а
также железа и цинка не превышала 19%. Остальные элементы опре-
делялись с относительной погрешностью 20% и более [273]. В дру-
гой работе [271] определяли барий, литий, молибден, никель, свинец,
ванадий, алюминий, серу, кремний. Результаты сравнивались с данны-
ми эмиссионной атомной спектроскопии с использованием индукци-
онно связанной плазмы. Алюминий и кремний определялись с отно-
сительной погрешностью до 28%. Остальные элементы определялись хуже.
Исходя из общих представлений, возможность использования ИК-
спектроскопии ближней области для определения минерального со-
става растений представляется весьма сомнительной. Как уже отмеча-
лось выше, дисперсия спектральных данных в основном обусловлена
различиями гранулометрического состава анализируемого объекта.
Например, для пшеничной муки анализ главных компонент показыва-
ет, что этим фактором обусловлено 98,60% дисперсии. Варьирова-
ние содержание влаги определяет в этом случае 0,99% дисперсии и
только 0,11% дисперсии связано с различиями в содержании белка
[285]. На все остальное, включая дисперсию, связанную с варьирова-
нием содержания крахмала, которого в муке больше, чем белка, слу-
чайную вариацию, обусловленную погрешностями пробоотбора, за-
полнения кюветы анализатора, чисто инструментальными погрешнос-
тями, остается только 0,3%. Очень трудно представить, как инфра-
красный анализатор может увидеть в данных условиях, например,
хлор, который в растительных материалах находится в виде хлорида
и не поглощает в ближней инфракрасной области. Не сомневаясь в
объективности рассматриваемых экспериментальных данных, можно
только сказать, что в данном случае имеют место не прямые, функци-
ональные, а косвенные, опосредствованные связи.
Например, определение биологически важных микроэлементов мо-
жет быть основанным на том, что анализируемые растения выращи-
вались в условиях ограниченной обеспеченности такими элементами.
При различной обеспеченности микроэлементами растения могут раз-
личаться одновременно и по их содержанию, и по содержанию и
качеству макрокомпонентов, которое может от этого зависеть. В свою
очередь связанное с содержанием микрокомпонентов содержание мак-
рокомпонентов может проявиться в спектрах и в конечном итоге
служить основой для инфракрасного анализа.
Когда в основу количественного анализа положены чисто статисти-
ческие связи, возможны совершенно неожиданные и трудно объясни-
402
мые результаты. Весь вопрос только в том, насколько устойчивы
такие связи и как они воспроизводятся в конкретных условиях. Од-
нако этот вопрос требует дальнейших исследований.
Одним из показателей, используемых при определении потребности
в удобрениях озимой пшеницы, является содержание сахаров в расте-
ниях осенью в фазе кущения перед уходом под зиму. Этот показатель
представляет значительный интерес для прогнозирования состояния
посевов весной будущего года, необходимости их весенней азотной
подкормки. Однако общепринятые химические методы, применяемые
для определения содержания сахаров, малопроизводительны, что за-
трудняет определение этого важного прогностического показателя. В
этом отношении перспективно определение сахаров с помощью спек-
троскопии ближней инфракрасной области.
Для выяснения возможностей ИК-метода для определения рассмат-
риваемого показателя было взято 90 образцов озимой пшеницы, ото-
бранных в фазе кущения осенью перед уходом под зиму. Содержание
сахаров в изучаемой выборке варьировало от 1,94 до 24%, содержа-
ние крахмала — от 0,59 до 3,9%. Образцы высушивались при 60°С и
размалывались на мельнице типа «Циклон» до размера частиц не
более 1 мм. Спектры диффузного отражения в диапазоне 1300 —
2400 нм снимали на спектрофотометре модели 4500 фирмы NIRSys-
tems. Использовали стандартные круглые кюветы с кварцевым окном
диаметром 35 мм. Для управления спектрофотометром и обработки
данных использовали персональный компьютер 286/287 (объем опе-
ративной памяти 640 килобайт) с программным обеспечением NIR
фирмы Infrasoft International. Каждый спектр получали как среднее
из 32 сканирований. Во время сканирований спектров кювета враща-
лась. Спектры снимали относительно встроенного стандарта из кера-
мики. Спектр стандарта сканировался перед снятием спектра каждого
образца и по его окончании по 16 раз. Производные спектров полу-
чали как конечные разности по интервалам в 4 точки спектра (8 нм)
при сглаживании спектров методом скользящего среднего также по 4
точкам.
Содержание сахаров и крахмала в исследуемых образцах определя-
ли фотометрическим методом с использованием антрона по ГОСТ
26176—84. Сахара извлекали водой, крахмал определяли в остатке
после извлечения сахаров, гидролизуя его кислотой.
Полученные спектры диффузного отражения показаны на рис.
7.9.3.А. Они представляют обычную для подобных объектов очень
слабо дифференцированную картину широких перекрывающихся по-
лос. Как можно видеть из рис. 7.9.3.В, оптическая плотность относи-
тельно слабо коррелирует с содержанием сахаров. Значения коэффи-
циентов корреляции не превышают 0,8. Более четкую картину дают
производные спектров (рис 7 9 4 и 7.9.5), особенно вторая произ
403
водная, коэффициенты корреляции значений которой с содержанием
сахаров достигают 0,94 (рис. 7.9.5.В).
Отдельные минимумы кривой коэффициентов корреляции, соответ-
ствующие минимумам кривой вторых производных спектров, то есть
максимумам поглощения, можно отнести на счет гидроксильных и
альдегидных групп при 1450, 1940 и 2100 нм, альдегидных групп и
эфирных связей при 2100 нм. Поглощение при 1365 и 2280 нм может
быть связано с колебаниями связей С—Н.
Корреляция спектральных данных с содержанием крахмала в основ-
ном имеет ту же картину, что и с содержанием сахаров. Отличие
только в том, что содержание крахмала коррелирует со спектральны-
ми данными менее тесно, и абсолютные значения экстремумов кривой
коэффициентов корреляции меньше, чем для содержания сахаров (рис.
7.9.5). Подобие рассматриваемых кривых коэффициентов корреля-
ции может быть связано с корреляцией содержания сахаров и крах-
мала в исследуемых образцах.
Изучаемую выборку образцов использовали для получения гра-
дуировочных уравнений. Применяли метод множественной линей-
ной регрессии и метод дробных наименьших квадратов. В качестве
исходных данных брали как исходные спектры диффузного отра-
жения, представляющие функцию оптической плотности от длины
волны, так и первую, вторую и третью производные спектров. Число
независимых переменных в регрессионных уравнениях в методе дроб-
ных наименьших квадратов определяли по результатам перекрестной
проверки, описанной в разделе 5. Оно составляло 7 — 9. При граду-
ировке использовали каждую вторую точку спектра, так что градуи-
ровочные уравнения, получаемые методом дробных наименьших квад-
ратов, содержали от 267 до 275 коэффициентов. Некоторые разли-
чия в числе коэффициентов связаны здесь с потерей точек спектра в
начале и конце спектра, число которых неодинаково при расчете
производных различных порядков. Число переменных в множествен-
ной линейной регрессии определяли в процессе пошаговой процеду-
ры, используя в качестве критического значение частного F-крите-
рия для исключения, равное 10, что соответствует доверительной
вероятности более 0,99.
Проверку полученных уравнений проводили на 439 образцах рас-
тений озимой пшеницы, также взятой в фазе кущения. Результаты
представлены в таблицах 7.9.2 и 7.9.3.
Приведенные в таблицах данные показывают, что содержание саха-
ров, найденное инфракрасным методом, тесно коррелирует с данными
химического анализа. Коэффициент корреляции составляет до 0,960,
как это видно из таблицы 7.9.2. Среднеквадратическое отклонение
результатов отданных химического метода достигает при этом 1,46%,
4 10 сопоставимо с отклонениями, допускаемыми при химическом анали-
404
Рис. 7.9.3. Спектры диффузного отражения растений
пшеницы (А) и кривая значений коэффициента корреляции
оптической плотности с содержанием сахаров (В).
405
Рис. 7.9.4. Первые производные спектров растений
пшеницы (А) и кривая значений коэффициента корреляции
производных с содержанием сахаров (В).
406
Длина волны, нм
Дллина волны,нм
Рис. 7.9.5. Вторые производные спектров растений
пшеницы (А) и кривая значений коэффициента корреляции
производных с содержанием сахаров (В).
407
Длина волны, нм
Рис. 7.9.6. Кривые значений коэффициентов корреляции
оптической плотности (А) и второй производной спектров
(В) растений пшеницы с содержанием сахаров (1)
и крахмала (2).
408
Таблица 7.9.2.
Сравнение результатов определения содержания сахаров
в растениях озимой пшеницы
Метод анализа Характеристика выборки Результаты сравнения данных ИКС и химического анализа Число пере- менных в градуи- ровоч- ном уравне- нии
Сред- нее СКО от сред- него Коэф- фици- ент корре- ляции Сред- няя раз- ность СКО от хими- ческих дан- ных До- пуска- емое откло- нение
Химический ИКС, МЛР, 0.0.1 ИКС, МЛР, 1.4.4 ИКС, МЛР, 2.4.4 ИКС, ДЛК, 0.0.1 ИКС, ДНК, 1.4.4 ИКС, ДНК, 2.4.4 ИКС, ДНК, 3.4.4 Химический ИКС, МЛР, 0,0,1 ИКС, МЛР, 1,4,4 ИКС, МЛР, 2,4,4 ИКС, ДНК, 0,0,1 ИКС, ДНК, 1,4,4 ИКС, ДНК, 2,4,4 ИКС, ДНК, 3,4,4 Гра, 11.2 11.2 11.2 11.2 11.2 11.2 11.2 11.2 Ко 10,7 10,6 10,7 10,8 10,6 10,6 10,7 10,7 цуировочн 5.69 5.51 5.53 5.53 5.54 5.60 5.60 5.58 нтрольная 5,32 5,18 5,18 5,15 5,11 5,22 5,18 5,19 ая сери 0.970 0.975 0.970 0.975 0.985 0.985 0980 серия 0,954 0,949 0,959 0,959 0,954 0,960 0,959 я из 9С 0.00 0.00 0.00 0.00 0.00 0.00 0.00 13 439 -0,02 -0,03 о,п -0,07 -0,03 0,00 0,00 образцо 1.41 1.31 1.33 1.30 1.00 1.00 1.08 образцов 1,61 1,65 1,55 1,52 1,60 1,46 1,54 в 2.0 2,0 5 4 5 275 271 269 267 5 4 5 275 271 269 267
Обозначения:
МЛР — метод множественной линейной регрессии;
ДНК — метод дробных наименьших квадратов;
2,4,4 — первая цифра указывает порядок производной, вторая — размер шага
при расчете производной в точках спектра (одна точка спектра соответствует 2
нм), третья ~ размер окна при сглаживании сиеыров методом скользящего
среднего.
409
зе, которое, согласно ГОСТ 26176/84, составляет 2,0% при среднем
содержании сахаров в исследуемой выборке, равном 10,7%.
Из приведенных в таблице 7.9.2 данных видно также, что значи-
тельных различий в точности определений уравнения, полученных
различными методами, не наблюдается. Если при анализе образцов
градуировочной серии среднеквадратическое отклонение данных спек-
трального анализа от химического было примерно на треть меньше
при использовании метода дробных наименьших квадратов по сравне-
нию с данными, получаемыми методом множественной линейной рег-
рессии, то на контрольной серии различия значительно уменьши-
лись. Однако метод множественной линейной регрессии явно уступа-
ет по точности методу дробных наименьших квадратов.
Лучшим из градуировочных уравнений, полученных методом мно-
жественной линейной регрессии, для определения содержания саха-
ров было то, в котором в качестве независимых переменных исполь-
зовалась вторая производная. Это уравнение имело следующие значе-
ния коэффициентов:
Коэффициент Значение Длина волны, Значение частного
коэффициента нм Д-критерия
В(0) 8,11
В 1 -200090,6 1528 11,2
В(2) -14537,4 1568 17,9
В(3) 15600,8 1796 12,7
В(4) 10721,1 1988 27,6
В(5) -5703,6 2284 100,6
Все коэффициенты уравнения отличны от нуля с доверительной
вероятностью более 0,99. Отрицательные значения коэффициентов
при 1528; 1568 и 2284 нм соответствуют отрицательным значениям
производной при этих длинах волн, поэтому они дают положитель-
ный вклад в общую сумму, представляющую результат анализа. При
1988 нм вторая производная положительна. При 1796 нм производ-
ная очень близка к нулю (рис. 7.9.5) и может иметь как положитель-
ное, так и отрицательное значение. Однако значение коэффициента
при данной переменной достаточно велико, поэтому вклад, который
она вносит в результат анализа, существен.
Это уравнение можно сравнить с градуировочным уравнением, свя-
зывающим исходные значения оптической плотности с содержанием
сахаров. Оно имело следующие значения коэффициентов:
Коэффициент Значение коэффициента Длина волны, нм Значение частного Д-критерия
в(о) 7,18
В(1) -3375,2 2088 20,0
В(2) 12341,0 2104 64,1
В(3) -8993,1 2116 81,25
В(4) 2904,7 2300 75,3
В(5) -2847,2 2332 60,7
410
Таблица 7.9.3.
Сравнение результатов определения содержания крахмала в
растениях озимой пшеницы
Метод анализа Характеристика выборки Результаты сравнения данных ИКС и химического анализа Число пере- менных в градуи- ровоч- ном уравне- нии
Сред- нее СКО от сред- него Коэф- фици- ент корре- ляции Сред- няя раз- ность СКО от хими- ческих дан- ных До- пуска- емое откло- нение
Градуировочная серия (90 образцов)
Химический 1,66 0,87 — — — 1,3 —
ИКС, МЛР, 0,0,1 1,66 0,74 0,849 0,00 0,45 — 5
ИКС, МЛР, 1,4,4 1,66 0,77 0,883 0,00 0,40 — 5
ИКС, МЛР, 2,4,4 1,66 0,76 0,877 0,00 0,41 — 5
ИКС, ДНК, 0,0,1 1,66 0,75 0,860 0,00 0,44 — 275
ИКС, ДНК, 1,4,4 1,66 0,81 0,933 0,00 0,31 — 271
ИКС, ДНК, 2,4,4 1,66 0,82 0,943 0,00 0,28 — 269
ИКС, ДНК, 3,4,4 1,66 Ко 0,81 нтрольна5 0,933 серия 0,00 г439 об 0,31 >разцов) 267
Химический 1,66 0,85 — — — 1,3 5
ИКС, МЛР, 0,0,1 1,64 0,74 0,806 -0,02 0,51 — 5
ИКС, МЛР, 1,4,4 1,64 0,81 0,819 -0,03 0,50 — 5
ИКС, МЛР, 2,4,4 1,65 0,75 0,820 -0,01 0,49 — 275
ИКС, ДНК, 0,0,1 1,67 0,79 0,819 0,01 0,50 — 275
ИКС, ДНК, 1,4,4 1,64 0,83 0,866 -0,02 0,43 — 271
ИКС, ДНК, 2,4,4 1,68 0,81 0,842 0,01 0,47 — 269
ИКС, ДНК, 3,4,4 1,64 0,76 0,843 -0,02 0,46 — 267
Примечание: обозначения те же, что и в таблице 7.9.2.
411
В приведенном уравнении используются совсем другие длины волн,
чем в рассмотренном выше. Физическая сущность получаемых урав-
нений при таком большом числе переменных весьма неопределенна.
Уравнения получены чисто эмпирически и могут выражать не фун-
кциональные, а косвенные, опосредствованные связи спектральных
данных с содержанием сахаров в растениях пшеницы.
В то же время результаты исследований показывают, что инфра-
красный метод может использоваться при определении сахаров, обеспе-
чивая достаточно высокую точность анализа, значительно превос-
ходя стандартный химический метод по производительности и ско-
рости получения результатов.
Определение крахмала с помощью спектроскопии диффузного отра-
жения в ближней инфракрасной области оказалось менее успешным.
Из данных, приведенных в таблице 7.9.3, видно, что точность анали-
за относительно невысока. Это обусловлено очень низким содержа-
нием крахмала в изучаемом объекте и низкой точностью используе-
мого для градуировки инфракрасного анализатора химического мето-
да в наблюдаемом диапазоне концентраций. Можно только сказать,
что в данном случае по точности получаемых результатов спектрос-
копия диффузного отражения в ближней инфракрасной области прак-
тически равнозначна стандартному химическому методу.
7.10. АНАЛИЗ УДОБРЕНИЙ
Как отмечено в сообщениях о результатах исследований возмож-
ностей ближней инфракрасной спектроскопии, выполненных в ЦИ-
НАО [63, 89], метод позволяет оперативно определять содержание
воды, различных форм азота, некоторых примесей, таких, как биу-
рет, гипс, в минеральных удобрениях. Наиболее четкие результаты
получены при определении содержания воды в калийных удобрениях
(хлористый калий, сульфат калия), в фосфоритной муке, в одноком-
понентных азотных удобрениях (сульфат аммония), для которых пог-
решность не превышает 0,2%, в сложных фосфорных удобрениях
типа фосфатов аммония (аммофос, диаммоний фосфат). Погрешность
определения воды в твердых минеральных удобрениях изменяется в
зависимости от влажности продуктов нелинейно. Наименьшая пог-
решность имеет место в диапазоне 0,5 — 2,5%. Анализ аммиачной
селитры и карбамида оказался неэффективным, так как из-за высо-
кой гигроскопичности эти продукты существенно изменяли влажность
в процессе пробоподготовки и измерения. Попытки построить граду-
ировочный график для определения воды в таких продуктах, как
калимагнезия и двойной суперфосфат, окончились неудачей. По-ви-
димому, это связано со сложным химическим составом этих удобре-
ний. Возможной причиной может быть, в частности, то, что при
412
подготовке проб калимагнезии с различной влажностью не удалось
сохранить постоянство соотношения кристаллогидратной и абсорби-
рованной воды.
Значительный интерес представляет использование спектроскопии
ближней инфракрасной области для оценки содержания различных
форм азота: аммиачной, амидной, нитратной — в сложных удобрени-
ях и тукосмесях. ИК-спектроскопия в принципе позволяет опреде-
лять одновременно все эти формы.
При анализе органических удобрений ИК-спектроскопия [63] поз-
воляет с относительно высокой степенью точности определять содер-
жание воды, органического углерода и азота. Наилучшие результаты
(коэффициент корреляции 0,96) получены при анализе навоза круп-
ного рогатого скота при бесподстилочной технологии, птичьего поме-
та и компостов на основе торфа, полученных без введения в них
минеральных удобрений. При анализе таких продуктов, как терми-
чески высушенный осадок сточных вод и органо-минеральные ком-
посты, корреляция менее тесная (коэффициент корреляции равен
0,70 — 0,84). Это связано с неоднородностью этих материалов, при-
сутствием в них тяжелых включений, что вызывает нежелательное
расслоение пробы при заполнении кюветы инфракрасного анализато-
ра. При анализе органических удобрений отмечены удовлетворитель-
ные парные корреляции для органического углерода и азота; органи-
ческого углерода и воды.
Делалась попытка использования ИК-метода для определения в ор-
ганических удобрениях основных элементов минерального питания
растений: азота, фосфора и калия. С достаточной точностью опреде-
ляли только азот, а в ряде продуктов также и фосфор.
Анализ органических удобрений методом ближней инфракрасной
спектроскопии осложняет неоднородность этих материалов и значи-
тельное количество посторонних и весьма различных по составу при-
месей. Поэтому градуировка ПК-анализаторов должна проводиться
отдельно для каждого типа органических удобрений, близких по про-
исхождению и технологии получения, консистенции, химическому
составу.
В целом использование ПК-спектроскопии для анализа минераль-
ных и органических удобрений изучено еще недостаточно. Публика-
ций по этому вопросу практически нет. В то же время имеется Госу-
дарственный стандарт на методику определения органического вещес-
тва в органических удобрениях с помощью ПК-спектроскопии. Из
этого документа следует, что точность метода достаточно высока.
Допускаемая погрешность анализа составляет от 0,5 до 1,0% (абс.) в
зависимости от содержания органического вещества, что не уступает
термогравиметрическому и оксидометрическому методам определения
данного показателя [45].
413
7.11. АНАЛИЗ ПОЧВЫ
7.11.1. Состояние вопроса
Спектры почв в ближней инфракрасной области изучены относи-
тельно слабо. Более исследованы видимая часть спектра и средняя
инфракрасная область, в которой наблюдаются фундаментальные час-
тоты. Средняя область инфракрасного спектра используется в основ-
ном в исследовательских целях для изучения природы гумусовых
веществ и илистых фракций почв [163, 68]. Имеются монографии по
ИК-спектрам минералов [139, 11]. В целях количественного анализа
классическая инфракрасная спектроскопия в анализе почв практи-
чески не используется ввиду сложности пробоподготовки. Значитель-
но проще измерение отражательной способности почв в видимой об-
ласти спектра. Метод находит практическое применение как в лабо-
раторных условиях, так и при дистанционном зондировании в аэро-
космических исследованиях [165 — 167]. Однако точность определе-
ния содержания гумуса по отражательной способности почв в види-
мой области относительно невелика ввиду наложения на поглощение
гумуса других компонентов почв, особенно гидроокисей железа [125,
134], и служит в основном как вспомогательное средство при иссле-
довании и картографировании почв. Что касается ближней инфра-
красной области спектра и применения измерительной техники, раз-
работанной для определения качества сельскохозяйственной продук-
ции, то для анализа почв она стала находить применение только в
последние годы.
Перспективность использования ближней инфракрасной области для
анализа почв показана еще в 1965 году [241]. Найдено, что содержа-
ние влаги в почвах можно довольно точно определить- по полосам
поглощения при 1400; 1900 и 2200 нм. Показано, что при данной
влажности на отражательную способность почв влияет содержание
органического вещества и глинистых частиц. С уменьшением разме-
ров почвенных частиц коэффициент отражения возрастает экспонен-
циально.
При детальном изучении спектров диффузного отражения почв [438]
полос поглощения, принадлежащих органическому веществу, не было
обнаружено. Однако использование для градуировки в качестве неза-
висимой переменной отношения значений второй производной спект-
ров при двух длинах волн позволяло проводить определение содержа-
ния гумуса. При этом более точные результаты давало уравнение,
полученное для длин волн, расположенных в видимой области спект-
ра (623.6 и 564,4 нм). Использование ближней инфракрасной облас-
ти давало менее точные результаты. На основании полученных дан-
414
ных сделан вывод, что спектры почв в видимой области несут больше
информации, чем в ближней инфракрасной.
Этот вывод согласуется с данными, полученными при изучении
вопроса о возможности использования дистанционного зондирования
для определения содержания органического вещества и глинистых
частиц в почвах [195]. Для проведения исследований использован
многоканальный относительно широкополосный спектрометр. Найде-
но, что измерение отражательной способности почв при использова-
нии спектральной полосы 720 — .800 нм дает коэффициент корреля-
ции с содержанием гумуса, равный 0,526, что говорит о наличии
статистически достоверной связи изучаемых величин. Коэффици-
ент множественной корреляции при дополнительном включении в
расчеты измерений по каналу с полосой 1500 — 1800 нм не изме-
нился и составил только 0,526.
Вместе с тем в более поздних работах показано, что ближняя
инфракрасная спектроскопия с использованием инфракрасных ана-
лизаторов, применяемых для определения качества сельскохозяй-
ственной продукции, и метода множественной линейной регрессии
для градуировки позволяет определить содержание влаги [290], ор-
ганического вещества [290, 132, 492, 154], общего азота [290,
492], провести оценку потенциала обеспеченности почв минераль-
ным азотом [492], отнести почву к той или иной классификацион-
ной группе по механическому составу [492], определить содержа-
ние карбонатов [218]. Показана возможность использования спек-
троскопии ближней инфракрасной области для распознавания видов
дерново-подзолистых почв [436].
Найдено, что при использовании инфракрасного анализатора Infra-
Alyzer-500, имеющего монохроматор с диффракционной решеткой,
можно получить вполне приемлемые результаты при определении
влажности, содержания органического углерода и общего азота в
почвах Австралии [290]. Градуировочные уравнения для определения
всех указанных компонентов почвы включали оптическую плотность
при трех длинах волн. Для влаги были выбраны 1926; 1954 и 2150
нм; для органического углерода — 1744; 1870 и 2052 нм; для общего
азота — 1702; 1870 и 2052 нм. Среднеквадратическое отклонение от
результатов определения обычными лабораторными методами для об-
разцов верхних горизонтов (до глубины 60 см), размолотых до разме-
ра частиц менее 0,25 мм, составило 0,58% для влажности, 0,16 —
для содержания органического углерода и 0,01% для общего азота.
Примерно такие же погрешности были получены для образцов по
всему почвенному профилю. Однако при более грубом измельчении
анализируемых почв до 2 мм погрешности возрастали примерно в
полтора раза. Отмечено, что спектры диффузного отражения изучае-
мых цичв имели значительное фоновое поглощение по всему диапазо-
415
ну длин волн. При прочих равных условиях оно было больше в более
влажных почвах и в почвах с более высоким содержанием органичес-
кого вещества.
Возможность применения фильтровых приборов InfraAlyzer моде-
лей 300 (8 фильтров), 400 (19 фильтров) и 450 (19 фильтров) для
анализа почв исследовалась на образцах почв Южной Африки [492].
Результаты оценки почв по потенциальной способности к накопле-
нию минерального азота, определения содержания органического ве-
щества и общего азота, а также механического состава, полученные
на различных моделях ИК-анализаторов, сравнивались с данными,
которые дают принятые в лаборатории методы анализа [492]. Градуи-
ровку приборов проводили на 96 образцах почв 20 почвенных раз-
ностей. Перед анализом почвы доводили до воздушно-сухого состоя-
ния и размалывали до 0,25'мм. Для градуировки применяли метод
множественной линейной регрессии, используя в качестве независи-
мых переменных значения оптической плотности. Для оценки полу-
чаемых уравнений проводили анализ другой серии из 170 образцов,
которые не участвовали в градуировке. Наиболее точные результаты
в сравнении с данными обычных лабораторных методов получены
при использовании модели 450, соединенной с персональным компь-
ютером. Среднеквадратическое отклонение результатов ИК-анализа
от данных обычного лабораторного метода при определении органи-
ческого вещества с использованием InfraAlyzer-450 составило 0,46%
(абс.) при среднем содержании в контрольной выборке 2,42%. Для
общего азота значение среднеквадратического отклонения составило
0,011% при среднем 0,095%, для содержания глины — 3,80% при
среднем значении 27%, для ила — 2,1 % при среднем значении 11 %,
при определении показателя способности почвы к накоплению мине-
рального азота — 0,3 балла при среднем 1,85 (четырехбалльная шка-
ла). При использовании модели 300 рассматриваемая величина для
общего азота увеличилась до 0,60%, для общего азота — до 0,014%,
для содержания глины — до 8,20%, для ила — до 4,20%, для
показателя способности почвы к накоплению минерального азота —
0,53 балла. Результаты определений, выполненных на InfraAlyzer-
400, занимали по точности промежуточное положение.
Для определения содержания органического вещества (гумуса) в
черноземных почвах использовали анализатор Инфрапид-61 [132].
Градуировку проводили по разностям трех пар значений оптической
плотности при различных длинах волн. В первой паре использованы
значения оптической плотности при 1847 — 1920 нм, во второй паре
— 1915 — 2083 нм и в третьей паре — 2110 — 2173 нм. Содержа-
ние гумуса в градуировочной серии образцов составляло от 4 до 9%.
Перед анализом пробы доводили до воздушно-сухого состояния и
размалывали до 0,25 мм. Погрешность градуировки составляла 0,667%,
416
коэффициент корреляции с результатами химических анализов был
равен 0,87. Проверку полученного уравнения проводили на 17 образ-
цах чернозема, отобранных на полях с различными культурами. Сред-
нее арифметическое значение результатов ИК-анализа было равным
7,0%. Среднее значение результатов химического анализа при ис-
пользовании стандартного метода составляло 7,3%. Таким образом,
средняя разность результатов составила 0,3% при допускаемом в
стандартном методе расхождении результатов 0,7%.
В другой работе [154] содержание гумуса в дерново-подзолистых и
черноземных почвах определяли по отдельным градуировочным урав-
нениям. Для черноземных почв использовали разности значений оп-
тической плотности для двух пар длин волн по уравнению
Х = а0 +a1[log(l/Я)2110 — log(l//?)1370] +
+ a2]log(l//?)2206 — log(l//?)2304],
где подстрочными индексами указаны значения длин волн, при кото-
рых измерена оптическая плотность.
Для дерново-подзолистых почв уравнение включало четыре пары
длин волн:
X = a0 +ai[log(l//?)2050 - log(l//?)1370] +
+ a2[log(l//?)2110 — log(l//?)137O] +
+ a3[log(l//?)2075 — log(l//?)1335] +
+ a4[log(l/tf)2076 — log(l//?)
1318^
Уравнение для черноземных почв проверяли сравнением результа-
тов определения содержания гумуса в 45 образцах стандартным мето-
дом и методом инфракрасной спектроскопии по соответствующему
градуировочному уравнению. Повторность определений 4-кратная.
Результаты представлены в таблице 7.11.1.1. Одновременно изучался
вопрос о влиянии тонины измельчения почвы на результаты инфра-
красного анализа. С этой целью проведено сравнение данных, получа-
емых при измельчении почвы до 2 мм, как это принято при подготов-
ке к массовым агрохимическим анализам, и до 0,25 мм, как это
требует стандартная методика определения гумуса химическим мето-
дом. Аналогичная работа проведена с дерново-подзолистыми почвами
(табл. 7.11.1.2). Как показывают данные, приведенные в указанных
таблицах, статистически достоверных различий результатов, получа-
емых химическим и ИК-методом, в изучаемых вариантах не обнару-
живается, исключая дерново-подзолистые почвы. Здесь более грубое
измельчение перед инфракрасным анализом достоверно ухудшило вос-
производимость результатов, однако с точки зрения практики наблю-
даемые различия вполне допустимы, так как не выходят за пределы
417
Таблица 7.11.1.1.
Сравнение результатов определения гумуса в дерново-
подзолистых почвах на анализаторе lnfrapid-61
Статистический показатель Методы анализа
Химичес- кий стан- дартный метод (1) ИК-метод, измельче- ние почвы до 0,25 мм (2) Химичес- кий стан- дартный метод (3) ИК-метод, измельче- ние почвы до 2,0 мм (4)
Число образцов 29 29 28 28
Число измерений Среднее содер- 116 116 112 112
жание гумуса, % Диапазон 1,72 1,77 1,78 1,83
содержания, % Среднеквадра- тическое откло- нение от сред- него при повтор- ных анализах, 1,39—2,60 1,40—2,30 1,36—1,42 1,42—2,32
% (абс.) Оценка различий воспроизводимо- сти методов по /-критерию Фи- 0,15 0,17 0,15 0,22
шера Оценка средней разности по /-кри- терию Стьюдента , ,=1.28 Л. =2,15 факт. 1-2 факт. 3-4 ’ F = 1,9 (Р=0,95) С .,=0.25 С = 1,96 фактЛ-Ъ * фа кт.ЗА С<:,,=2,1
418
Таблица 7.11.1.2
Сравнение результатов определения содержания гумуса в
черноземных почвах с помощью анализатора infrapid-61
Показатели Методы анализа
Химический стандартный метод (1) ИК-метод с измельчением почвы
до 2 мм (2) до 0,25 мм (3)
Число измерений Число анализи- 180 180 180
руемых образцов Среднее содер- 45 45 45
жание гумуса, % Диапазон содержания 7,11 7,22 7,40
гумуса, % Среднеквадра- тическое отклонение от среднего при повторных ана- 6,0—8,9 6,00—8,94 6,15—9,27
лизах, % (абс.) Оценка различий воспроизводи- мости методов по /•'-критерию 0,34 0,34 0,34
Фишера Оценка средней разности по /-кри- F. ,,= 1-01 факт.1-2 F л табл. F. ,,=1.18 факт.2-3 ’ = 1,7 (Р=0,95)
терию Стьюдента t , ,=0.25 факт.\'2 ' ^,..2=0-69 та6л.\г~^'^
419
требований стандарта по точности метода определения содержания
гумуса [38]. Таким образом, значительное влияние тонины измельче-
ния почвы на определение гумуса, отмеченное выше, в данной работе
не подтвердилось. Возможно, это связано с особенностями исследуе-
мых почв или с различием методов математической обработки дан-
ных. В первой работе [492] анализ почв проводили по единому граду-
ировочному уравнению для различных видов почв, а в качестве неза-
висимых переменных в градуировочном уравнении использовали ис-
ходные результаты измерений оптической плотности. В последней
работе [154] для каждого типа почв градуировку проводили отдельно,
а в качестве независимых переменных использовали разности значе-
ний оптической плотности.
Спектры диффузного отражения почв в ближней инфракрасной об-
ласти внешне различаются главным образом по общему уровню пог-
лощения. На рис. 7.11.1.1 показаны спектры диффузного отражения
дерново-подзолистой почвы, развитой на моренном суглинке из Мос-
ковской области с содержанием гумуса 1,5%, предкавказского чер-
Рис. 7.11.1.1. Спектры диффузного отражения почв:
1 — чернозем предкавказский суглинистый (Ставропольский край),
2 — дерново-подзолистая суглинистая (Московская область),
3 — серозем (Кыргызстан).
420
нозема из Ставропольского края с содержанием гумуса 4,5% и серо-
зема Кыргызстана с содержанием гумуса 1,2%, развитого на лессо-
видном суглинке. Несмотря на то что рассматриваемые почвы обра-
зованы в различных климатических и геологических условиях, их
спектры различаются мало. Для всех спектров характерно значитель-
ное поглощение инфракрасных лучей во всем изучаемом диапазоне
длин волн, образующее сплошной фон. В диапазоне 1100 — 1840 нм
фон плавно снижается с увеличением значения длины волны, очевид-
но, за счет ослабления молекулярного поглощения, связанного с энер-
гетическими переходами электронов, затем уровень фона повышает-
ся. На фоне сплошного поглощения во всех спектрах имеются отно-
сительно небольшие, но четко видимые максимумы около 1414; 1916
и 2208 нм. За максимумом при 2208 нм заметны еще менее выражен-
ные максимумы. Внешне основное различие спектров состоит в об-
щем уровне фона.
Наиболее четкие максимумы около 1918 и 1414 нм соответствуют
полосам поглощения связей О—Н молекул воды, которая в свобод-
ном состоянии дает первый обертон около 1400 нм и составную
частоту около 1900 нм. Высушивание почвы при 105°С до постоян-
ной массы уменьшает высоту максимумов около 1414 и 1928 нм
вследствие удаления из нее гигроскопической воды, как это видно из
соответствующих спектров дерново-подзолистой почвы (рис. 7.11.1.2)
и чернозема (рис. 7.11.1.3). Увлажнение как исходной воздушно-
сухой дерново-подзолистой почвы выдерживанием в атмосфере насы-
щенной водой, так и увлажнение предварительно высушенной почвы
увеличивают высоту рассматриваемых максимумов. Разность спект-
ров исходных воздушно-сухих почв и высушенных при 105°С явно
представляет спектр удаленной из почвы при высушивании гигроско-
пической влаги с максимумами около 1916 и 1414 нм.
Из рис. 7.11.1.2 и 7.11.1.3 видно также, что высушивание почвы
снижает общий фон поглощения. При последующем увлажнении поч-
вы уровень фона не восстанавливается, обнаруживая явный гестере-
зис.
Для выяснения влияния минералогического состава на поглощение
инфракрасного излучения почвами были сняты спектры некоторых
первичных и вторичных минералов, которые в тех или иных количес-
твах могут содержаться в почвах. Как видно из рис. 7.11.1.4 и 7.11.1.5,
исследуемые минералы имеют ряд характеристических полос погло-
щения. Некоторым исключением можно считать гетит, кварцевый пе-
сок и ортоклаз, спектры которых, кроме полосы поглощения воды
около 1900 нм, других четко выраженных полос поглощения не со-
держат. Спектры флогопита (хлорит), клинохлора, мусковита, каоли-
нита содержат полосу поглощения около 1400 нм, интенсивность
которой явно не связана или только отчасти связана с поглощением
421
Длина волны, нм
Рис.7.11.1.2. Влияние высушивания и увлажнения на спектр
дерново-подзолистой почвы:
1 — исходная воздушно-сухая почва, 2 — почва после высушивания
при 105°С, 3 — увлажненная почва, 4 — почва высушена, затем
увлажнена, 5 — разность спектров 1 — 2.
Рис. 7.11.1.3. Влияние высушивания на спектр чернозема:
1 — исходная воздушно-сухая почва, 2 — почва после сушки при
105°С, 3 — разность спектров i — 2.
422
Рис. 7.11.1.4. Спектры диффузного отражения минералов:
1 — вермикулит, 2 — гетит, 3 — хлорит, 4 — мусковит, 5 —
ортоклаз, 6 — флогопит, 7 — кварц, 8 — известняк.
Рис. 7.11.1.5. Спектры диффузного отражения глинистых
минералов:
1 — галлуазит, 2 — монтмориллонит, 3 — каолинит.
423
гигроскопической воды. Как видно из соответствующих графиков, в
спектрах рассматриваемых минералов полоса воды около 1900 нм
или практически отсутствует, или заметно уступает по высоте макси-
мума полосе около 1400 нм. Очевидно, здесь имеет место поглоще-
ние, обусловленное колебаниями О—Н-связей гидроксильных групп,
связанных с атомами алюминия в гиббситовом слое мусковита и као-
линита, магния в бруситовом слое флогопита и клинохлора. В спект-
рах таких глинистых минералов, как монтмориллонит и галлуазит,
полоса поглощения около 1400 нм в значительной степени связана
с поглощением гигроскопической воды, на относительно высокое
содержание которой указывает интенсивная полоса поглощения
около 1900 нм. Особенно богата полосами поглощения минералов
длинноволновая часть изучаемого диапазона спектра. Не вдаваясь
в детали, можно сказать, что спектроскопия диффузного отраже-
ния представляется весьма перспективной для анализа минералоги-
ческого состава почв.
Взятый нами набор минералов не исчерпывает минералогического
состава почв. В то же время в сумме они дают спектр, очень похожий
на спектры почв. Это иллюстрирует рис. 7.11.1.6, на котором пока-
зан спектр смеси равных по массе частей рассматриваемых минера-
Рис. 7.11.1.6. Спектр смеси равных по массе минералов (1)
и среднее арифметическое спектров тех же минералов (2).
424
лов, а также спектр, полученный компьютером простым расчетом
среднего арифметического из их индивидуальных спектров. Наиболее
близок спектр смеси минералов спектру серозема, что связано с на-
личием в нем карбонатов, обусловливающих появление максимума
поглощения около 2100 нм.
Рассмотрение спектров диффузного отражения исследуемых почв
показывает, что наблюдаемые в них максимумы поглощения могут
быть идентифицированы как принадлежащие гигроскопической влаге
и минеральным компонентам.
7.11.2. Связь спектральных данных с содержанием
гумуса
Связь спектральных данных с содержанием гумуса может прояв-
ляться по-разному. На рис. 7.11.2.1 показаны спектры диффузно-
го отражения 74 образцов черноземов Молдовы. Видно, что раз-
личия в спектрах изучаемых образцов состоят в основном только
в уровне фонового поглощения. Внешне картина такова, что это
Рис. 7.11.2.1. Спектры диффузного отражения 74 образцов
черноземов Молдовы (S) и кривая значений коэффициентов
корреляции оптической плотности с содержанием
гумуса (R).
425
один и тот же спектр, только зафиксированный в различных по-
ложениях по ординате. Коэффициент корреляции оптической плот-
ности с содержанием гумуса в данном наборе образцов не превы-
шает значения 0,7. Кривая значений коэффициента корреляции
оптической плотности с содержанием гумуса в зависимости от дли-
ны волны имеет три очень четко выраженных минимума. При тех
же длинах волн наблюдаются максимумы в спектрах, и кривая
значений коэффициента корреляции представляет как бы зеркаль-
ное отражение спектров.
Аналогичную картину представляют спектры дерново-подзолистых
суглинистых почв Калужской области, представленные на рис. 7.11.2.2.
Существенным отличием от рассмотренной выше является здесь только
поведение кривой зависимости значений коэффициента корреляции
оптической плотности с содержанием гумуса от длины волны. В чер-
ноземах Молдовы (рис. 7.11.2.1) значения коэффициента корреля-
ции оптической плотности с содержанием гумуса положительны во
всем диапазоне длин волн, что говорит о прямой связи поглощения с
содержанием гумуса. Однако из рис. 7.11.2.2 видно, что в большей
части спектра рассматриваемых дерново-подзолистых почв аналогич-
ный коэффициент корреляции отрицателен, то есть чем больше гуму-
Рис. 7.11.2.2. Спектры диффузного отражения 54 образцов
дерново-подзолистой почвы (Калужская обл.) и кривая
значений коэффициента корреляции оптической плотности с
содержанием гумуса (R).
426
са в почве, тем меньше в данной области спектра она поглощает
инфракрасное излучение. Как и в случае черноземов, кривая зависи-
мости коэффициента корреляции от длины волны имеет минимумы
там, где в спектрах наблюдаются максимумы. Здесь следует отметить
и принципиальное отличие, состоящее в том, что эти минимумы ле-
жат в отрицательной области значений коэффициента корреляции.
Это значит, что в данном случае в области максимумов в спектрах
связь оптической плотности не ослабевает, как в случае черноземов,
а усиливается, имея, однако, не прямой, а обратный характер.
В другой серии дерново-подзолистых суглинистых почв, взятых в
Московской области (рис. 7.11.2.3.) кривая коэффициента корреля-
ции лежит в области положительных значений и не имеет столь
четко выраженных экстремумов, как в случаях, рассмотренных выше.
Коэффициент корреляции рассматриваемых величин здесь во всем
диапазоне длин волн положителен.
0,52 J R I L 1,0
1800 1900 2500
Длина волны, нм
Рис. 7.11.2.3. Спектры диффузного отражения 83 образцов
дерново-подзолистой почвы Московской области и кривая
значений коэффициента корреляции с содержанием
гумуса (R).
Такую же картину дает серия из 166 дерново-подзолистых легких
по механическому составу почв Брянской области. Как и в почвах
Московской облаСш, здесь оптическая плотность проявляет прямую
427
связь с содержанием гумуса во всем диапазоне длин волн, как это
можно видеть из рис. 7.11.2.4.
0,44 [-1 । R~k 1,0
1800 1900 2500
Длина волны, нм
Рис.7.И.2.4. Спектры диффузного отражения 116 образцов
дерново-подзолистых почв Ивановской области и кривая
значений коэффициента корреляции оптической плотности с
содержанием гумуса (R).
Таким образом, в спектрах диффузного отражения почв четких
полос поглощения, специфичных для гумуса, не обнаруживается.
Связь оптической плотности с содержанием гумуса относительно сла-
бая, причем корреляция может быть как прямой, так и обратной.
Значения коэффициента корреляции относительно плавно изменяют-
ся по длинам волн. Исходя из общих положений, можно предпо-
ложить, что связь оптической плотности с содержанием гумуса мас-
кирует различие почв внутри рассматриваемых выборок по грануло-
метрическому составу, что вызывает различия в интенсивности рас-
сеяния излучения спектрофотометрируемым материалом. Известно,
что более крупнозернистый материал слабее рассеивает как видимый
свет, так и инфракрасное излучение [232]. В свою очередь это обус-
ловливает корреляцию оптической плотности при различных длинах
волн в изучаемых почвах. Из представленных на рис. 7.11.2.1 —
7.11.2.4 графиков видно, что спектры почв различаются главным об-
разом уровнем фонового noi лощения. При этом имеется явная корре-
428
ляция внутри спектральных данных. Если значение величины опти-
ческой плотности в данной пробе при данной длине волны больше,
чем в другой пробе, то это соотношение сохраняется и при других
длинах волн. Такая корреляция внутри спектральных данных смазы-
вает картину, маскируя функциональные связи оптической плотнос-
ти с содержанием гумуса.
Для устранения влияния различий в гранулометрическом составе
проб на спектры отражения и вызываемой ими корреляции внутри
спектральных данных в инфракрасной спектроскопии используют раз-
личные методы, рассмотренные в разделе 4.
Как видно из рис. 7.11.2.5, нормирование спектров и устранение
тренда по [208] в значительной степени снижают различия почв по
общему уровню поглощения и делают более четко выраженными
максимумы поглощения. После таких преобразований более четко
проявляется связь поглощения инфракрасного излучения с содер-
жанием гумуса в почвах. Если в исходных спектрах максимум ко-
эффициента корреляции оптической плотности с содержанием гу-
муса не превышал 0,65, то после нормирования его значение стало
достигать 0,78. Видно также, что максимумы коэффициента корре-
ляции не связаны с какими-либо заметными максимумами погло-
щения.
Значительное усиление связи спектральных данных с содержани-
ем гумуса дают также и производные спектров. На рис. 7.11.2.6
показаны первые производные спектров 74 рассматриваемых об-
разцов черноземов Молдовы. Производные получены как разности
оптической плотности через 8 нм (4 точки спектра) при сглажива-
нии спектров методом скользящего среднего при усреднении 4 пос-
ледовательных точек спектра. В производных первого порядка ис-
ключается только постоянная составляющая фона и полное разре-
шение полос не достигается. Экстремумы производной первого
порядка соответствуют точкам перегиба в исходном спектре, и их
амплитуда характеризует крутизну экстремумов исходных спект-
ров. При отсутствии изменяющегося по длинам волн фона экстре-
мумы исходных спектров обращаются в нуль первой производной
и их положение должно соответствовать точкам пересечения про-
изводной нулевой линии. Поскольку в первых производных спект-
ров часть фонового поглощения сохраняется и кривая на значи-
тельных участках не достигает нуля, определение положения мак-
симумов исходных спектров затруднено. В то же время можно
видеть, что в сравнении с исходными спектрами значения коэффи-
циентов корреляции с содержанием гумуса существенно возросли.
Видно также, что положения экстремумов кривой коэффициента
корреляции соответствуют экстремумам первой производной, но
противоположны по знаку. Максимумы коэффициента корреляции
429
3,25 J I L 1,0
1800 1900 2500
Длина волны, нм
Длина волны, нм
Рис. 7.11.2.5. Спектры диффузного отражения 74 образцов
чернозема после нормирования и удаления тренда (верхний
график) и после мультипликативной коррекции (нижний
график) с кривыми значений их коэффициентов корреляции
с содержанием гумуса.
430
0,0400 ।г1 -1,0
1300 1900 2500
Длина волны, нм
Рис. 7.11.2.6. Первые производные спектров 74 образцов
черноземов Молдовы и кривая значений коэффициента
корреляции производных с содержанием гумуса (R).
соответствуют минимумам производной и наоборот. Это можно
понимать так, что поглощение, обусловленное присутствием гумуса в
почвах, накладываясь на полосы поглощения воды и минералов, сгла-
живает максимумы поглощения в спектрах, и чем его содержание
выше, тем меньше крутизна экстремумов в спектрах.
В производных второго порядка (рис. 7.11.2.7) исключаются как
постоянная, так и линейно изменяющаяся по длинам волн состав-
ляющие фонового поглощения. В результате фоновое поглощение
практически полностью исключено и различия в исходных спект-
рах, обусловленные различным уровнем фона, резко уменьшились.
Максимумы поглощения в исходных спектрах, обусловленные ко-
лебаниями связей О—Н около 1400 и 1900 нм, а также максимум
около 2200 нм во второй производной проявляются как четкие
минимумы. Более четко в виде минимумов проявляются во второй
производной и слабо выраженные максимумы в длинноволновой
части исходных спектров.
Из рис. 7.11.2.7 видно, что экстремумы кривой коэффициента кор-
реляции с содержанием гумуса наблюдаются, как правило, при тех
же длинах волн, что и экстремумы производной второго порядка, но
во всех случаях значения коэффициента корреляции и производных
противоположны по знаку. Это говорит об обратной связи рассмат-
431
Рис. 7.11.2.7. Вторые производные спектров 74 образцов
черноземов Молдовы и кривая значений коэффициента
корреляции производных с содержанием гумуса (R).
Л — диапазон 1100 — 1300 нм, В — диапазон 1300 — 2500 нм.
432
риваемых величин, как и в случае первой производной. Специфичес-
ких полос поглощения органическое вещество в спектрах черноземов
Молдовы не проявляет.
Полосы поглощения гумуса обнаруживаются в спектрах второй и
четвертой производных легких по механическому составу почв Брян-
ской области, в которых большую часть почвенной массы составляет
практически прозрачный в ближней инфракрасной области кварц.
Как видно из рис. 7.11.2.8, с присутствием гумуса могут быть связа-
ны минимумы второй производной, с которой совпадают значитель-
ные по абсолютной величине минимумы кривой коэффициента корре-
ляции. Это наблюдается при длинах волн около 1360; 1500; 1730;
1760; 2060; 2310 и 2350 нм, которые можно отнести на счет колеба-
ний связей атомов водорода с атомами углерода, азота и кислорода
различных групп атомов в органических соединениях [545, 607]. Бо-
лее четко полосы поглощения гумуса можно видеть и в спектрах
четвертой производной, показанных на рис. 7.11.2.9 при тех же дли-
нах волн, только в виде максимумов, совпадающих с максимумами
кривой коэффициента корреляции. Однако использование ИК-метода
для изучения природы гумусовых веществ непосредственно по спект-
рам диффузного отражения почв не представляется перспективным
ввиду перекрытия полос поглощения и сложности спектральной кар-
тины, в которой слабое поглощение гумуса теряется. Недостаточно
надежны и данные, получаемые с помощью производных, ввиду появ-
ления в них сателитов, которые можно принять за полосы поглоще-
ния. Сателиты более интенсивных полос могут накладываться на бо-
лее слабые полосы поглощения и их маскировать. Здесь возможны
самые различные комбинации. Для изучения данного вопроса целесо-
образно работать с отделенными от минеральной части препаратами
гумусовых веществ.
Различия в спектрах диффузного отражения почв в ближней ин-
фракрасной области крайне невелики. Среднеквадратическое от-
клонение в спектрах почв от среднего арифметического спектра не
превышает 0,05 единицы оптической плотности. Столь малое варь-
ирование спектральных данных дают все различия почв по хими-
ческому, минералогическому и гранулометрическому составам. При
этом основная часть дисперсии данных обусловлена различием гра-
нулометрического состава проб, определяющим их светорассеива-
ющую способность. В спектрах производных, в которых варьиро-
вание рассеяния излучения снижается, различия между пробами
становятся еще меньше. Из этого ясно, насколько высокая точ-
ность измерения спектральных данных требуется при количествен-
ном анализе с помощью спектроскопии диффузного отражения в
ближней инфракрасной области.
433
Длина волны,нм
Длина волны, нм
Рис. 7.11.2.8. Вторые производные спектров 166 песчаных
дерново-подзолистых почв Брянской области и кривая
значений коэффициента корреляции производных с
содержанием гумуса (R).
А — диапазон 1100 — 1300 нм, В — диапазон 1300 — 2500 нм.
434
1,0
о
&
0,008 J
w
1300 1400 1500 1600 1700 1800
Длина волны, нм
0,012 J I I I I I L 1,0
1800 2000 2200 2400
Длина волны, нм
Рис. 7.11.2.9. Четвертые производные спектров 166
песчаных дерново-подзолистых почв Брянской области и
кривая значений коэффициента корреляции производных с
содержанием гумуса (R).
А — диапазон 1100 — 1300 нм, В — диапазон 1300 — 2500 нм.
435
7.11.3. Связь спектральных данных с содержанием
различных форм азота
Связь спектральных данных с содержанием различных форм азота
можно рассмотреть на примере выборки из 47 образцов сероземов
Алма-Атинской области. Спектральные параметры почв обнаружива-
ют статистически достоверную связь с содержанием гумуса, общего и
щелочногидролизуецого азота. Из рис. 7.11.3.1 видно, что кривые
значений коэффициентов корреляции содержания гумуса, общего и
щелочногидролизуемого азота со спектральными данными обнаружи-
вают значительное подобие. Коэффициенты корреляции имеют на-
ибольшие по абсолютной величине значения в начале спектра, но и
здесь они не столь велики и не превышают значения 0,5. При данной
численности образцов в изучаемой выборке о наличии статистически
достоверной связи с вероятностью 0,95 можно говорить при значени-
ях коэффициента корреляции более 0,29. Исходя из этого, можно
сказать, что в широкой области спектра оптическая плотность связа-
на с рассматриваемыми агрохимическими показателями. Кривые ко-
эффициентов корреляции содержания гумуса, общего и щелочногид-
ролизуемого азота здесь практически совпадают, повторяя друг дру-
га, что связано с корреляцией значений этих агрохимических показа-
телей. С увеличением длины волны коэффициенты корреляции умень-
шаются и при длинах волн более 1600 нм приобретают отрицательные
значения, имея абсолютный минимумом около 2300 нм, где г = —0,4.
Данное значение коэффициента корреляции при числе степеней свобо-
ды 46 позволяет с доверительной вероятностью 0,99 утверждать, что
наблюдаемая связь достоверна.
Корреляция оптической плотности с содержанием минерального азота
имеет обратный характер во всем диапазоне длин волн (рис. 7.11.3.1).
Кривая значений коэффициента корреляции минерального азота прак-
тически зеркально симметрична кривым корреляции оптической плот-
ности с содержанием гумуса, общего и щелочногидролизуемого азо-
та. Наиболее тесная связь оптической плотности с содержанием ми-
нерального азота наблюдается в начале спектра, где коэффициент
корреляции г - —0,4, что говорит о статистической достоверности
рассматриваемой связи.
Более четкую картину дает вторая производная спектров. Связь
значений второй производной с содержанием гумуса, общего и ще-
лочногидролизуемого азота по Корнфилду более тесная, чем с оп-
тической плотностью, как это можно видеть из сравнения графи-
ков, представленных на рис. 7.11.3.2. Здесь коэффициенты корре-
ляции достигают абсолютных значений 0,8. Кривые коэффициен-
тов корреляции рассматриваемых величин практически совпадают.
436
Рис. 7.11.3.1. Кривые значений коэффициентов корреляции
оптической плотности с содержанием гумуса (1), общего (2),
щелочногидролизуемого (3) и минерального азота (4) в
сероземных почвах.
1,0 I | I
1100 1800 2500
Длина волны, нм
Рис. 7.11.3.2. Кривые значений коэффициентов корреляции
вторых производных с содержанием гумуса, общего и
щелочногидролизуемого азота по Корнфилду в сероземных
почвах (кривые практически совпадают).
437
Экстремумы кривых лежат при одних и тех же длинах волн. Это
можно объяснить тем, что основная часть азота находится в поч-
вах в виде органических соединений гумуса и подвижный азот,
определяемый методом Корнфилда, представляет в основном часть
азота органических соединений, образующих аммиак при щелоч-
ном гидролизе.
С содержанием минерального азота (рис. 7.11.3.3) связь второй
производной более тесная, чем в случае оптической плотности. Ко-
эффициент корреляции достигает здесь значений 0,65. Это говорит о
высокой статистической достоверности рассматриваемой связи, одна-
ко происхождение ее труднообъяснимо.
Рис. 7.11.3.3. Кривая значений коэффициента корреляции
вторых производных спектров с содержанием
минерального азота в сероземных почвах.
7.11.4. Связь спектральных данных
с физико-химическими свойствами, содержанием
подвижных форм фосфора и калия
Результаты исследований, проведенных на 78 образцах дерново-
подзолистых почв Московской области, показывают, что имеется ста-
тистически достоверная связь между оптической плотностью и значе-
438
Таблица 7.11.4.1.
Максимальные по абсолютной величине коэффициенты
корреляции спектральных данных почв с агрохимическими
показателями
Агрохими- ческий показатель Чис- ло проб Диа- пазон изме- рений Едини- цы из- мере- ний Коэффициент корреляции
Опти- ческая плотность Норми- рован- ный спектр 2-я произ- водная
Дерново-подзолистые почвы. Московская область
pH 1н. КС1 Гидролитичес- 78 3,70-6,80 ед.рН 0,47 0,65 0,64
кая кислотность 78 0,67-6,11 мэкв 100г / -0,35 -0,64 -0,63
Обменный Са 78 2,82-19,6 мэкв 100г / 0,79 0,84 0,87
Обменный Mg Сумма поглощен- 78 0,50-3,90 мэкв 100г 0,18 0,62 -0,75
ных оснований 783 3,35-25,0 мэкв 100г / 0,72 0,83 0,86
Р2О5по Кирсанову 282 2-1500 мг/кг 0,30 -0,43 0,39
К2О по Кирсанову 282 23-450 мг/кг 0,14 -0,36 -0,40
Чернозем. Кистанайская область Казахстана
Р2О5 по Чирикову 181 11-236 мг/кг 0,50 -0,60 -0,64
К2О по Чирикову 181 116-460 мг/кг 0,39 0,71 -0,70
ниями pH солевой вытяжки, содержанием обменного кальция и об-
менного магния, суммой поглощенных оснований, гидролитической
кислотностью (рис. 7.11.4.1). Значения коэффициентов корреляции
относительно слабо изменяются по спектру, проявляя небольшие воз-
мущения около 1400, 1900 и 2200 нм, как это наблюдается и при
рассмотрении кривой коэффициента корреляции гумуса. Корреляция
с содержанием обменного магния наименее тесная и по всему спектру
статистически недостоверна, как это следует из данных, приведенных
в таблице 7.11.4.1.
Связь спектральных данных дерново-подзолистых почв Московс-
кой области с содержанием подвижных фосфора и калия, определяе-
мых по методу Кирсанова, изучалась на выборке из 282 образцов.
439
Значения оптической плотности с содержанием подвижных фосфора и
калия связаны очень слабо, как это можно видеть из соответствующих
графиков, представленных на рис. 7.11.4.2, а также из таблицы 7.11.4.1.
При этом связь оптической плотности с содержанием подвижного калия
по Кирсанову статистически недостоверна во всем диапазоне длин волн.
Длина волны, нм
Рис. 7.11.4.1. Спектр диффузного отражения дерново-
подзолистой почвы и кривые значений коэффициентов
корреляции оптической плотности почв Московской области
с содержанием гумуса (1), pH (2), содержанием обменных
Са (3), Mg (4), суммой поглощенных оснований по Каппену
(5) и гидролитической кислотностью (6).
С содержанием подвижных форм фосфора и калия, определяемых
по методу Чирикова, связь спектральных данных изучалась на выбор-
ке из 181 образца черноземных почв Кустанайской области. Из рис.
7.11.4.3 и таблицы 7.11.4.1 видно, что рассматриваемые корреляции
слабые, хотя статистически они и достоверны при доверительной
вероятности более 0,99.
Более четко связь спектральных данных с агрохимическими показа-
телями проявляется после нормирования спектров и получения вто-
рой производной, как это можно видеть из рис. 7.11.4.4 — 7.11.4.7,
а также из результатов статистической обработки данных, приведен-
ных в таблице 7.11.4.1. При нормировании спектров и получении
440
Длина волны, нм
Рис. 7.11.4.2. Кривые значений коэффициентов корреляции
оптической плотности с содержанием подвижных фосфора
(1) и калия (2) по методу Кирсанова в почвах
Московской области.
1300 1900 2500
Длина волны, нм
Рис. 7.11.4.3. Спектры диффузного отражения 181 образца
чернозема Кустанайской области и кривые значений
коэффициентов корреляции оптической плотности с
содержанием подвижных фосфора (Р) и калия (К) по
методу Чирикова.
441
Рис. 7.11.4.4. Спектр дерново-подзолистой почвы после
удаления тренда и нормирования (С) и кривая значений
коэффициента корреляции с величиной pH (R).
Рис. 7.11.4.5. Вторая производная спектра дерново-
подзолистой почвы (С) и кривая значений коэффициента
корреляции производной с pH (R).
442
Рис. 7.11.4.6. Спектр дерново-подзолистой почвы после
удаления тренда и нормирования (С) и кривая значений
коэффициента корреляции с содержанием обменного
кальция (R).
0,009 Г* ' L] 1 0
-0,011 1-|I[-1 -1,0
1300 1900 2500
Длина волны, нм
Рис. 7.11.4.7. Вторая производная спектра дерново-
подзолистой почвы (С) и кривая значений коэффициента
корреляции производной с содержанием обменного
кальция (R).
443
производных значения коэффициентов корреляции достигают значе-
ний, указывающих на наличие достоверных при доверительной веро-
ятности более 0,99 связей между всеми рассматриваемыми показате-
лями и спектральными данными. Причем при различных способах
математических преобразований спектров наиболее тесные связи мо-
гут быть и прямыми, и обратными даже для одного и того же агрохи-
мического показателя.
Природа наблюдаемых связей спектральных данных со значениями
агрохимических показателей представляется недостаточно ясной. Ис-
ходя из общих соображений, можно предположить следующее.
Поглощение электромагнитного излучения в ближней инфракрас-
ной области в основном связано с колебаниями связей атома водо-
рода в составе молекул воды, минеральных и органических компо-
нентов почвы. Чем менее насыщена основаниями и кислее почва,
тем больше она содержит атомов водорода, связанных с атомами
кислорода карбоксильных групп органического вещества, кислоро-
да кислородных мостиков по местам их разрыва на сколах крис-
таллов минералов и т.п. При насыщении почвы основаниями коли-
чество такого рода атомов водорода уменьшается. Образующиеся
при этом отрицательные электрические заряды компенсируются
положительно заряженными гидратированными катионами кальция
и магния. Известно, что содержание гигроскопической воды в поч-
вах зависит от вида катиона, которым насыщена почва. В конеч-
ном счете различное содержание и состав обменных катионов влияют
на содержание способных к диссоциации атомов водорода и состо-
яние гигроскопической воды в почвенных образцах, что и прояв-
ляется в спектрах. В определенной степени состав обменных кати-
онов зависит и от минералогического состава почв, который опре-
деляет характер спектров, что также вызывает корреляцию рас-
сматриваемых величин.
Какова бы ни была природа обсуждаемых явлений, спектры диф-
фузного отражения в ближней инфракрасной области содержат до-
статочно много информации о состоянии почв, которая может быть
использована в аналитических целях.
7.11.5. Сравнение различных методов
математических преобразований спектров
и получения градуировочных уравнений
Влияние различных предварительных математических преобразова-
ний спектров и различных методов получения регрессионных уравне-
ний на тесноту связи спектральных данных с ai рохимическими пока-
444
зателями почв изучали на примере определения гумуса в сероземных
почвах из Кыргызстана. Выборка включала 69 образцов и характери-
зовалась следующими показателями:
Среднее содержание гумуса в почвах 1,66%
Минимальное содержание гумуса 0,60%
Максимальное содержание гумуса 3,05%
Среднеквадратическое отклонение от среднего 0,74%.
При использовании исходных значений оптической плотности по-
лучено следующее градуировочное уравнение:
Значение /•"-критерий Длина волны, Доверительная
коэффициента нм вероятность, Р
В(0) = 1,38
В(1) = —291,26 63,44 2208 более 0,999
В(2) = 553,58 34,98 2260 то же
В(3) = —1694,32 83,28 2320 то же
В(4) = 2428,05 34,14 2304 то же
В(5) = 589,77 53,66 2336 то же
В(6) = —1580,18 10,53 2300 то же
Коэффициент множественной детерминации R2 - 0,96
Среднеквадратическое отклонение от регрессии S = 0,14.
При использовании нормированных значений оптической плотнос-
ти получено градуировочное уравнение следующего вида:
Значение /•"-критерий Длина волны, Доверительная
коэффициента регрессии нм вероятность, Р
В(0) - 3,03 В(1) = —15,41 1117,25 2228 более 0,999
В(2) = 17,01 895,20 2248 то же
В(3) = —4,67 69,02 2320 то же
В(4) = —2,01 18,61 2012 то же
Коэффициент множественной детерминации R1 = 0,95
Среднеквадратическое отклонение от регрессии S = 0,15.
Использование первой производной при шаге в 10 нм и сглажива-
нии спектра по 5 точкам (10 нм) дали следующее градуировочное
уравнение:
445
Значение F-критерий Длина волны, Доверительная
коэффициента регрессии нм вероятность, Р
В(0) = 2,7 В(1) = 746,75 66,24 2264 более 0,999
В(2) = 3312,43 54,73 1760 то же
В(3) = —949,03 30,28 2244 то же
В(4) = —548,63 22,76 2132 то же
В(5) = —1025,40 342,90 1420 то же
Коэффициент множественной детерминации R2 = 0,95
Среднеквадратическое отклонение от регрессии S = 0,15.
При использовании второй производной с размером сегмента 10 нм
и сглаживании по 5 точкам спектра получено следующее уравнение:
Значение коэффициента регрессии F-критерий Длина волны, нм Доверительная вероятность, Р
В(0) = 1,52 В(1) = —1581,75 24,61 1542 более 0,999
В(2) = 2893,50 136,44 2286 то же
В(3) = 2265,85 38,32 2156 то же
В(4) = —3077,36 145,00 1426 то же
В(6) = 704,50 21,60 2312 то же
В(7) = 2833,76 14,12 1332 то же
Коэффициент множественной детерминации R2 = 0,96
Среднеквадратическое отклонение от регрессии S = 0,15.
С увеличением шага при получении производных до 20 нм и сгла-
живании по 10 точкам (20 нм) градуировочное уравнение для второй
производной стало иметь следующий вид:
Значение F-критерий Длина волны, Доверительная
коэффициента регрессии нм вероятность, Р
В(0) = 3,25 В(1) = —910,96 81,05 2252 более 0,999
В(2) = —1007,97 183,23 2292 то же
В(3) = 1042,25 53,72 2000 то же
В(4) = —1195,45 43,77 1840 то же
Коэффициент множественной детерминации R2 = 0,96
Среднеквадратическое отклонение от регрессии = 0,15.
446
Увеличение шага до 40 нм и интервала для сглаживания до 20 точек
(40 нм) дало следующее уравнение:
Значение Д-критерий Длина волны, Доверительная
коэффициента регрессии нм вероятность,Р
В(0) = 2,89 В(1) = 232,07 80,15 1888 более 0,999
В(2) = 290,76 126,10 2188 то же
В(3) = 995,02 74,35 2004 то же
В(4) = 257,95 51,70 1940 то же
Коэффициент множественной детерминации R2 = 0,95
Среднеквадратическое отклонение от регрессии S = 0,16.
Из приведенных данных видно, что при различных преобразовани-
ях спектральных данных в градуировочных уравнениях, получаемых
методом пошагового множественного регрессионного анализа, исполь-
зуются переменные при различных длинах волн. При этом даже при
одном и том же преобразовании, например в случае использования
второй производной, изменение размера шага при получении произ-
водных не только изменяет значения длин волн, но и знаки коэффи-
циентов при переменных. Так, при размере сегмента 40 нм при взя-
тии второй производной все 4 коэффициента уравнения положитель-
ны, тогда как при том же порядке производной, но при меньшем
размере шага, равном 20 нм, из четырех коэффициентов градуировоч-
ного уравнения три имеют отрицательные значения. Для получения
уравнений использованы и различные длины волн.
В регрессии на главных компонентах или в методе дробных на-
именьших квадратов для получения градуировочных уравнений могут
использоваться все длины волн. При работе на модели 4500 возмож-
но использование 550 точек спектра. В этих условиях было получе-
но несколько градуировочных уравнений при различных предвари-
тельных математических преобразованиях спектров.
Примеры уравнений, полученных регрессией на главных компо-
нентах и методом дробных наименьших квадратов, показаны гра-
фически на рис. 7.11.5.1, на котором по оси абсцисс отложены
длины волн, а по оси ординат — значения коэффициентов при
независимых переменных в соответствующих уравнениях. В качес-
тве независимых переменных взяты вторые производные, получае-
мые при размере шага в 10 нм и сглаживании по 5 точкам спектра
(10 нм). Как видно из графиков, при одних и тех же предваритель-
447
ных преобразованиях спектров коэффициенты градуировочных урав-
нений не обнаруживают подобия и при одних и тех же длинах волн
могут иметь противоположные знаки. Это показывает, что получа-
емые рассматриваемыми методами уравнения лишены реального фи-
зического смысла и являются не более, чем результатами чисто
эмпирической подгонки уравнений под фактические данные метода-
ми математической статистики.
Сравнивая результаты, полученные изучаемыми методами регресси-
онного анализа, можно сказать, что наиболее точное приближение
дают метод дробных наименьших квадратов и пошаговый метод мно-
жественной линейной регрессии. Регрессия на главных компонентах
явно уступает этим методам. Это отчетливо можно видеть из данных,
приведенных на рис. 7.11.5.2, на котором дано сравнение результатов
химического определения гумуса и определения его методом инфра-
красной спектроскопии при использовании градуировочного уравне-
ния, полученного методом дробных наименьших квадратов и регрес-
сией на главных компонентах. Видно, что регрессия на главных ком-
понентах дает больший разброс данных при одних и тех же условиях
предварительных преобразований спектров, которые в обоих случаях
состояли в получении второй производной при шаге 10 нм при полу-
чении конечных разностей и предварительном сглаживании методом
скользящего среднего по 5 точкам спектра (10 нм). Одновременно
отмечается явное разделение образцов по содержанию гумуса на две
группы, заметно отстоящие друг от друга, что не соответствует ре-
зультатам химического анализа.
Для уточнения вопроса о том, какие способы математических пре-
образований спектральных данных, а также методы получения рег-
рессионных уравнений при проведении градуировок приборов целесо-
образны при анализе почв, были проведены также специальные ис-
следования при определении гумуса в различных выборках дерново-
подзолистых почв. Данные, представленные в таблицах 7.11.1 и
7.11.5.2, показывают, что в целом использование первичных резуль-
татов измерения оптической плотности, нормирование спектров, по-
лучение первой и второй производных, использование для градуиров-
ки методов множественной линейной регрессии, дробных наименьших
квадратов, регрессии на главных компонентах особых различий в
точности получаемых результатов не обнаруживает. Заметные разли-
чия в точности градуировочных уравнений получены на почвах Ива-
новской области. При рассмотрении данной выборки можно сказать,
что наименьшую точность дает регрессия на главных компонентах, а
также варианты с использованием первичных результатов измерения
оптической плотности. Множественная линейная регрессия сиспользо-
448
350 J
100
60
20
B.-20
-60
1300
2500
1900
Длина волны,нм
Рис. 7.11.5.1. Кривые значений коэффициентов
градуировочных уравнений, полученных методом дробных
наименьших квадратов (А) и с помощью регрессии на
главных компонентах (В), для определения содержания
гумуса в сероземах Кыргызстана.
449
Содержание гумуса, % (ИК-метод)
Рис. 7.11.5.2. Сравнение химического и инфракрасного
методов определения содержания гумуса в сероземах
Кыргызстана с использованием для градуировки метода
дробных наименьших квадратов (А) и регрессии на главных
компонентах (В).
450
Таблица 7.11.5.1.
Сравнение результатов определения содержания гумуса в
сероземных почвах Кыргызстана при различных методах и
условиях получения градуировочных уравнений.
Метод получения градуировочного уравнения Условия предвари- тельной обработки спектра Среднеквад- ратическое отклонение от стандарт- ного метода Коэффициент детерминации, R2
Метод множественной 0,0,1 0,143 0,963
линейной регрессии 0,1,н 0,155 0,956
1,5,5 0,152 0,957
1,10,10 0.122 0,973
1,20,20 0,157 0,954
2,5,5 0,108 0,978
2,10,10 0,148 0,960
2,20,20 0,158 0,955
Регрессия на главных 2,5,5 0,177 0,942
компонентах 2,20,20 0,189 0,934
Метод дробных 0,0,1 0,141 0,963
наименьших квадратов 0,1,Н 0,151 0,958
1,5,5 0,111 0,977
1,10,10 1,126 0,971
1,20,20 0,139 0,964
Обозначения:
2.5.5. Н — первая цифра указывает на порядок производной (0 —
исходный спектр), вторая — число последовательных точек спектра,
составляющих интервал при расчете разности при вычислении произ-
водной, третья — ширина движущегося окна при сглаживании спек-
тральных данных, Н обозначает нормирование спектра.
451
Таблица 7.11.5.2.
Сравнение различных методов обработки спектральных
данных при определении содержания гумуса в дерново-
подзолистых почвах
Почвы Метод анализа Метод градуиров- ки анали- затора Характеристика исследуемой выборки Результаты сравнения данных
X 3, N з2 Г
Суглинистые Ивановской области Суглинистые Калужской области Пески и супеси Брянской области Стандартн. ИК МЛР; ИК МЛР; ИК МЛР; ИК ДНК; ИКДНК; ИК ДНК; ИК ДНК; ИК РГК; ИК РГК; Стандартн. ИК МЛР; ИКДНК; ИК ДНК; ИК РГК; ИК РГК; Стандартн. ИК МЛР; ИК ДНК; ИК ДНК; 2,05 0,0,1 0,0,1.Н 2,5,5 0,0,1 0,0,1,Н 1,5,5 2,5,5 0,0,1 0,0,1,Н 2,00 2,5,5 1,5,5 2,5,5 1,5,5 2,5,5 1,42 2,5,5 1,5,5 2,5,5 0,74 116 2,05 0,70 116 0,23 0,949 2,05 0,71 116 0,22 0,954 2,05 0,71 116 0,20 0,960 2,05 0,72 116 0,19 0,964 2,05 0,72 116 0,20 0,959 2,05 0,71 116 0,21 0,960 2,05 0,71 116 0,22 0,954 2,05 0,69 116 0,27 0,927 2,05 0,69 116 0,27 0,928 0,27 57 2,00 0,21 57 0,11 0,900 2,00 0,22 57 0,11 0,894 2,00 0,22 57 0,10 0,911 2,00 0,22 57 0,11 0,895 2,00 0,22 57 0,10 0,895 0,48 166 166 1,42 0,44 166 0,19 0,917 1,42 0,44 166 0,19 0,948 1,42 0,44 166 0,19 0,917
Обозначения:
МЛР — пошаговый метод множественной линейной регрессии;
ДНК — метод дробных наименьших квадратов;
РГК — регрессия на главных компонентах;
2,5,5Н — первая цифра указывает порядок производной, вторая —
число последовательных точек спектра, составляющих интервал при
расчете разности при вычислении производной, третья — ширина
движущегося окна при сглаживании спектра, Н — нормирование;
X — среднеарифметическое содержание гумуса выборки, %;
S, — среднеквадратическое отклонение от среднего в выборке;
N — число образцов в выборке;
S2 — среднеквадратическое отклонение от регрессии при сравнении
результатов стандартного и инфракрасного методов;
г — коэффициент корреляции результатов анализов, выполненных
сравниваемыми методами.
452
ванием производных и метод дробных наименьших квадратов практичес-
ки равноценны.
В другой серии опытов решали вопрос о возможности использова-
ния единой градуировки при определении гумуса методом инфракрас-
ной спектроскопии в почвах различных регионов. Для этого была
составлена выборка из 100 образцов дерново-подзолистых почв Ка-
лужской, Брянской и Ивановской областей, черноземных почв Мол-
довы. В выборку были включены по 25 образцов каждого региона.
Отбор проб был проведен с помощью компьютера рандомизиро-
ванно, используя генератор случайных чисел.
По полученному уравнению была проанализирована объединен-
ная выборка, в которую были включены все 413 образцов изучаемых
почв, а также все выборки отдельно. Кроме того, каждая выборка
была проанализирована по своему градуировочному уравнению инди-
видуально. Для получения градуировочного уравнения использовали
вторые производные спектров и метод множественной линейной рег-
рессии. Результаты представлены в таблице 7.11.5.3.
Из полученных данных видно, что общее градуировочное уравне-
ние существенно уступает по точности получаемых результатов ин-
дивидуальным. Это можно объяснить влиянием различий в минерало-
гическом составе почв разных регионов, а также разнокачествен-
ностью органических веществ, составляющих почвенный гумус. В це-
лом полученные данные подтверждают необходимость дифференциро-
ванного подхода к анализам почв с использованием метода инфра-
красной спектроскопии, применения индивидуальных градуировок для
каждого типа почв и разновидности по механическому составу, как
отмечено в литературе [154].
Для обеспечения высокой точности получения результатов анализа
почв методом инфракрасной спектроскопии в дальнейшем необходи-
мы разработка системы классификации почв по спектральным дан-
ным, создание соответствующей базы данных, а также программы для
автоматической идентификации анализируемых образцов и выбора
соответствующего уравнения для расчета значения определяемого по-
казателя.
7.11.6 . Количественное определение агрохимических
показателей почв методом ближней инфракрасной
спектроскопии
Как это следует из данных, рассмотренных выше, между спек-
тральными параметрами почв и их агрохимическими показателями
имеются статистические достоверные связи. Однако парные коэф-
453
Таблица 7.11.5.3.
Сравнение различных градуировочных уравнений при
определении содержания гумуса в почвах
Почвы Метод анализа Метод градуи- ровки Характеристика выборки Результаты сравнения методов
X 5. N г
Все почвы
Дерново-под- Стандарта 2,01 0,98 413
золистые и ИК Общая 2,02 0,92 413 0,38 0,938
черноземы
Дерново-подзолистые
Суглинистые Стандартн. 2,05 0,74 116
Ивановской ИК Общая 2,10 0,57 116 0,46 0,787
области ИК Индивиду-
альная 2,05 0,71 116 0,20 0,959
Суглинистые Стандартн. 2,00 0,27 57
Калужской ИК Общая 1,76 0,20 57 0,33 0,500
области ИК Индивиду-
альная 2,00 0,21 57 0,11 0,901
Пески и
супеси Стандартн. 1,42 0,48 166
Брянской ИК Общая 1,64 0,49 166 0,37 0,806
области ИК Индивиду-
альная 1,42 0,44 166 0,19 0,917
Чеонозе МЫ
Суглинистые Стандартн. 3,29 1,23 74
Молдовы ИК Общая 3,28 1,23 74 0,36 0,959
ИК Индивиду-
альная 3,29 1,12 74 0,23 0,985
Примечание: обозначения те же, что и в таблице 7.11.5.2.
454
фициенты корреляции спектральных данных с показателями почв
обычно не превышают значений 0,5 — 0,7. Такая теснота изучае-
мых связей явно недостаточна для проведения количественных
определений. Можно было ожидать, что использование многофак-
торных связей, как это обычно применяется в инфракрасной спек-
троскопии ближней области, значительно улучшит положение.
Применяя пошаговый метод множественной линейной регрессии,
нами был получен ряд градуировочных уравнений с использовани-
ем второй производной спектров диффузного отражения почв. Ре-
зультаты реализации этих уравнений представлены в таблицах
7.11.6.1 и 7.11.6.2, а также на рис. 7.11.6.1. Из приведенных
данных видно, что погрешность определения содержания гумуса
относительно результатов стандартного химического метода харак-
теризуется среднеквадратическим отклонением 0,19% (абс.), что
составляет 6,8% (отн.) от среднего арифметического для анализи-
руемой выборки, равного 2,80%. Государственный стандарт на
методику определения гумуса [38] допускает в данном случае от-
клонение до 20%, то есть точность инфракрасного метода вполне
удовлетворяет требованиям стандарта.
Таблица 7.11.6.1.
Сравнение результатов определения различных форм азота
в почвах химическими и инфракрасным методами.
Показатель Метод анализа Характеристика почвенной выборки Результаты сравнения данных
Сред- нее S, N 5, Г
Гумус, % Стандартный 2,80 1,73 47
ИК-метод 2,80 1,71 47 0,19 0,995
Общий азот, % Стандартный 0,18 0,10 47
ИК-метод 0,18 0,10 47 0,03 0,964
Подвижный азот
по Корнфилду, Стандартный 90,1 47,5 47
мг/кг ИК-метод 90,1 45,6 47 10,4 0,975
Минеральный Стандартный 27,0 17,7 47
азот, мг/кг ИК-метод 27,0 10,5 47 12,8 0,693
Примечание: обозначения те же, что и в таблице 7.11.5.2.
Точность определения содержания общего азота инфракрасным
методом относительно ниже. В соответствии с требованиями госу-
455
Таблица 7.11.6.2.
Сравнение результатов определения агрохимических
показателей почв химическими и инфракрасным методом
Показатель Метод анализа Характеристика почвенной выборки Результаты сравнения
Сред- нее 5, N 5. Г
Дерново-подзолистые Московской обл.
pH (КС1) Стандартн. 5,72 0,52 78
ИК-метод 5,68 0,46 78 0,34 0,806
Гидролити-
ческая кис-
лотность, Стандартн. 1,95 0,73 78
м-экв/100 г ИК-метод 1,95 0,66 78 0,33 0,894
Обменный Стандартн. 7,05 3,18 78
Са, м-экв/100 г ИК-метод 7,01 2,86 78 1,05 0,943
Обменный Стандартн. 2,13 0,82 78
Mg, м-экв/100 г Сумма погло- ИК-метод 2,12 0,74 78 0,35 0,900
щенных ос- нований, Стандартн. 7,05 3,18 78
м-экв /100 г Подвижный ИК-метод 7,01 2,86 78 1,05 0,944
фосфор по Кирсанову, Стандартн. 378 310 282
мг/кг Подвижный калий по ИК-метод 380 221 282 217 0,714
Кирсанову, Стандартн. 171 98 282
мг/ кг ИК-метод 172 83 282 57 0,819
Чернозем Кус танайс кой об л.
Подв. фосфор Стандартн. 83,3 44,7 181
по Чирикову ИК-метод 83,2 35,1 181 27,7 0,762
Подв. калий Стандартн. 269 81,1 181
по Чирикову ИК-метод 267 69,5 181 39,9 0,876
Примечание: обозначения те же, что и в таблице 7.11.5.2
456
Содержание общего азота, /о (ст. метод) Содержание гумуса, % (ст. метод)
Рис. 7.11.6.1. Сравнение результатов химического и
инфракрасного методов определения содержания гумуса (А)
и общего азота (В) в сероземных почвах Казахстана.
457
дарственного стандарта [34], при общем содержании азота в почве,
равном 0,18% допускаемое отклонение не должно превышать
0,027% при доверительной вероятности 0,95. Инфракрасный ме-
тод в данном случае стандарту не удовлетворяет, так как при дове-
рительной вероятности 0,95 отклонение от стандартного метода,
равное 0,03%, приведенное в таблице 7.11.6.2, следует удвоить,
умножив его на значение /-критерия Стьюдента. Не удовлетворяет
и требованиям официальной методики [156] погрешность определе-
ния щелочногидролизуемого азота по Корнфилду. Однако ИК-ме-
тод вполне пригоден в целях скрининга, быстрой оценки почв по
рассматриваемым показателям. Получаемые с его помощью резуль-
таты очень тесно коррелируют с данными химических методов, и
коэффициенты корреляции превышают 0,95.
Определение содержания общего и щелочногидролизуемого азота в
почвах представляется косвенным, основанным на корреляции его
содержания с содержанием гумуса. Как видно из рис. 7.11.3.2, кри-
вые коэффициентов корреляции содержания гумуса, общего и щелоч-
ногидролизуемого азота в почвах со второй производной спектров,
накладываясь друг на друга, практически совпадают во всех деталях.
Только небольшие различия наблюдаются в значениях коэффициен-
тов, которые имеют наибольшие абсолютные значения для гумуса и
наименьшие — для щелочногидролизуемого азота.
Содержание минерального азота в почве инфракрасный метод опре-
деляет слишком грубо. Коэффициент корреляции результатов хими-
ческих и инфракрасного методов составляет здесь всего 0,693, что
говорит об очень высокой достоверности статистической связи, но
явно недостаточной для количественного анализа.
Как следует из результатов, приведенных в таблице 7.11.6.2, по
точности результатов определения таких показателей, как величи-
на pH солевой вытяжки, гидролитической кислотности, содержа-
ния обменных оснований, инфракрасный метод уступает соответ-
ствующим химическим методам. Однако результаты инфракрасно-
го метода очень тесно коррелируют с данными химических мето-
дов, что видно из значений соответствующих коэффициентов кор-
реляции. Учитывая чрезвычайную простоту, высокую производи-
тельность и экспрессность инфракрасного метода, можно заклю-
чить, что он весьма перспективен для быстрого скрининга почв по
таким показателям агрохимического состояния, как содержание
гумуса, общего азота и подвижного азота по Корнфилду, по вели-
чине pH, гидролитической кислотности, обменных кальция и маг-
ния, сумме поглощенных оснований.
Содержание подвижных форм фосфора и калия по методу Кирсано-
ва и методу Чирикова, найденное с помощью инфракрасной спектрос-
458
копии, статистически достоверно коррелирует с данными химических
методов (табл. 7.11.6.2). Однако это в значительной степени связано
с очень широким варьированием рассматриваемых показателей в изу-
чаемых почвах. Среднеквадратические отклонения от стандартных
методов здесь слишком велики, что исключает возможность диффе-
ренциации почв по степени обеспеченности подвижными формами
фосфора и калия.
7.11.7 . Связь спектров почв с фракционным
составом гумуса
Определение качественного состава гумуса является очень трудоем-
ким и длительным анализом. Принятый в Географической сети опы-
тов метод фракционирования гумусовых веществ [140] требует на
выполнение анализа не менее 5 дней работы для получения конечных
результатов, причем за это время один аналитик может проанализи-
ровать не более 10—12 почвенных проб.
В этой связи представлялось перспективным использовать для этих
целей спектроскопию отражения в ближней инфракрасной области
спектра. Для выяснения этого вопроса нами на спектрофотометре
модели 4250 фирмы NIRSystems были сняты спектры диффузного
отражения 21 образца предкавказского чернозема.
При подготовке почв к анализу методом инфракрасной спектроско-
пии ограничивались только доведением пробы до воздушно-сухого
состояния и измельчением до 1 мм. Дополнительное измельчение
почвы до 0,25 мм, как это требуется при определении гумуса стан-
дартным методом, не проводили в целях максимального упрощения
методики анализа при использовании метода инфракрасной спектрос-
копии. Фракционный состав гумусовых веществ изучаемых образ-
цов проведен по общепринятой методике [140]. Содержание углеро-
да органических соединений в изучаемых пробах составляло от 0,37
до 1,64%, суммы гуминовых кислот — от 0,20 до 0,71% (абс.),
суммы фульвокислот — от 0,13 до 0,46% (абс.), остатка — от 0,22
до 0,60%; отношение суммы гуминовых кислот к сумме фульвокис-
лот от 1,15 до 1,84.
Спектральные данные связывали с результатами анализа фракци-
онного состава, используя метод множественной линейной регрес-
сии с помощью программного комплекса N1R-42 фирмы Infrasoft
International. В качестве независимых переменных брали исходные
значения оптической плотности, первые и вторые производные,
полученные в различных условиях расчета конечных разностей и
сглаживания.
459
Найдено, что для определения общего содержания углерода в поч-
вах лучшим было следующее уравнение:
Коэффициент
В(0) = —0,610
В(1) = —160,2
В(2) = 435,6
F. Длина волны, нм
факт. ’
21,4 2242
157,5 1653
F = 4,35 при /э=0,95
Лта6л= 8,10 при Р=0,99
S = 0,06%
В качестве независимых переменных брали первые производные
спектров при указанных длинах волн. Производные рассчитывались
по интервалу 5 нм после сглаживания в интервале 10 нм.
Полученные данные показывают, что содержание в почве углерода
органических соединений можно определить ИК-методом со среднек-
вадратическим отклонением 0,06% (абс.). Это составляет от средне-
го для изучаемой выборки около 5% (отн.).
Для содержания углерода суммы фракций гуминовых кислот луч-
шим было следующее уравнение:
Коэффициент Лфакт Длина волны, нм
В(0) = —0,078
В(1) = 535,06 230,14 1763
F . = 4,35 при Р=0,95
табл. г
Л = 8,10 при Р=0,99
табл. ’ “
S = 0,04%
В качестве независимых переменных брали первые производные
спектров при указанных длинах волн. Производные рассчитывались
по интервалу 5 нм после сглаживания в интервале 15 нм.
Полученные данные показывают, что содержание в почве углерода
суммы фракций гуминовых кислот можно определить ИК-методом со
среднеквадратическим отклонением 0,04% (абс.). Это составляет от
среднего для изучаемой выборки 18,7% (отн.).
Для углерода суммы фракций фульвокислот лучшим было следую-
щее уравнение:
Коэффициент ^факт Длина волны, нм
В(0) = —0,061
В(1) = 440, 2 45,3 1760
Лта61 = 4,35 при Р=0,95
/7 = 8,10 при Р=0,99
табл. ’ г
460
В качестве независимых переменных брали первые производные
спектров при указанных длинах волн. Производные рассчитывались
по интервалу 5 нм после сглаживания в интервале 10 нм.
Полученные данные показывают, что содержание в почве углерода
суммы фракций фульвокислот можно определить ИК-методом со сред-
неквадратическим отклонением 0,06% (абс.). Это составляет от сред-
него для изучаемой выборки 0,10% (отн.).
Для углерода суммы фракций гуминовых и фульвокислот лучшим
было следующее уравнение:
Коэффициент Дфакт Длина волны, нм
В(0)=—0,113
В(1) = 846,9 180,2 1763
Дта6л = 4,35 при Р=0,95
= 8>10 ПРИ ^=0,99
STa=0,07%
В качестве независимых переменных брали первые производные
спектров при указанных длинах волн. Производные рассчитывались
по интервалу 5 нм после сглаживания в интервале 15 нм.
Полученные данные показывают, что содержание углерода суммы
фракций гуминовых кислот и фульвокислот можно определить мето-
дом инфракрасной спектроскопии со среднеквадратическим отклоне-
нием 0,07% (абс.). Это составляет от среднего для изучаемой выбор-
ки 8,2% (отн.).
Для уравнения, связывающего спектральные данные с отношением
содержания углерода суммы фракций гуминовых кислот к углероду
суммы фракций фульвокислот, статистически значимых коэффициен-
тов подобрать не удалось.
Полученные данные показывают, что отношение содержания угле-
рода суммы фракций гуминовых кислот к углероду суммы фракций
фульвокислот в почвах определить ИК-методом непосредственно не
представляется возможным, так как получаемые данные статистичес-
ки недостоверны. Это следует из фактического значения величины Д-
критерия, которое меньше табличного.
Для содержания углерода в остатке почвы после фракционирова-
ния лучшим уравнением было следующее:
Коэффициент
В(0) = —0,153
В(1) = 592,0
Длина волны, нм
факт. ’
35,7 1787
Дта6л = 4,35 при Р=0,95
8,10 при Р=0,99
<?т= п ля°/.
461
В качестве независимых переменных брали первые производные
спектров при указанных длинах волн. Производные рассчитывались
по интервалу 5 нм после сглаживания в интервале 20 нм.
Полученные данные показывают, что содержание в почве углерода
остатка после фракционирования можно определить ИК-методом со
среднеквадратическим отклонением 0,08% (абс.). Это составляет от
среднего для изучаемой выборки 17% (отн.).
Результаты исследований показывают, что данные химического ме-
тода и инфракрасной спектроскопии тесно коррелируют при опреде-
лении содержания гумуса или углерода органических веществ, сум-
марного содержания углерода фракций гуминовых кислот, суммарно-
го содержания фракций гуминовых кислот и фульвокислот. Коэффи-
циент детерминации был не менее 0,90. Для суммарного содержания
углерода фульвокислот коэффициент детерминации значительно ниже,
составляя 0,705. Еще ниже коэффициент детерминации для содержа-
ния в почве углерода остатка после фракционирования, равный 0,65.
Величина отношения углерода гуминовых кислот к углероду фульво-
кислот существенной связи не обнаруживает.
Поскольку величина отношения содержания углерода фракций гу-
миновых кислот к углероду фульвокислот является важным диагнос-
тическим признаком почв, проведено сравнение результатов опреде-
ления данного показателя не непосредственно по спектральным дан-
ным, а путем расчета отношения сумм соответствующих фракций,
значения которых найдены инфракрасным методом. Результаты срав-
нения получаемых таким образом данных с результатами химическо-
го анализа, представленные в таблице 7.11.7.1, показывают, что по
данным ИК-анализа рассматриваемый показатель можно рассчитать
со среднеквадратическим отклонением от данных химического анали-
за, равным 0,34.
Насколько удовлетворительны результаты анализа фракционно-
го состава гумуса с помощью ближней инфракрасной спектроско-
пии, остается неясным, так как, прежде всего, неизвестны точнос-
тные характеристики общепринятого метода. Кроме того, рассмот-
ренные данные получейы на весьма ограниченном наборе почвен-
ных образцов, так что вопрос о практическом применении метода
для характеристики качественного состава гумуса требует дальней-
ших исследований.
В то же время тесная корреляция спектральных данных с общим
содержанием углерода в почвах, содержанием углерода суммы фрак-
ций гуминовых кислот, фульвокислот и углерода остатка почвы
после фракционирования указывает на перспективность примене-
ния ближней инфракрасной спектроскопии для изучения фракци-
онного состава гумуса.
462
Таблица 7.11.7.1.
Сравнение результатов определения отношения
углерода суммы фракций гуминовых кислот к углероду
суммы фракций фульвокислот
Номера образцов Отношение сумма С гуминовых кислот/сумма С фульвокислот
Химический метод Инфракрасный метод Разность
1 1,47 1,69 -0,22
2 1,35 1,73 -0,38
3 1,55 1,69 -0,14
4 1,50 1,78 -0,28
5 1,67 1,70 -0,03
6 1,92 1,73 0,19
7 1,91 1,69 0,22
8 2,45 1,65 0,80
9 1,82 1,77 0,05
10 2,42 1,68 0,74
11 1,83 1,79 0,04
12 1,42 1,63 -0,21
13 1,61 1,72 -0,11
14 2,23 1,84 0,39
15 1,92 1,74 0,18
16 1,52 1,73 -0,21
17 1,60 1,75 -0,15
18 1,22 1,75 -0,53
19 1,40 1,70 -0,30
20 1,71 1,67 0,04
21 1,08 1,15 -0,07
Среднеквадратическое отклонение от данных химического метода 0,34
7.12. ПРИМЕНЕНИЕ В ТЕКСТИЛЬНОЙ
ПРОМЫШЛЕННОСТИ
7.12.1. Анализ шерсти
В текстильной промышленности спектроскопия ближней инфракрас-
ной области находит применение как для анализа исходного сырья,
поставляемого сельским хозяйством и химической промышленностью,
так и для анализа полупродуктов и конечной продукции. Поскольку
463
метод первоначально был разработан и введен в аналитическую прак-
тику в сельском хозяйстве, первые приложения он получил при ана-
лизе шерсти и хлопка.
Основными показателями при анализе шерсти, определяемыми этим
методом, являются влажность и загрязненность. Определение влаж-
ности не представляет особой сложности, и погрешность определе-
ний обычно не превышает 0,4% в диапазоне от 8 до 22% при исполь-
зовании для градуировки инфракрасного анализатора множественной
линейной регрессии.
В одной из первых работ для анализа шерсти использовали Infra-
Alyzer 2.5 с шестью фильтрами для определения выхода чистой шер-
сти из исходного сырья [582]. Среднеквадратическое отклонение от
регрессии составляло при градуировке 2,8%. В качестве измеряемой
величины служило содержание клетчатки в чистой отмытой шерсти,
получаемой из анализируемого материала, которое колебалось от 31
до 53%. Этот положительный результат послужил толчком для ши-
рокого применения метода для анализа шерсти прежде всего в Ав-
стралии, которая является одним из основных производителей этого
сырья для текстильной промышленности.
Метод успешно использован для определения массы чистого руна
[590]. Коэффициенты корреляции результатов, получаемых стандарт-
ным методом и методом спектроскопии ближней инфракрасной об-
ласти, составляли от 0,96 до 0,99 при анализе различных партий
образцов. В этой же работе отмечена возможность определения диа-
метра волокна по диффузному отражению. Однако определение этого
показателя не всегда оказывалось удовлетворительным [354]. Как можно
полагать, соответствию результатов инфракрасного и стандартных
методов, основанных на различных принципах, мешает наличие сер-
дцевины волокон шерсти, степень развития которой может значи-
тельно варьировать.
Для определения содержания остаточных жироподобных веществ в
очищенной шерсти, экстрагируемых в аппарате Сокслета этанолом,
использован инфракрасный анализатор качества зерна GQA-31 и 1п-
fraAlyzer 2.5 [613]. Градуировка приборов проводилась на 32 образ-
цах шерсти. При ее проверке на 919 новых образцах получаемая
погрешность результатов анализа была близка методу Сокслета. Од-
нако в дальнейшем было установлено, что градуировочные уравнения
неустойчивы и при их использовании для анализа различных партий
шерсти могут получаться значительные погрешности.
Шерсть может содержать значительные загрязнения частицами
растительного происхождения. Найдено, что в этом случае дан-
ные, которые дает диффузное отражение в ближней инфракрасной
области, полезно дополнить измерениями в видимой области, пос-
464
кольку материал растительного происхождения обычно более тем-
ный, чем сама шерсть [276], разумеется, что речь идет о белой
шерсти. При работе на анализаторе InfraAlyzer с 6 фильтрами,
дополнительно используя анализатор цвета Color Eye, была полу-
чена точность определения содержания чистой шерсти в сырье
±1,8%, что сопоставимо с погрешностью стандартного метода,
которая составляет ±1%.
Использование сканирующих спектрофотометров обеспечивает ши-
рокий выбор длин волн, что позволяет несколько улучшить резуль-
таты анализа шерсти, как это показано при работе на монохроматор-
ном спектрофотометре Neotec-6300 [277, 278]. Вместе с тем, как
отмечено на Международном симпозиуме по ближней инфракрасной
спектроскопии отражения, который проходил в 1984 году в Австра-
лии, анализ шерсти встречает значительные трудности и во многих
случаях не может заменить стандартные лабораторные методы ввиду
неустойчивости получаемых данных [464].
В другой работе, представленной на симпозиуме, отмечено, что для
получения удовлетворительных результатов первостепенное значение
имеет градуировка приборов. Для градуировки необходима хорошо
подобранная серия образцов с надежными результатами анализов стан-
дартными методами, а при получении градуировочного уравнения ме-
тодом множественной линейной регрессии следует включать в него
большее, чем это обычно рекомендуется, число независимых пере-
менных [355]. Это касается прежде всего определения остаточного
жиропота в очищенной шерсти, содержание которого обычно крайне
невелико и, как правило, не превышает 0,4%. При определении этого
показателя желательны градуировочные уравнения, получаемые ме-
тодом множественной линейной регрессии, с 12 и даже большим чис-
лом независимых переменных. Можно предполагать, что определение
очень малых содержаний этого компонента требует получения боль-
шего объема спектральной информации, чем такой легкий для опре-
деления компонент, как влага, содержание которой в шерсти достига-
ет 20% и более [354].
Шерсть отличается значительной неоднородностью. Это осложняет
анализ, требуя специальных мер по усреднению образцов и повтор-
ных измерений. Рекомендуется проведение 8 параллельных измере-
ний каждого анализируемого образца в специальной кювете диамет-
ром 90 мм, поворачивая ее на 135° после получения очередного
результата. При работе на инфракрасном анализаторе InfraAlyzer прибор
каждый раз при повороте такой кюветы облучает и считывает ре-
зультаты с части поверхности пробы диаметром 23 мм на периферии
кюветы, так что можно получить 8 независимых результатов измере-
ний на одной кювете, каждый раз используя новую часть образца.
465
Поворот на 135° исключает появление при измерениях «движущейся
волны», что вызывается нагревом измеряемого участка пробы. Вось-
микратная повторность позволяет выявить и исключить резко откло-
няющиеся результаты и получить более представительные, репрезен-
тативные данные. Восьмикратное измерение увеличивает продолжи-
тельность анализа до 5,25 минуты. Однако такая скорость анализа
вполне достаточна для осуществления текущего контроля процесса
очистки шерсти, обеспечивая анализ образцов, отбираемых от каж-
дого тюка [354].
Определение такого важного показателя качества шерсти, как раз-
витие сердцевины, представляет сложный и очень длительный анализ
при использовании общепринятых методов, основанных на микроско-
пии или измерении показателя преломления волокон шерсти в специ-
альной иммерсионной жидкости. Показано, что применение спектрос-
копии диффузного отражения позволяет очень быстро и достаточно
точно определять этот показатель [565]. При определении степени
развития сердцевины шерсти в Новой Зеландии получена очень высо-
кая стабильность результатов при использовании инфракрасного ана-
лизатора. В течение 6 месяцев при еженедельном контроле работы
прибора среднеквадратическое отклонение от данных стандартного
метода не превышало 2,8% по номеру при обычном значении оценки
этого показателя от 0 до 40% [565].
7.12.2. Анализ хлопка
Качество хлопкового волокна определяется многими чисто физи-
ческими факторами. Однако физические свойства волокна часто свя-
заны с составом, а также с различиями структуры компонентов, ко-
торые его слагают. Это может находить отражение в спектрах, на-
блюдаемых в ближней инфракрасной области, что позволяет исполь-
зовать их для контроля качества волокна.
Одним из основных показателей, достаточно хорошо и быстро
определяемых в хлопке ИК-методом, является содержание влаги.
Для этого могут использоваться различные преобразования спек-
тральных данных. Например, при определении влажности товарно-
го хлопка по первой и второй производным по градуировочным
уравнениям множественной линейной регрессии, полученным на
26 образцах, при анализе контрольной серии из 68 образцов сред-
неквадратическое отклонение от результатов, полученных по по-
тере массы в термостате или при выдерживании в эксикаторе, как
правило, не превышало 0,3% при влажности материала около 6%
[632]. При определении влажности более точные результаты полу-
чались, когда в основу градуировки брали не результаты сушки
466
при 105°С, а потерю массы при выдерживании в эксикаторе при
комнатной температуре [632, 633].
Технологически важным показателем является содержание реду-
цирующих сахаров в хлопке. При значениях этого показателя выше
0,5% волокно проявляет липкость, что вызывает налипание его на
рабочие органы машин при технологической обработке. Сахара,
присутствующие в хлопке, особенно на поверхности волокна, мо-
гут быть различного происхождения и представлены различными
веществами, в основном глюкозой, маннозой, фруктозой и пенто-
зами в различных соотношениях. При этом общее содержание са-
харов относительно невелико и не превышает обычно 1%. Не-
смотря на это, определение общего содержания сахаров по диф-
фузному отражению может быть вполне удовлетворительным. Сле-
дует отметить также, что определению сахаров должно мешать
высокое, порядка 95%, содержание в хлопке целлюлозы, которая
также представляет углевод.
В одной из работ [339] определение содержания редуцирующих
сахаров проводили с помощью спектрофотометра InfraAlyzer-500,
сканируя спектр в диапазоне 1100 — 2500 нм по точкам через 4
нм. Измеряли диффузное отражение в стандартной кювете, загру-
жая в нее пробы по 2 г хлопка. Было получено уравнение множес-
твенной линейной регрессии с 4 переменными, представляющими
оптическую плотность при 1445; 1722; 1905 и 2230 нм. Среднек-
вадратическое отклонение от химического метода, основанного на
определении сахаров, извлекаемых из хлопка водой, составляло 0,02%.
Коэффициент детерминации был равен 0,98. Используемые длины
волн 1445 и 1905 нм приписывали соответственно обертону и состав-
ной полосе поглощения ОН-групп, 2230 нм — валентным и деформа-
ционным колебаниям группы СН2. Полоса поглощения при 1772 нм
рассматривалась как обертон валентных колебаний С—Н. Авторы не
отрицают и другой расшифровки используемых значений длин волн
ввиду комплексности состава определяемых сахаров.
Диффузное отражение в ближней инфракрасной области исполь-
зовано также и для определения спелости хлопкового волокна. В
данном случае имеется в виду не продолжительность во времени
роста волокна, а развитие его толщины, степень развития стенок,
утолщающих волокно. Недоразвитое по тем или иным причинам
хлопковое волокно по качеству хуже нормально развитого. На
примере анализа образцов хлопка, отобранных на различных фаб-
риках, показано, что рассматриваемый показатель может быть ус-
пешно определен на ИК-анализаторе. Коэффициент корреляции
результатов с данными, получаемыми с помощью микроскопии,
был равен 0,97 [339].
467
Технологически важным показателем хлопчатобумажных тканей
является степень мерсеризации. Мерсеризация проводится обработ-
кой ткани раствором гидроксида натрия под давлением. Ее цель со-
стоит в улучшении окрашиваемости, блеска ткани, прочности на раз-
рыв, в снижении степени усадки. Для оценки этого показателя обыч-
но используют число активности бария (BAN), определение которого
занимает 6 часов.
Показано, что мерсеризация вызывает смещение полос поглоще-
ния целлюлозы как в средней [66, 65], так и в ближней инфракрас-
ной области спектра, что связано с образованием поворотных изо-
меров групп СН2ОН вследствие изменения углов связей относи-
тельно С(5)—С(6) при обработке щелочью. Возникающие измене-
ния в спектрах и составляют основу количественного анализа с по-
мощью ближней инфракрасной спектроскопии.
При определении степени мерсеризации по диффузному отраже-
нию в ближней инфракрасной области для проведения анализа ис-
пользовали InfraAlyzer-500, сканируя спектр по точкам через 4
нм. Снимали спектры образцов, вырезанных из исследуемой ткани
в виде кружков по размеру стандартной кюветы. Для улучшения
представительности результатов измерения проводили многократ-
но, при различном положении кюветы. Коэффициент детерминации
при сравнении получаемых результатов с данными по активности
бария составлял 0,96, среднеквадратическое отклонение было рав-
но 2,18%. В уравнении множественной линейной регрессии ис-
пользовали при этом три длины волны: 1445; 1790 и 1818 нм. Погло-
щение при 1445 нм, по мнению авторов, вызывается первым оберто-
ном колебаний О—Н, возникающих, очевидно, в группах —СН2ОН,
а также в гидроксилах воды, сорбированной целлюлозой. По мне-
нию авторов, длина волны 1790 нм соответствует составной полосе
О—Н, а 1818 нм — составной полосе, вызываемой комбинацией
валентных колебаний групп О—Н и второго обертона валентных
колебаний групп С—О целлюлозы [337].
Результаты систематического изучения спектров диффузного отра-
жения хлопка в ближней инфракрасной области и связь спектраль-
ных данных с его морфологическими характеристиками приведены в
серии работ [502—504].
7.12.3. Анализ искусственного волокна
Спектроскопия диффузного отражения в ближней инфракрасной
области успешно используется при определении различных пока-
зателей качества иСкусСТВенниГи ВОЛОКна И ТКаНёЙ. Как И При аНа-
468
лизе других объектов, метод пригоден прежде всего для определе-
ния влажности.
Специально для анализа текстильных материалов фирмой Techni-
con разработана модификация анализатора InfraAlyzer-400TX. При
массе пробы нейлонового волокна, загружаемой в кювету, около
3,5 г и усреднении результатов измерения двух проб с перезагруз-
кой кюветы среднеквадратическое отклонение от данных, получае-
мых методом Фишера, составляло от 0,3 до 0,5% при содержании
влаги в анализируемых образцах от 0,60 до 10,87%. Меньшая
точность получалась при использовании в уравнении множествен-
ной линейной регрессии значений оптической плотности при двух
длинах волн: 1722 и 2083 нм. Большая точность получена при
трех длинах волн: 1445; 1905 и 1940 нм. Если уравнение с тремя
независимыми переменными понятно, так как используемые значе-
ния длин волн связаны с поглощением групп О—Н, то уравнение с
двумя переменными трудно объяснимо, так как полосы поглоще-
ния гидроксильных групп воды в нем не участвуют. Авторы объяс-
няют это, исходя из того, что поглощение при 1722 нм принадле-
жит первому обертону валентных колебаний группы С—Н, а при
2083 нм — комбинационным валентным колебаниям C=O/N—Н.
Так как анализируемая разновидность нейлона представляла гид-
рофильный материал, то рассматриваемое уравнение с двумя пере-
менными основывается на том, что влажность влияет на структуру
волокна, которая зависит от содержания групп N—Н, что отража-
ется в спектрах [339].
Для улучшения технологических свойств синтетического волок-
на на него обычно наносят смазывающий материал. Количество
смазывающего материала является критическим. Как очень малое
количестве смазки, так и ее избыток вызывают нарушения в рабо-
те ткацких станков и частые их остановки, снижая производитель-
ность, а также и качество ткани. Обычный метод определения
содержания в пряже смазывающих масел использует экстракцию
органическими растворителями. Содержание масел в экстрактах
определяют весовым методом или с помощью инфракрасной спек-
троскопии средней области по поглощению около 3300 — 3500
нм. Хотя оба метода дают достаточно точные результаты, они тре-
буют проведения экстракции, что занимает много времени и вызы-
вает необходимость работы с органическими растворителями. В то
же время, применяя анализатор для текстильных материалов, ра-
ботающий в ближней инфракрасной области, анализ можно выпол-
нить значительно проще, всего за 5 минут, не прибегая к экстрак-
ции. При этом содержание смазки можно определить одновремен-
но с влажностью пряжи в пробе массой 3,5 г. Для выполнения
469
определения эффективно градуировочное уравнение линейной рег-
рессии с четырьмя независимыми переменными при 546; 1818; 2230
и 2370 нм. При сравнении получаемых данных с результатами
инфракрасного анализа экстрактов среднеквадратическое отклоне-
ние составляло 0,04% при среднем содержании 1,12% в анализи-
руемых образцах. По воспроизводимости результатов использова-
ние диффузного отражения в ближней инфракрасной области зна-
чительно превосходило определение по поглощению экстрактов в
средней инфракрасной области [339].
Метод использован также для определения температуры отверде-
ния при производстве синтетического волокна, которая оказывает
значительное влияние на качество продукта. При определении значе-
ния этого параметра при получении волокна по анализу готовой пря-
жи нейлона использовали длины волн 1720; 2130; 2180; 2250 нм.
Коэффициент детерминации составлял 0,98 при градуировке. Провер-
ка полученного уравнения на независимой партии образцов дала зна-
чение среднеквадратического отклонения от действительных значе-
ний температуры, равное 1,5°С. Квадрат коэффициента корреляции
результатов анализа с помощью ИК-метода и непосредственным изме-
рением температуры при этом был равен 0,98. Длина волны 1720 нм,
используемая в градуировочном уравнении, может быть приписана
первому обертону колебаний С—Н в группе СН2—СН2 капролакта-
ма, 2130 нм — соответствующей составной полосе С—Н валентное/
С=О валентное, 2180 нм — составной полосе С=О валентное/обер-
тон амида, относящаяся к группам СО—NH цепочек в молекулах
нейлона, и (или) составной полосе С—Н валентное/С=О [337].
Аналогичные результаты определения температуры при получении
волокна, даже несколько более точные, получены при анализе неок-
рашенной и окрашенной нейлоновой пряжи для производства ковро-
вых изделий [339].
Для увеличения прочности тканей из искусственных целлюлозных
волокон в них вводят азотсодержащие смолы, увеличивающие попе-
речную сшивку целлюлозных цепей. ИК-метод позволяет достаточно
точно определить содержание азота, характеризующее количество
введенной добавки, и количество вводимой связанной смолы в волок-
не, что в конечном счете характеризует прочность ткани. Среднек-
вадратическое отклонение получаемых результатов от данных, кото-
рые дает метод Кьельдаля, используемый обычно для этих целей,
составляло 0,198%, квадрат коэффициента парной корреляции был
равен 0,97 [340].
Способность к поглощению красителей полиэфирным волокном по
оптической плотности диффузного отражения определяли по гра-
дуировочному уравнению с тремя независимыми переменными. Ко-
470
эффициент детерминации был равен 0,92. Использовали три длины
волн: 1722 нм, приписываемую валентным колебаниям С—Н груп-
пы СН2, 2180 нм — комбинационной полосе колебаний С—Н ва-
лентное/ С=О валентное и 2270 нм, принадлежащую составной пол-
осе О—Н валентное/С=О валентное в структуре полиэфира. По-
казано, что интенсивность этих полос поглощения зависит от крис-
талличности волокна. Таким образом, спектроскопия ближней ин-
фракрасной области улавливает структурные особенности поли-
эфирного волокна, определяющие его способность к окрашива-
нию [338].
7.12.4. Анализ смешанного волокна
Метод находит применение для определения состава смешанного
волокна. Так, приготовленные в лаборатории смеси хлопкового и
полиэфирного волокон с содержанием компонентов в диапазоне от
0 до 100% анализировались с погрешностью, укладывающейся в
доверительный интервал ±1,7% при вероятности Р=0,95 при од-
нократных измерениях. Коэффициент корреляции рассматриваемых
величин составлял 0,92. При трехкратных измерениях доверитель-
ный интервал сокращался до ±1,3%. Отмечено, что, несмотря на
повторность измерений, неоднородность материала могла быть оп-
ределяющей погрешность результатов. Приготовление смесей в ла-
боратории могло вызывать некоторую потерю материала, искажая
действительное соотношение компонентов в анализируемых образ-
цах. Кроме того, данные, полученные на чистом материале, могут
в недостаточной степени отражать свойства реальных образцов.
Все это необходимо учитывать при рассмотрении полученных дан-
ных. Вместе с тем не вызывает сомнений перспективность исполь-
зования инфракрасных анализаторов для анализа смесей различно-
го волокна.
При анализе смесей шерсти и вискозы, взятых непосредственно
с производственных линий, с варьированием доли полиэфирного
волокна от 33 до 67% точность анализа составляла ±3% (довери-
тельный интервал при Р=0,95). Во всех случаях градуировочные
уравнения представляли множественную линейную регрессию с че-
тырьмя переменными. При меньшем количестве переменных точ-
ность определений снижалась, а большего числа независимых пе-
ременных в уравнения не вводили. Анализы выполняли на инфра-
красном анализаторе InfraAlyzer-450 с 19 фильтрами. Отмечено,
что метод очень прост и экспрессен. Анализ занимает только одну
минуту, так что по экспрессности он не идет ни в какое сравнение
471
с общепринятым химическим методом, основанном на получении
целого ряда характеристик волокна, по которым можно идентифи-
цировать его компонентный состав, причем со значительными пог-
решностями, затрачивая на это порядка 48 часов [581].
При анализе смеси хлопкового и полиэфирного волокон с содержа-
нием от 28 до 80% хлопка среднеквадратическое отклонение от дей-
ствительных значений составляло 0,85%, коэффициент корреляции
при сравнении данных составлял 0,999 [636].
Анализ смеси льна и полиэфира проводили на инфракрасном ана-
лизаторе In[raAlyzer-400TX для текстильных материалов. Погрешность
определения содержания полиэфира в диапазоне 54—74% в смешан-
ном волокне относительно метода, основанного на растворении во-
локна хлопка в 70%-ной серной кислоте, составила 0,51%. Измере-
ния проводили не менее чем в трехкратной повторности, поворачивая
кювету на 90 и 270° после первого измерения [338].
Сканирующий спектрофотометр InlraAlyser-500, а также специали-
зированный для анализа текстильных материалов lnfraAlyser-400TX
успешно применялись для идентификации различных по технологии
получения образцов волокон из нейлона и полиэфира [339].
7.13. АНАЛИЗ НЕФТЕПРОДУКТОВ
Нефть и продукты ее переработки представляют обычно сложную
смесь углеводородов самых различных классов. В ближней инфра-
красной области они дают огромное число обертонов и составных
частот, обусловленных валентными и деформационными колебания-
ми С—Н-связей, которые в молекулах веществ, составляющих про-
дукты нефтехимии, могут находиться в различных структурах.
Значительный практический интерес представляет использование
ближней инфракрасной спектроскопии для определения качества
бензина. Одним из основных показателей качества, по которому
бензин подразделяется на сорта, является октановое число. Отме-
чается, что определение октанового числа бензина требует доро-
гостоящего стационарного оборудования и занимает не менее 20
минут, что исключает возможность оперативного управления про-
изводственным процессом [422]. В этом отношении широкую пер-
спективу открывает использование спектроскопии ближней инфра-
красной области. Применение этого метода при анализе бензина не
требует какой-либо пробоподготовки, а применение волоконной
оптики позволяет проводить измерения непосредственно на техно-
логических линиях.
472
При изучении 65 образцов, представляющих различные сорта
бензина, в том числе 43 образца без добавок соединений свинца,
использован инфракрасный анализатор NIRSystems модели 6250,
управляемый персональным компьютером, с двухканальным све-
топроводом. По одному каналу излучение от прибора проходило
промежуток толщиной 1 см, заполняемый измеряемой средой, и,
отражаясь от полированной алюминиевой пластины, возвращалось
к прибору, проходя таким образом путь в 2 см в анализируемом
бензине. Спектры поглощения'снимались в диапазоне 680 — 1235
нм по точкам через каждые 2 нм. Спектр каждого образца получа-
ли усреднением из 50 сканирований, что вместе с обработкой резуль-
татов измерений занимало менее 1 минуты. Для градуировки системы
использовали 43 образца бензина без добавок свинца. Градуировку
проводили методом множественной линейной регрессии и методом
дробных наименьших квадратов. Найдено, что для предсказания окта-
нового числа, определяемого тремя разными стандартными методами,
принятыми в США, достаточно точные результаты можно получить,
используя оптическую плотность при трех длинах волн, в методе
множественной линейной регрессии. В методе дробных наименьших
квадратов достаточно четырех скрытых переменных. Оба метода гра-
дуировки дают практически одинаковую точность. Анализ получае-
мых градуировочных уравнений показал, что октановое число бензи-
на тесно коррелирует с содержанием метиленовых и метиловых групп,
а также с содержанием ароматических групп в составе органических
веществ бензина. При этом связь с содержанием метиленовых групп
имеет обратный характер.
Для проверки этих выводов исходную партию из 43 образцов
делили на две подвыборки. Одну из них использовали для градуи-
ровки методом множественной линейной регрессии, а другую —
для проверки получаемых уравнений. В другом варианте образцы
были поделены по тому, в какой лаборатории они первоначально
анализировались. Подобным же образом проводилась и проверка гра-
дуировочных уравнений, которые получали с помощью метода дроб-
ных наименьших квадратов. Полученные данные показывают, что ок-
тановое число бензина может быть определено со среднеквадратичес-
ким отклонением, равным 0,3 — 0,4 единицы, что сопоставимо с
воспроизводимостью стандартных методов определения данного пока-
зателя качества бензина при использовании одной и той же установ-
ки. Аналогичные результаты получены также и в другой работе при
использовании для градуировки метода множественной линейной рег-
рессии [302].
Определение октанового числа этилированного бензина осложнено
тем, что метод недостаточно чувствителен для определения доба-
473
вок соединений свинца. Их концентрации в бензине недостаточно
велики, чтобы оказать существенное влияние на спектры. Погреш-
ность определения октанового числа этилированного бензина воз-
растает с повышением концентрации в нем свинца. При концентра-
ции свинца 0,5 г/галлон (около 0,13 г/л) погрешность возрастает
до 2 единиц октанового числа, занижая результаты [422]. Однако
применение ИК-метода представляет в данном случае значитель-
ный интерес в том отношении, что позволяет определить октано-
вое число, которое может иметь данный образец бензина без эти-
лирования.
Для определения октанового числа бензина [322] использовалась
также модель 300а спектрофотометра фирмы Guided Wave (США)
с датчиком на волоконной оптике, позволяющей проводить изме-
рение оптической плотности при фактической толщине просвечи-
ваемого слоя, равной 2 см. Спектры получали в диапазоне 900—
1700 нм как средние арифметические из 9 сканирований. Спектро-
фотометр имел двухлучевую систему, обеспечивающую сканирова-
ние спектра за 2,5 секунды. Для исследования было взято 67 об-
разцов неэтилированного бензина. 11 из них содержали добавки
трибутилэфира и 16 образцов содержали различные концентрации
этанола. 29 образцов без добавок использовали для получения
градуировочных уравнений, 11 образцов без добавок были остав-
лены для анализа как неизвестные. Для проведения градуировки
использовали метод дробных наименьших квадратов. Анализ полу-
ченных значений коэффициентов регрессионного уравнения пока-
зал, что при определении октанового числа наиболее тесная связь
обнаруживается при длинах волн, соответствующих поглощению
метиловых, метиленовых групп и ароматических соединений. Про-
верка градуировочного уравнения, полученного по четырехфактор-
ной модели на 11 образцах бензина без добавок, показала высо-
кую точность определений. Отклонения от стандартного метода не
превышали 0,5 единицы октанового числа. Проверка на образцах с
добавками показала, что введение в бензин этилового спирта и
бутилового эфира вызывает погрешности в определениях. В этой
связи для новой градуировки использовались образцы как с добавка-
ми, так и без них. При этом 19 образцов всех типов были оставлены
в контрольной серии для проверки. Как показали результаты провер-
ки нового градуировочного уравнения, точность анализа была прак-
тически такой же, как и в случае бензина без добавок. Как отмечает-
ся в рассматриваемой работе, метод весьма перспективен для опреде-
ления октанового числа бензина. Использование волоконной оптики
решает проблему пробоотбора, а быстрый сканирующий спектрофо-
тометр обеспечивает высокую экспрессность анализа.
474
Показана также перспективность применения спектроскопии ближ-
ней инфракрасной области, ее коротковолнового диапазона, в ко-
тором может использоваться волоконная оптика, для определения
таких показателей качества бензина, как содержание серы, арома-
тических соединений, олефинов, насыщенных углеводородов [422].
Исследования в этом направлении были продолжены в другой ра-
боте [421]. Использовали как коротковолновую часть ближней ин-
фракрасной области (680—1235 нм), так и длинноволновую (1100—
2500 нм). В коротковолновой части толщина кварцевой кюветы
была выбрана равной 1 см, в длинноволновой области, где общий
уровень поглощения выше, толщину слоя снижали до 0,2 см. Спек-
тры снимали относительно керамического стандарта, усредняя ре-
зультаты 64 сканирований. Для градуировки применяли пошаго-
вый метод множественной линейной регрессии и метод дробных
наименьших квадратов. В качестве независимых переменных ис-
пользовали значения оптической плотности, а также вторых про-
изводных спектров. Показано, что получаемые спектральные дан-
ные тесно связаны с содержанием в бензине ароматических угле-
водородов, соединений класса олефинов, насыщенных углеводоро-
дов, что может использоваться в целях количественного анализа.
Найдено, что при градуировке методы множественной линейной
регрессии и дробных наименьших квадратов практически равно-
ценны. При этом практически одинаковую точность определений
можно получить при использовании как коротковолновой, так и
длинноволновой части ближней инфракрасной области. Использо-
вание вторых производных в качестве независимых переменных в
множественной линейной регрессии вместо исходных значений оп-
тической плотности позволяет использовать меньшее число чле-
нов градуировочных уравнений при практически той же точности
получаемых результатов. Метод множественной линейной регрес-
сии, практически не уступая методу дробных наименьших квадра-
тов, имеет то преимущество, что приложим к дешевым фильтро-
вым приборам с фиксированными длинами волн. С точки зрения
практического применения более перспективна коротковолновая
часть рассматриваемой спектральной области, так как здесь может
использоваться более дешевая волоконная оптика, что облегчает
решение проблемы пробоотбора. Соединение простого фильтрово-
го прибора или прибора, в котором используются селективные
светодиоды, с датчиком на волоконной оптике делает возможным
изготовление портативных устройств для проведения анализов не-
посредственно в производственных условиях и под открытым не-
бои
475
Спектроскопия ближней инфракрасной области использована так-
же для определения метанола в бензине [248]. Необходимость такого
анализа обусловлена тем, что метиловый спирт дешевле бензина и
иногда им разбавляют этот продукт. Однако это не столь безобидная
добавка. Смесь бензина с метанолом может разделяться на фазы,
ухудшая процесс поступления топлива в камеру сгорания, и вызы-
вать ряд других отрицательных моментов. Для контроля качества
бензина перспективна спектроскопия ближней инфракрасной облас-
ти. Ввиду летучести и токсичности бензина измерения лучше прово-
дить дистанционно, что обеспечивает применение волоконной опти-
ки. Как показали исследования, применение множественной линейной
регрессии с использованием четырех длин волн — 1619; 1664; 1673 и
1702 нм, позволяет определить массовую долю метанола в бензине со
среднеквадратическим отклонением менее 1 % от действительного зна-
чения. Коэффициент корреляции во всех случаях был при этом не
ниже 0,99 [248].
Для определения показателей качества дизельного топлива ис-
пользовалась коротковолновая часть ближней инфракрасной об-
ласти [323]. Показано, что такая важная характеристика дизельно-
го топлива, как цетановое число, может быть определена со сред-
неквадратическим отклонением в 1,2 единицы от данных стандар-
тного метода. Одновременно могут быть определены плотность топ-
лива (API Gravity) со среднеквадратическим отклонением, равным
0,44, теплота сгорания — 0,073 МДж/кг, содержание ароматичес-
ких соединений — 1,5%, что практически не уступает показате-
лям воспроизводимости соответствующих стандартных методов. Для
выполнения анализов использован прибор, сканирующий спектр в
диапазоне 1100—1300 нм с кюветой толщиной 1 см, соединенной с
измерительным блоком светопроводом длиной 6 м. Спектры полу-
чали как среднеарифметическое из результатов 4 сканирований.
Для градуировки применяли метод дробных наименьших квадра-
тов. Анализ полученных градуировочных уравнений показывает,
что в основе метода лежит связь показателей дизельного топлива с
его составом. Поглощение около 1190 нм, обусловленное присут-
ствием групп СН3, имеет обратную связь с цетановым числом,
тогда как полоса поглощения при 1230 нм, принадлежащая СН2-
группам, имеет с ним прямую связь. Это соответствует общепри-
нятым представлениям о том, что углеводороды с прямыми цепями
сгорают в цилиндрах дизельных двигателей легче, чем углеводоро-
ды с разветвленными цепями [323].
476
7.14. ПРИМЕНЕНИЕ В ЗДРАВООХРАНЕНИИ И
ДРУГИХ ОБЛАСТЯХ НАУКИ И ТЕХНИКИ
(РЕТРОСПЕКТИВНЫЙ ВЗГЛЯД)
В настоящее время спектроскопия ближней инфракрасной области
находит широкое применение в различных областях науки и техники.
Поскольку детальное описание различных приложений метода не ук-
ладывается в объем настоящей работы и требует специального рас-
смотрения, в данном разделе дается только краткое описание состоя-
ния вопроса.
Метод применяется в медицине и в производстве лекарственных
веществ. В медицине спектроскопия ближней инфракрасной области
используется для безинвазивного определения содержания жира в
тканях человека без нарушения их целостности и нанесения какого-
либо вреда здоровью пациента [280]. Показана возможность опреде-
ления насыщенности кислородом гемоглобина церебральной вены с
помощью датчика на волоконной оптике, прикладываемого к скуле
пациента [319]. ИК-метод перспективен для быстрого определения
кислородной недостаточности миокарда [406], кислородного голода-
ния мозга [415]. Показана возможность использования спектроско-
пии ближней инфракрасной области для комплексной диагностики
болезней печени в сочетании с другими методами [630], возможность
определения рО2, рСО2, pH по диффузному отражению тыльной сто-
роны кисти руки в ближней инфракрасной области [473]. Метод ис-
пользован для определения содержания жира и сухого вещества в
фекалиях, что исключает очень неприятную процедуру пробоподго-
товки и анализа при выполнении определения этих показателей обыч-
ными лабораторными методами, а также обеспечивает быстрое полу-
чение результатов [353].
Метод широко используется в фармацевтической промышленности
для анализа исходного сырья, полупродуктов и готовых форм ле-
карств. Состояние вопроса освещено в ряде оригинальных и обзор-
ных статей [324, 262, 295, 351, 296, 669, 264]. Фирмой NIRSys-
tems для анализа фармакологических объектов разработаны ана-
литическая система на основе инфракрасного спектрофотометра
модели 5000 и датчиков на волоконной оптике для проведения
анализов в производственных условиях, приставка к спектрофото-
метру для анализа отдельных таблеток, препаратов непосредствен-
но в пластиковых пакетах, бюксах и т.п., что значительно упроща-
ет пробоотбор и технику измерений (рис. 7.14.1). Метод хорошо
сочетается с тонкослойной хроматографией, обеспечивая иденти-
477
Рис. 7.14.1. Анализатор лекарственных препаратов на базе
спектрометра модели 5500 фирмы NIRSystems с приставкой,
позволяющей анализировать измельченный материал в
стандартной кювете для анализа порошковидных проб,
отдельных таблеток и капсул, а также расфасованных
лекарств непосредственно в упаковке.
фикацию разделяемых веществ и их количественное определение
[268, 265, 266].
Для идентификации сырья для изготовления лекарственных препа-
ратов, полупродуктов и готовых форм по спектрам в ближней инфра-
красной областифирмой NIRSystems разработан программный ком-
плекс IQ2. Аналогичный программный комплекс, в котором в качест-
ве дискриминирующего критерия используется расстояние Махалано-
478
биса [462, 457, 459], разработан фирмами Glaxo и Bran & Luebbe
[296, 295].
В промышленности применение метода не ограничивается анализом
продуктов нефтехимии и текстильных материалов, рассмотренных в
разделах 7.12 и 7.13. Спектроскопия ближней инфракрасной области
используется в анализе полимерных материалов [364, 428], моющих
средств [328, 532], при определении содержания действующих ве-
ществ в пестицидах [506], в деревообработке и бумажной промыш-
ленности [254, 246], в производстве сахара [519, 418], в биотехноло-
гии [261, 215, 563] и в ряде других производств. Следует отметить,
что многие приложения метода не освещены в литературе и являются
разработками фирм, производящих приборы и оборудование для ближ-
ней инфракрасной спектроскопии. Например, фирмой NIRSystems
предлагаются ряд устройств и различные модификации специализиро-
ванных спектрофотометров, десятки методик и рекомендаций по про-
ведению анализов различных материалов в химической, пищевой, тек-
стильной промышленности, при производстве полимеров и других
материалов, как для периодического контроля с отбором проб, так и
для непрерывного автоматизированного контроля в режиме реально-
го времени в составе автоматизированных систем управления произ-
водственными процессами. Различные устройства и измерительная
техника на основе спектроскопии ближней инфракрасной области,
соответствующие программные средства для осуществления непре-
рывного автоматизированного контроля производит также фирма Вгап
& Luebbe и ряд других фирм.
Насколько широко спектроскопия ближней инфракрасной области
используется в системах автоматизированного непрерывного контро-
ля за производственными процессами, можно судить по тому, что
только при производстве вина и спиртных напитков во Франции,
Италии и Испании функционирует более 200 таких систем [447].
Спектроскопия ближней инфракрасной области хорошо сочетается
с жидкостной и тонкослойной хроматографией, повышая разрешаю-
щую способность и точность этих методов, что находит практическое
применение [265, 266].
Применение спектроскопии ближней инфракрасной области в ана-
литической практике рассматривается в ряде обзорных статей обще-
го характера [664, 618, 119] по использованию метода в сельском хо-
зяйстве и пищевой промышленности [510, 85, 120, 183, 679, 434, 433,
61, 239, 71, 307]. Вопросы непрерывного контроля, применяемые тех-
нические средства и специальные методы обработки получаемых данных
рассматриваются в работах [562, 423]. Имеется также несколько моног-
рафий по ближней инфракрасной спектроскопии [545, 689, 253].
479
8. ИДЕНТИФИКАЦИЯ ОБЪЕКТОВ
Спектр диффузного отражения или пропускания в ближней инфра-
красной области является характеристическим для данного материа-
ла, что определяется целым рядом его химических и физических
свойств. Это позволяет проводить классификацию и идентификацию
объектов по спектральным данным. Наиболее простым методом иден-
тификации при использовании молекулярной спектроскопии являет-
ся визуальное сравнение спектра неизвестного объекта со спектрами
известных объектов, определение наличия в спектре полос поглоще-
ния, свойственных тем или иным химическим соединениям. Однако
для таких сложных по составу объектов, как, например, материалы
биологического происхождения, спектры которых содержат боль-
шое число широких перекрывающихся полос поглощения, визу-
альный метод не дает обычно четких результатов. В этом легко
убедиться, рассмотрев спектры диффузного отражения зерна пше-
ницы, ржи, овса и ячменя, показанные на рис. 2.2.8. Различия в
спектрах можно увидеть главным образом в общем уровне погло-
щения. Другие различия в спектрах крайне невелики, так что оп-
ределить визуально, какому виду зерна принадлежит тот или иной
спектр, практически невозможно. В то же время такое отличие,
как общий уровень поглощения, не может служить четким диаг-
ностическим признаком. Общий уровень поглощения в значитель-
ной степени зависит от крупности частиц исследуемого материала,
и спектры образцов в пределах каждой из рассматриваемых куль-
тур могут различаться по данному признаку значительно больше,
чем спектры образцов разных культур. Об этом можно судить, на-
пример, по рис. 4.1.7, на котором показаны спектры 95 образцов
пшеницы. Можно видеть, что варьирование общего уровня поглоще-
ния здесь значительно больше, чем в спектрах отдельных образцов
зерна разных культур, показанных на рис. 2.2.8. Кроме того, визу-
альный метод не лишен субъективизма, требует специальных знаний
и занимает много труда и времени.
В этой связи в настоящее время при использовании спектроско-
пии для идентификации материалов применяют статистические ме-
тоды распознавания образцов и соответствующие критерии. Это
позволяет на основе количественных измерений спектров прово-
дить классификацию объектов, определяя степень близости их друг
другу, или проводить идентификацию объектов, устанавливая при
заданном уровне вероятности, к какой предварительно выделенной
группе или классу они относятся. Использование статистических
методов, злектронно-вычислитсльнои техники и соответствующего
480
программного обеспечения позволяет автоматизировать процесс
идентификации объектов. Это обеспечивает не только очень быстрое
получение результатов и их объективность, но и снижает требования к
квалификации исполнителя такого анализа.
Распознавание образов применяется в ближней инфракрасной спек-
троскопии не только для идентификации объектов, что имеет важное
практическое значение и представляет самостоятельную аналитичес-
кую проблему. Оно может применяться и как вспомогательное сред-
ство контроля в количественном анализе. Сравнение спектра анали-
зируемого образца со спектрами образцов, использованных для полу-
чения применяемого градуировочного уравнения, может указать на
возможность значительной погрешности результата в связи с тем,
что данный образец представляет по спектральным данным совсем
другой материал, для анализа которого данное уравнение не предна-
значено и может быть непригодно.
Сравнение спектров различных образцов данного объекта по ста-
тистическим критериям позволяет оптимизировать отбор образцов
для градуировки инфракрасных анализаторов при количественном
анализе. Это позволяет охватить максимум вариации спектральных
данных при минимальном числе образцов и получить по ним доста-
точно устойчивое градуировочное уравнение при минимуме затрат на
проведение необходимых аттестационных анализов. Вопросы приме-
нения методов идентификации объектов в количественном анализе
рассматриваются в разделе 9.
В общем плане проблема распознавания образов рассматривается
рядом авторов [179, 715, 649, 55, 170, 453, 1, 73, 187, 164, 254]. Во
многих случаях возможно использование готовых пакетов соответ-
ствующих статистических программ.
Для определения близости объектов по их спектрам в ближней
инфракрасной области часто используют кластерный анализ [62].
Существенно, что он не требует априорной информации о распреде-
лении генеральной совокупности. Анализ состоит в последовательном
агломеративном объединении элементов кластеров (групп), сначала
самых близких, а затем все более отдаленных друг от друга. Первона-
чально каждый кластер содержит одно наблюдение, а расстояние между
кластерами может быть определено обычной евклидовой метрикой.
Расстояние между i-м и /‘-м кластерами в этом случае может быть
рассчитано следующим образом:
Гм
dij ~ V ^ik ~ Xjk) ,
V m=l
где d — расстояние между i-м и i-м кластерами:
481
х — результат измерения оптической плотности или ее аналога
при £-й длине волны i-го или /'-го образца соответственно.
Для уменьшения объемов обрабатываемой информации при проведе-
нии анализа по спектрам используют результаты измерений при отдель-
ных длинах волн, выбор числа и положения которых имеет существен-
ное значение. В последнее время для сокращения объемов спектральных
данных используют описания спектров с помощью главных компонент,
преобразования Фурье, а также комбинацию этих методов.
При идентификации материалов по спектральным данным применя-
ют различные дискриминирующие критерии. В последнее время все
больше применяют расстояния Махаланобиса [346, 460, 462, 649,
296]. Данный критерий имеет несколько принципиальных преиму-
ществ перед другими, традиционно используемыми для поиска в биб-
лиотеке данных. Он позволяет «обучить» компьютер реагировать на
варьирование спектров различных материалов, основываясь на на-
дежных статистических принципах, которые обеспечивают четкие до-
верительные пределы результатов каждого поиска.
Применение расчетов расстояния Махаланобиса к спектральным
данным можно продемонстрировать на простом примере дискримина-
ции трех групп образцов по результатам измерений при двух длинах
волн. Это позволяет показать распределение образцов по спектраль-
ным данным в двухмерном пространстве. На рис. 8.1, заимствованном
из литературы [460], показаны спектры трех образцов, представляю-
щих зерно твердой пшеницы, мягкой пшеницы и сои, а также участок
спектра в диапазоне 2000 — 2200 нм, где наблюдаются определенные
различия материалов. Здесь также показаны пределы варьирования
спектров, наблюдаемые при перезагрузке образцов в кювету, обус-
ловленные различным распределением крупных и мелких частиц по
глубине кюветы. Эти три спектра легко различаются визуально. Вы-
сокое содержание крахмала в образцах пшениц делает поглощение
при 2100 нм большим, чем при 2180 нм, тогда как соя дает большее
поглощение при 2180 нм, что связано с высоким содержанием белка.
Зерно твердой и мягкой пшениц размалываются неодинаково, давая
различные по крупности частицы даже при размоле на одном и том
же измельчительном устройстве. Это определяет различия в общем
уровне поглощения, что является характеристическим признаком, ко-
торый не перекрывается различиями, связанными с переупаковкой
кюветы, и может быть использовано для отличия мягкой пшеницы от
твердой. Откладывая по оси абсцисс оптическую плотность образцов
трех рассматриваемых материалов при 2180 нм, а по оси ординат —
при 2100 нм, была получена картина, показанная на рис. 8.2. Из
графиков видно, что результаты измерений образуют три вполне обо-
собленные группы точек, соответствующие трем изучаемым материа-
482
Длина волны, нм
Рис. 8.1. Спектры диффузного отражения образцов зерна
мягкой, твердой пшениц и бобов сои:
А — полный спектр;
В — участок спектра 2000 — 2200 нм.
Прерывистыми линиями показаны участки наибольшего различия
спектров и пределы варьирования спектров каждого образца [460].
483
лам. Можно видеть, что, если по результатам соответствующих изме-
рений образец неизвестного материала окажется среди точек одной
из данных групп, он может быть идентифицирован как принадлежа-
щий данной группе. Однако для этого необходимо определить по-
ложение и границы этих групп. Проблема усложняется, когда имеет-
ся больше различных материалов, и для их разграничения двух длин
волн может быть недостаточно. В этом случае от двухмерного может
потребоваться переход к трехмерному и более многомерному про-
странству. Положение группы в многомерном пространстве может
быть определено как среднее арифметическое результатов измерений
при каждой длине волны. Для двухмерного пространства средние зна-
чения обозначены перекрестиями отрезков прямых в группах точек
на рис. 8.2 и показывают положения соответствующих групп. Сред-
нее значение оптической плотности данного материала при использу-
емых длинах волн является групповым средним, представляющим век-
тор, а набор векторов, описывающих все изучаемые материалы, —
матрицу групповых средних.
Более сложным является вопрос о границах группы, их расстояни-
ях от группового среднего. Как можно видеть из рис. 8.2, каждая
группа точек образует узкое, вытянутое по линии под углом около
45° облако рассеяния. Видно, что точка М на рис. 8.2 скорее принад-
лежит группе сои, чем точка N, хотя точка N расположена ближе к
центру группы сои. В данном случае измерение расстояния в евкли-
довом пространстве явно недостаточно эффективно. Для преодоления
этой трудности может быть выбрана такая мера расстояния D, кото-
рая в направлении вытянутости облака рассеяния будет больше, чем
в других. Метрикой, которая соответствует этим требованиям, может
быть расстояние Махаланобиса. Оно определяется как единица век-
тора расстояния в многомерном пространстве и может быть описано
как эллипс в двухмерном пространстве или как эллипсоид в много-
мерном. В матричной форме расстояние Махаланобиса D от точки X
до центра группы X, согласно [346], описывается уравнением
D2 =(X-Xi)'M(X-Xi),
где X — вектор, описывающий положение спектра идентифи-
цируемого образца в многомерном пространстве;
Х; — вектор, описывающий положение i-й группы в многомерном
пространстве;
М — матрица, описывающая меры расстояний при расчете рас-
стояния Махаланобиса и определяющая среднеквадратические от-
клонения, которые образуют эллипс, ограничивающий пределы
рассеяния группы.
484
Рис. 8.2. Расположение значений оптической плотности
образцов мягкой (1), твердой (2) пшениц и сои (3) при 2180
и 2100 нм.
Перекрестиями показаны средние значения (центры групп), конту-
рами пределы рассеяния [460].
485
Имеются три возможных способа получения ограничивающего эл-
липса [346], определяемые тем, что представляет матрица М в выра-
жении расстояния Махаланобиса. Это могут быть матрицы Ml, М2 и
М3, которые иллюстрирует рис. 8.3.
Ml — единичная матрица. В этом случае эллипс редуцируется в
сферу, и в результате расчет D приводит к евклидову расстоянию
(рис. 8.3.а).
М2 представляет обратную ковариационную матрицу, элементы
которой
ElementVijk = ^(Xlik-X^){Xljk -X7k)
i=I
где t — элемент ковариационной матрицы k-й группы при i-й и /-
й длинах волн;
Хш и Xljk— данные /-го образца k-й группы при i-й и /'-й длинах
волн соответственно;
Xfc и Xjk— средние для k-й группы при i-й и /-й длинах волн
соответственно.
Суммирование проводится по всем образцам, принадлежащим дан-
ной группе. Таким образом, М2 предполагает установление эллипсо-
ида, ограничивающего данные для каждого материала отдельно. Это
показывает график на рис. 8.3.d.
Матрица М3 описывает обратную матрицу образованную объеди-
нением внутригрупповых матриц ковариации всех групп, и определя-
ет общую метрику для всех групп образцов в многомерном простран-
стве (рис. 8.3.Ь). Элементы этой матрицы перед ее обращением пред-
ставляют объединение соответствующих элементов в индивидуальных
матрицах ковариаций, определяемых уравнением
р я* _________ __________
ElementV^ = ££(XZi* - Xik)(Xljk - Xjk),
k=l i=l
где суммирование проведено теперь по всем р-группам.
Использование М3, то есть обращенной объединенной матрицы как
основы расчета расстояния Махаланобиса, предполагает, что все груп-
пы имеют близкие размеры, форму и ориентированность облака рас-
сеяния. Однако на практике это может быть не так. Группы могут
значительно различаться по этим показателям, как это можно видеть
из рис. 8.3. Чем ближе спектры друг другу, тем меньше размеры
облака рассеяния точек. Для приведения к одному масштабу расстояние
Махаланобиса может быть нормализовано согласно размерам рассеяния
i рупп. Имея рассчитанную матрицу М3, можно найти средний квадрат
486
Поглощение при 2180 нм
Рис. 8.3. Границы варьирования внутри групп,
установленные различными методами [460]:
а — по расстоянию в евклидовом пространстве;
b — по расстоянию Махаланобиса, полагая, что варьирование во
всех группах одинаково по размерам, форме и ориентации рассея-
ния (М3);
487
Рис. 8.3. (продолжение).
с — по расстоянию Махаланобиса, полагая, что варьирование во всех
группах имеет одинаковую форму и ориентацию облака рассея-
ния, но его пределы установлены индивидуально для каждой группы
по внутригрупповому среднеквадратическому отклонению (Ml);
d — по расстоянию Махаланобиса индивидуально для каждой груп-
пы, соответственно форме, ориентации и размерам облака рассея-
ния каждой (М2).
488
размера каждой группы, рассчитав сначала расстояние D; каждого об-
разца от среднего группы, которой он принадлежит. Затем можно рас-
считать для каждой группы среднеквадратический размер группы СР:
СР = ^В?/(М-1)
Деление значения расстояния Махаланобиса каждого образца от сред-
него группы на СР соответствующей группы даст нормированное, то есть
выраженное в единицах СР, расстояние Я, которое более точно представ-
ляет расстояние до различных средних значений групп, уменьшая воз-
можность ошибок при идентификации. Этот вариант показан на рис. 8.3.с.
В первом приближении при определении границ группы можно взять
три расстояния Махаланобиса. Это значение использовано, в частности,
при определении границ выборок, составляемых для градуировки инфра-
красного анализатора и исключения образцов с аномальными спектрами
[601]. Критические значения расстояний Махаланобиса (//) при обыч-
ных комбинациях числа длин волн и числа спектров в обучающей груп-
пе данных приведены в таблице 8.1, взятой из литературы [667].
Таблица 8.1.
Критические значения И в зависимости от числа
используемых длин волн, числа образцов в обучающей
серии при различных уровнях значимости
Число длин волн Уровень зна- чимости, а Число образцов в обучающей серии
25 50 75 100
2 0,01 3,42 3,22 3,15 3,12
0,05 2,66 2,55 2,52 2,50
0,10 2,30 2,22 2,19 2,18
3 0,01 3,93 3,63 3,54 3,49
0,05 3,14 3,96 2,90 2,87
0,10 2,76 2,62 2,58 2,56
5 0,01 4,90 4,33 4,17 4,09
0,05 4,00 3,63 3,52 3,47
0,10 3,57 3,28 3,19 3,15
7 0,01 5,89 4,95 4,71 4,60
0,05 4,84 4,21 4,04 3,96
0,10 4,35 3,84 3,71 3,64
9 0,01 6,89 5,54 5,20 5,05
0,05 5,75 4,76 4,51 4,41
0,10 5,18 4,37 4,17 4,08
10 0,01 7,59 5,83 5,44 5,26
0,05 6,24 5,03 4,74 4,61
0.10 5.63 4.63 4.39 4.28
489
Согласно [460], если используется Ml, в обучающей серии до-
статочно 5 образцов в каждой группе, М2 требует не менее 25 на
группу, чтобы определить форму и ориентированность рассеяния
каждой группы, М3 — не менее 5—10 и нормированное М3 — не
менее 10 — 15 образцов в каждой группе. Естественно, что чем
больше образцов данной группы используется для обучения, тем
лучше, но при этом необходимо учитывать число групп и возмож-
ности используемого компьютера, оперативной памяти которого
может не хватить.
Статистическая теория дискриминантного анализа определяет так-
же линейные дискриминантные функции очень, сходные с расстоя-
нием Махаланобиса. Эти функции имеют характеристики, пред-
ставляющие интерес для спектроскопии ближней инфракрасной
области. Их выражения подобны по форме уравнениям линейной
регрессии, так что в принципе они могли бы использоваться на
практике. Однако они уступают расстоянию Махаланобиса, так
как оно лучше определяет аномальные образцы и образцы матери-
алов, которых не было в обучающей серии. Главный недостаток
расстояния Махаланобиса в сравнении с линейными дискриминан-
тными функциями состоит в необходимости большого объема вы-
числений, однако современные персональные компьютеры доста-
точно легко с этим справляются.
При использовании расстояния Махаланобиса в качестве критерия
для идентификации образца неизвестного продукта возможны три
варианта:
1. Образец оказывается внутри границ одной из групп материа-
лов в библиотеке данных (обучающие серии). В этом случае он
достаточно определенно может идентифицироваться как принадле-
жащий этой группе. Вероятность правильности решения может быть
определена по уровню значимости в соответствии с числом длин
волн (переменных) и числом образцов в группе, использованных
при обучении (табл. 8.1).
2. Образец оказывается вне границ всех имеющихся групп. Это
может говорить о том, что идентифицируемый образец принадлежит
материалу, образцов которого не было в обучающем наборе, или он
резко отличается от имеющихся образцов каким-либо признаком,
явившимся следствием нарушения методики пробоподготовки, мето-
дики или условий измерений и т.п. В этом случае положение может
быть исправлено приведением условий получения данных в соответ-
ствие с требованиями методики.
3. Образец оказывается одновременно в пределах двух классифика-
ционных групп. Это может произойти, когда образцы выделяемых
групп имеют очень близкие спектры или неудачно выбраны длины
490
волн при обучении, что само по себе должно быть выявлено в про-
цессе классификации. Границы групп должны быть удалены друг от
друга так, чтобы их границы не перекрывались и не создавали пред-
посылок для возникновения рассматриваемой ситуации. Обычно это
определяется тем, насколько хорошо подобраны длины волн (пере-
менные) при обучении.
Когда материалов немного, при выборе длин волн для классификации
спектры могут быть рассмотрены визуально, и необходимые значения
длин волн могут быть подобраны, исходя из различий, наблюдаемых для
классифицируемых материалов. Если спектры очень близки или матери-
алов слишком много, визуальная оценка становится затруднительной. В
этом случае можно воспользоваться известным методом, основанным на
расчете значения величины, описываемой уравнением
-^гм(хл -X),
к=1
где — вектор средних k-й группы;
X — вектор средних всех групп;
М — матрица, определяющая метрику расстояний в многомерном
пространстве.
Результат такого расчета эффективен для сравнения межгрупповых
расстояний с внутригрупповыми по их соответствующим средним.
Переменные (длины волн или их аналоги) выбираются так, чтобы
межгрупповые расстояния были максимизированы. Статистические
решения этой задачи состоят в расчете всех пар расстояний D меж-
ду группами i и /, затем в нахождении суммы (1 /D(;.)2. Группы, нахо-
дящиеся в наибольшей близости друг другу, дают наиболее весомый
вклад в значение этой величины. Руководствуясь этим, длины волн
(переменные) подбирают так, чтобы эта сумма была минимальной.
При выборе оптимальных длин волн спектральные данные могут быть
предварительно преобразованы в производные, нормированы и т.п.
Следует отметить, что в последнее время чаще используют не от-
дельные длины волн, а приближения спектров, получаемые преобра-
зованием Фурье или описываемые главными компонентами, а также
сочетание того и другого. В частности, сочетание преобразования
Фурье с последующим расчетом главных компонент использовано
для идентификации основных сортов мягких пшениц, распространен-
ных во Франции, для определения принадлежности их к одной из
трех групп по хлебопекарным качествам [222]. Для сокращения объ-
491
емов спектральной информации исходные спектры исследуемых об-
разцов преобразовывали в ряд Фурье, используя 50 пар коэффициен-
тов, а затем проводили анализ главных компонент. В обучающей
выборке было 79 образцов. При проведении дискриминантного ана-
лиза 42 контрольных образцов, которых не было в обучающей се-
рии, только два образца были идентифицированы неправильно. Пред-
лагаемый метод достаточно экспрессен. Сокращение данных с по-
мощью преобразования Фурье с последующим использованием глав-
ных компонент очень эффективно. Обработка данных при обучении
занимала не более двух часов машинного времени, а идентификация
одного образца, определение, к какой группе по хлебопекарным ка-
чествам он относится, требовала не более 2 минут.
Расстояние Махаланобиса применяется в ряде программных ком-
плексов, используемых для контроля качества сырья, полупродуктов
и конечной продукции в фармацевтической промышленности [645,
296]. В программном комплексе PRISM [645] сначала по расстоянию
Махаланобиса для идентифицируемого образца определяются 10 бли-
жайших групп известных материалов, спектры которых имеются в
библиотеке. Затем проводится расчет первых производных спектра.
После этого проводится более детальное сравнение преобразованного
спектра испытуемого образца с первыми производными спектров пред-
варительно установленных групп и, если сумма разностей ниже опре-
деленного предела для какой-либо группы, подтверждается идентич-
ность. Первая производная используется для того, чтобы исключить
сдвиг в спектрах, обусловленный различием в крупности частиц и
плотности упаковки образца в кювете. Правда, в некоторых случаях
такие моменты, как, например, крупность частиц, сами по себе важ-
ны для классификации.
Одним из наиболее простых методов идентификации материалов
является непосредственное сравнение спектров. В этом методе в ка-
честве дискриминирующего критерия используют следующую величину:
(=1
где Xt и Х2 — спектральные данные неизвестного и известного (биб-
лиотечного) образцов при i-й длине волны.
Использование данного метода эквивалентно расчету евклидова рас-
стояния между спектрами испытуемого образца и известными спек-
трами материалов, имеющихся в библиотеке. Образец считается при-
надлежащим тому виду материала, к спектру которого он ближе все-
го по данному критерию. В сравнении с использованием расстояния
Махаланобиса данный способ требует значительно меньшего объема
492
вычислительной работы, но имеет ряд недостатков. Во-первых, он не
учитывает возможную вариацию в составе образцов, представляющих
исследуемые объекты, или вызванную физическими факторами, как,
например, различия в крупности частиц или плотности упаковки ма-
териала в кювете. Поэтому его использование ограничено анализом
чистых веществ, с чем имеет обычно дело химическая промышлен-
ность или фармакология. Чувствительность к изменению спектраль-
ной картины под действием физических факторов предполагает, что
данный способ не может использоваться без предварительных преоб-
разований спектров, таких, как получение производных и т.п., кото-
рые снижают влияние таких моментов.
Для идентификации объектов используется также метод косинусов.
Рассчитываемой величиной, которая служит для решения вопроса о
том, насколько близко данный идентифицируемый образец подходит
к известному, является косинус угла между векторами, представляю-
щими спектры в многомерном пространстве. Для нахождения значе-
ния искомой величины используют следующее уравнение:
п
ЕАД
Д^= п t=\ ,,д •
(ZA?E^) р-
i=l i=l
где MI — индекс соответствия (match index);
А а В — спектральные данные сравниваемых образцов при i-й
длине волны.
Индекс соответствия может иметь значения от —1 до +1. Обра-
зец считается принадлежащим группе, для которой индекс соот-
ветствия близок +1. Геометрический смысл индекса соответствия
показывает рис. 8.4, для которого использованы рассмотренные
выше данные для сои и пшениц. В случае использования индекса
соответствия рассчитанное значение представляет косинус угла
между неизвестным образцом, отмеченным крестом, и точкой, пред-
ставляющей известный (библиотечный) образец, принадлежащий
группе образцов известного материала, или, как показано на
рис. 8.3.а, групповому среднему. Если неизвестный образец попа-
дает в границы, представляющие данную группу, как показано на
рис. 8.3.в, он классифицируется как принадлежащий данной груп-
пе. Таким образом, геометрический эквивалент такого расчета пред-
ставляет измерение многомерного расстояния с использованием
скорее полярных координат, чем прямоугольных. Другой интерес-
ной чертой рассматриваемого критерия является то, что, если каж-
493
Поглощение при 2180 нм
Поглощение при 2180 нм
Рис. 8.4. Принцип метода косинусов [460].
494
дый спектр корректировать вычитанием среднего значения, каждая
сумма квадратов становится суммой квадратов отклонений от сред-
него^ (X - X)2 и индекс соответствия становится коэффициентом
корреляции двух спектров.
Коэффициент корреляции спектров, который рассчитывается дово-
льно быстро, используется для определения степени близости спект-
ров при выборе образцов для составления градуировочной серии [705],
а также для идентификации материалов в программном комплексе IQ2
фирмы NIRSystems.
В ближней инфракрасной спектроскопии для идентификации мате-
риалов часто используют иерархический кластерный анализ. Вопро-
сы применения этого метода изучались, например, на 200 спектрах
зерна твердой пшеницы и продуктах его переработки на эксперимен-
тальной мукомольной фабрике [225]. Спектры получали с помощью
анализатора InfraAlyzer-500. Исследуемые образцы представляли 9
групп продуктов: размолотое зерно пшеницы, очень чистую, средней,
низкой чистоты и очень загрязненную крупку, чистую и загрязнен-
ную муку, высевки и отруби. В качестве обучающей серии использо-
вали 100 образцов, отобранных методом рандомизации, и 100 образ-
цов — в качестве контрольной серии. Поскольку основным источни-
ком варьирования спектральных данных являются различия в круп-
ности частиц, для устранения этого фактора спектры нормировались
по уравнению
s = (1/хх')х ,
где s — вектор-строка нормированных спектральных данных;
х — вектор-строка исходных спектральных данных;
х/ — транспонированный вектор х;
хх7 — норма вектора х.
Нормированные спектры сглаживали методом бегущего окна (12
нм), а затем получали вторую производную методом конечных раз-
ностей по интервалу 24 нм. Производные спектров подвергали анали-
зу главных компонент. Существенность главных компонент оценива-
ли по их собственным значениям и компоненты с собственными зна-
чениями, близкими нулю, исключали. Оставшиеся первые 5 компо-
нент описывали 99,45% дисперсии спектральных данных и были ис-
пользованы для иерархического кластерного анализа обучающей се-
рии образцов.
Иерархический анализ обычно проводят в следующей последова-
тельности:
1. Получение матрицы расстояний каждого нормированного спект-
ра (описывающих его главных компонент) от всех других спектров.
На данном этапе каждый кластер содержал один спектр.
495
2. Установление наименьших расстояний между кластерами. Если Л и
В представляют два ближайших кластера, расстояние между ними пред-
ставляют векторы а и Ь, соответствующие числу спектров па и пь.
3. Подстановка вместо а и b их средневзвешенных значений дает
С = (поа + пьЪ)/(па + пь).
Созданный кластер получает вес, равный числу спектров, которое
он включает, то есть па + пь.
4. Преобразование матрицы расстояний удалением из нее строк и
столбцов, соответствующих Л нВ, и включением в нее расстояния С.
5. Повторение вычислений, начиная с пункта 2, пока данные не
соберутся в один-единственный кластер.
Эта процедура требует большого объема оперативной памяти компь-
ютера. При п наблюдениях число рассчитываемых расстояний равно
п(п—1)/2.
Существует другой способ иерархического кластерного анализа,
который не требует получения матрицы расстояний [576]. Анализ
выполняется по следующему алгоритму:
1. Начинают с помещения каждого спектра в отдельный кластер с
весом, равным 1.
2. Находят ближайшего соседа для каждого кластера.
3. Определяют попарно близкие кластеры.
4. Объединяют пары ближайших кластеров. Каждая пара сосед-
них кластеров Л и В, включающая соответственно поа и пьЪ спек-
тров, замещается их центроидом С, определяемым как пал +пьЬ.
Число спектров в С используют как его вес пс, который равен
п +пи.
a ь
5. Повторяют расчеты, начиная с пункта 2, пока все данные не
объединятся в один кластер.
По окончании каждой итерации кластеры соединяются.
Для определения ближайших соседей или их кластеров рассчи-
тывают все возможные комбинации расстояний каждого кластера
от всех других, определяя расстояния между кластерами как сум-
му квадратов разностей. Изначально это разность спектров, затем
это центроид С.
Результаты иерархического кластерного анализа, полученные в рас-
сматриваемой работе [225], представлены на рис. 8.5 в виде дендрог-
раммы, которая достаточно четко показывает разделение спектров
образцов на кластеры в соответствии с группами объектов по чистоте
и технологии производства. Дендрограмма показывает, что не разде-
ляются только такие пары групп, как крупка низкой чистоты и раз-
молотое зерно пшеницы, очень загрязненная мука и высевки. Как
показала проверка. 94% спектров контрольных образцов были пра-
496
Рис. 8.5. Дендрограмма результатов иерархического
кластерного анализа 100 спектров образцов зерна пшеницы
и продуктов его переработки [225]:
W — размолотое зерно твердой пшеницы;
S1 — очень чистая крупка;
S2 — крупка средней чистоты;
S3 — крупка очень низкой чистоты;
S4 — очень загрязненная крупка;
F1 — чистая мука;
F2 — загрязненная мука;
М — высевки;
В — отруби.
вильно отнесены к выделенным кластерам соответственно технологии
получения продуктов.
Изучение возможности использования спектроскопии ближней
инфракрасной области для определения сорта и степени прожа-
ренности кофейных зерен проводили с помощью линейного дис-
криминантного анализа, кластерного и факторного анализов [394].
Объектами исследований служили образцы 9 различных сортов
кофе, включая сантос (S), мокко (М), колумбийский (С), гвате-
мальский (G), манделингский (А), голубых гор (В) и два сорта
робуста (Р и R). Зерна кофе размалывали в охлажденном состоя-
нии (—80°С). Для инфракрасного анализа отбирали образцы, пред-
ставляющие фракцию 12 — 42 меш. Исследовали также экстракты
кофе в воде, получаемые на кофеварке с фильтром. Для каждого
497
сорта кофе снимали и сохраняли спектры 30 образцов. Спектры
получали с помощью анализатора InfraAlyzer-500. Образцы зерна
снимали при комнатной температуре около 26°С, экстракты —
при 20°С. В качестве переменных использовали 19 длин волн,
соответствующих максимумам пропускания фильтров анализатора
InfraAlyzer-400. Для статистической обработки данных использо-
вали программы Lotus 1-2-3. Найдено, что использование первой
производной спектров дает более четкие результаты, чем исход-
ные данные оптической плотности. Для кластерного анализа ис-
пользовали по 5 спектров образцов из имевшихся 30 для каждого
сорта. При анализе зерна зеленого кофе из 9 сортов четко выделя-
лось только 3 кластера. Однако для жареного кофе получено очень
четкое разделение точно на 9 кластеров соответственно 9 изучае-
мым сортам. Выпало только 2 образца из 45. Как показал фактор-
ный анализ данных по первой производной спектров зерен кофе,
78% информации, которую дают измерения при 19 длинах волн,
описываются первыми двумя скрытыми переменными.
Линейный дискриминантный анализ позволяет достаточно четко
идентифицировать сорт кофе при анализе как зеленого зерна, так и
жареного зерна и экстрактов. Преимущества первой производной про-
являются более четко при анализе зеленого кофе. Если по исходным
результатам оптической плотности правильно идентифицировалось
78,5% образцов, то по первой производной — 97,4%. Для жареного
кофе различия были не столь существенны: 98,2 и 100% соответ-
ственно. Экстракты разделялись значительно хуже, что объясняется
тем, что в них переходит только около 1 % веществ, извлекаемых
при варке кофе [394].
В этой же работе для кластерного анализа степени прожареннос-
ти кофе было отобрано по 10 спектров образцов каждого уровня,
чтобы сократить общее число спектров до 50. Получено четкое
разделение на кластеры соответстйкнно уровню прожаренности.
Выпало только 6 образцов. Использование факторного анализа
для идентификации способа жарения по первым двум факторам
показало возможность четкого разграничения пяти уровней про-
жаренности и двух способов жарения. Использование линейного
дискриминантного анализа с применением первой производной дало
очень хорошие результаты для пяти уровней прожаренности (рис.
8.6). Идентификация уровня прожаренности оказалась значитель-
но проще определения сорта кофе. Для ее проведения достаточно
одномерных данных.
Инфракрасная спектроскопия использована для идентификации
генетических линий при селекции пшеницы [222], сортов пшеницы
[224], люпина [329], образцов почв [436], древесины [254], сухого
498
Рис. 8.6. Дендрограмма результатов кластерного анализа
первой производной спектров образцов кофе разной степени
прожаренности (1 — 5) [394].
порошкового снятого молока [311] и ряда других материалов. На-
иболее отработан этот вопрос при идентификации сырья, полупро-
дуктов и конечной продукции в фармацевтической промышленнос-
ти. В одной из работ для изучения вопросов применения спектрос-
копии ближней инфракрасной области для контроля качества про-
дукции в фармацевтической промышленности использовали инфра-
красный спектрофотометр Фурье с двойным светопроводом длиной
1,5 м [351]. Снимали спектры диффузного отражения порошков.
По одному световоду излучение от прибора направлялось на про-
бу через кварцевое окно, которое освещало площадь объекта диа-
метром 10 мм. Отраженное пробой излучение по второму светово-
ду направлялось на фотоприемник прибора. Спектрометр позво-
лял получать сплошной спектр в диапазоне 1000 — 2500 нм
(10000 — 4000 см1) с разрешением 25 см1. При использовании
светопроводов измеряемый диапазон не выходил за пределы длин
волн более 2200 нм (4800 см1). Спектры снимали по точкам через
каждые 12,5 см1. В настоящее время в существующей системе
контроля используется спектроскопия в средней области, требую-
499
щая сложной пробоподготовки и проведения спектрального анализа в
лабораторных условиях. Спектроскопия ближней инфракрасной об-
ласти позволяет это сделать быстрее, тем более что использование
соответствующей аппаратуры с волоконной оптикой позволяет про-
водить измерения непосредственно в контейнерах, в которых нахо-
дится продукт. Однако получаемые спектры практически непригодны
для визуального изучения, и выходом из ситуации представлялось
использование хемометрических методов.
По методике с использованием расстояния Махаланобиса, предло-
женной ранее [462], в обучающей серии необходимо иметь много
образцов так, чтобы обучающая серия достаточно полно охватывала
вариацию каждого вида материала и было определено расстояние
Махаланобиса относительно среднего спектра. Однако использование
в этом методе результатов измерений при двух-трех длинах волн в
ряде случаев дает для новых образцов данного материала расстояния
от центра, равные 10 — 15 расстояниям Махаланобиса, полученного
в обучающей серии. В рассматриваемой работе использован, в основ-
ном, известный программный комплекс SIMCA [179], который уже
применялся при идентификации фармацевтических материалов с по-
мощью инфракрасной спектроскопии ближней области [336, 591] с
той разницей, что ранее для каждого продукта использовали группу
образцов и свое число факторов. Для описания спектров брали не
первичные спектральные данные, как это описано ранее [462], а глав-
ные компоненты. Применение главных компонент имеет то преиму-
щество, что они учитывают результаты измерений при всех длинах
волн, так что риск пропустить значительные отклонения в данных
существенно снижается. Как и при использовании исходных спек-
тральных данных [462], определяли рассеяния в многомерном про-
странстве, но координатами служили главные компоненты, а не
длины волн.
В рассматриваемой статье применялась методика, которая в отли-
чие от используемой в SIMCA состоит в том, что для представления
в библиотеке того или иного материала достаточно только небольшое
число образцов. Однако SIMCA может быть использована совместно
с предлагаемой программой для нахождения различий между очень
близкими по спектрам продуктами, которые не могут быть дифферен-
цированы в библиотеке. Таким образом, эта методика позволяет ис-
пользовать преимущества, которые дает применение как главных ком-
понент, так и расстояния Махаланобиса.
Для создания спектральной библиотеки в нее включали спектр
типичного образца продукта или отбирали несколько образцов из
разных партий продукта. Во втором случае получалась более ус-
тойчивая база для сравнения. Однако на практике возможность
500
получения достаточно большого количества образцов обычно ог-
раничена. Для уменьшения объемов хранимой информации и уско-
рения поиска использовали главные компоненты для описания спек-
тров, что применялось уже ранее для средней инфракрасной об-
ласти [356]. Каждый спектр в библиотеке представлялся набором
главных компонент, которые определяли его положение в много-
мерном пространстве. Для описания спектров использовали до 15
главных компонент. Библиотека содержала от 50 до 70 различных
фармакологических наполнителей. Информация об основных вари-
ациях химических и физических свойств продуктов сохранялась в
нескольких первых главных компонентах, тогда как менее значи-
тельные вариации, вызванные упаковкой материала, шумом прибо-
ра, содержались в главных компонентах высоких порядков.
Когда проводится идентификация образца, его спектр, описываемый
главными компонентами, сравнивается с библиотечными данными. При
этом очень быстро рассчитываются расстояния между спектрами всех
материалов, имеющимися в библиотеке, и определяется, насколько
данный спектр подобен или отличен от спектров любых двух продук-
тов. Может быть рассчитана также остаточная вариация для каждого
спектра в библиотеке. Она представляет собой сумму квадратов раз-
ностей оригинального спектра и спектра, описываемого 15 главными
компонентами. Эта величина также характерна для продукта, хотя не
столь чувствительна к изменениям спектра, как расстояние Махала-
нобиса по 15 главным компонентам.
Подобная схема идентификации предложена также в другой ра-
боте [591]. Однако использованная в ней методика основывается
на том, что для каждого материала используется группа образцов
и число главных компонент выбирается в зависимости от свойств
продукта.
Оригинальная методика идентификации материалов предложена в
работе [408]. Она базируется на том, что основная информация,
содержащаяся в спектрах, сосредоточена в максимумах поглоще-
ния, и длины волн максимумов используются как координаты, оп-
ределяющие «пространство качества», которое может быть много-
мерным (рис. 8.7). В этом пространстве положение спектра изуча-
емого образца определяется соответствующим вектором. Близость
спектров друг другу может определяться евклидовым расстоянием
или расстоянием Махаланобиса. Для идентификации могут исполь-
зоваться как исходные данные оптической плотности, производ-
ные, так и результаты других преобразований спектральных дан-
ных, например коэффициенты ряда Фурье. Точность идентифика-
ции может характеризоваться среднеквадратическими отклонения-
ми координат. Более точно она может быть охарактеризована мно-
501
q 1165,00
О
О 971,33
- 777,67
р? 584,00
"^7 390.33
'й 196.67
з.оо к==-
1300
1800
Длина волны, нм
Рис. 8.7. Спектр с тремя максимумами поглощения
(верхний график) и трехмерное пространство качества с
точкой качества Р и вектором качества Q (нижний график),
соответствующими этому спектру [408].
502
гомерным эллипсоидом в пространстве качества. Различия спект-
ров двух образцов могут быть выражены как расстояния между
точками в пространстве, которые дают их векторы. Это может
быть евклидово расстояние или расстояние Махаланобиса. Пред-
лагаемая система дала очень хорошие результаты при идентифика-
ции ароматизирующих добавок на производственной линии, выпол-
няя роль экспертной системы при контроле качества продукции.
Она способна классифицировать материалы, определять границы
выборок и находить резкие отклонения. Для более наглядного пред-
ставления результатов предложено преобразование многомерного
«пространства качества» в двухмерную «плоскость качества». Суть
такого преобразования показывает рис. 8.8. Конечная картина «плос-
кости качества» и положение на ней 40 ароматизирующих добавок
показаны на рис. 8.9. Среднеквадратическое отклонение от средне-
го спектра объектов по осям х и у было равно 0,0004 и 0,0006
соответственно, так что точки, соответствующие изучаемым про-
дуктам, разделяются достаточно четко.
Vi = Ё VX(1*4n)
V.II = j VX(2+4n)
Vlll = i Vx(3 + 4n)
VlV = J VX(4 + 4n)
n = 0, 1, 2... n
x = Vi - Vlll
У = Vu - Viv
Рис. 8.8. Определение координат точки качества Р на
плоскости качества для спектра идентифицируемого
образца [408].
503
0,85
0,76
0,67
0,58
0,49
0,40
O NEGRO
VANILLA I. °
CARAMEL
О DRESSING II.
DRESSING!, о NUT о MUSCAT
o О ECALYPTUS
ETHYL ACETAT
° o LEMON
RUM I . ° o
BANANA ORANGE
0,05 0,06 0,07 0,09 0,10 0,11
X
0,85
0,76
0,67
0,58
0,49
0,40
VANILLA II.
О
o CLOVE
RUMETHER „
О
PEPPERMINT MANGO
o RUM II.
STRAWBERRYII0 °
LEMON II ° GINGER
° О STRAWBERRY I.
° VANILLA OLEOREZIN
PEACH°
--------1___________i---------1___________I_
0,05 0,06 0,07 0,09 0,10 0,11
X
Рис. 8.9. Плоскость качества с точками качества
различных ароматизирующих добавок (верхний график) и
среднеквадратическими отклонениями (нижний
график) [408].
504
В другой работе, развивая методику получения «плоскости качест-
ва», предложено вместо прямоугольных использовать систему поляр-
ных координат, представляя в них спектр как центр тяжести — «точ-
ку качества», а вектор, показывающий эту точку из начала коорди-
нат, — «вектор качества» [409]. В системе полярных координат ра-
диус (г) представляет функцию спектральной величины (V.), а угол а
есть функция длины волны:
г = /Щ).
а = /(X).
Величина V при данной длине волны может быть оптической плот-
ностью, производной или результатом какого-либо другого преобра-
зования спектра. Координаты х и у центра тяжести в полярных коор-
динзтзх могут быть представлены в декартовых координатах сл§дую~
щим образом:
X^^COS^),
7=1
1 V т/ /с 360
,=-Xracos(5—)
2 = 1
где Vu — оптическая плотность или результат ее преобразования
при длине волны X;
A.min — длина волны, взятая за начало отсчета;
А. — конечное значение длины волны;
max
S — разность длин волн между двумя ближайшими точками
спектра;
к — число точек спектра между A.min и А.тах.
Спектр оптической плотности имбиря в обычных прямоуголь-
ных координатах и в полярных координатах показан на рис. 8.10.
Вторая производная спектра в таких же координатах показана на
рис. 8.11. Точки центров тяжести оптической плотности и второй
производной различных ароматических веществ показаны на рис.
8.12. Как можно видеть из приведенных графиков, предлагаемая
методика позволяет достаточно четко классифицировать объекты
по спектральным данным.
505
logU/R)
Рис. 8.10. Спектр оптической плотности имбиря,
представленный в обычных прямоугольных и полярных
координатах [409].
506
2-я производная
-0.03
1300
2 4)0 К, НМ
Рис. 8.11. Вторая производная спектра имбиря в обычных
прямоугольных (верхний график) и полярных (нижний
график) координатах [409].
507
0 PEACH
s«h
„ STRAWBERRY
Q 0 WALNUT
RUM2
VANILLA0
0 RASPBERRY
0 DRESSING 0 RUM
0 LEMON
EUCALIPTUS 0
X
° VANILLA
о EUCALIPTUS sK >—
u
о LEMON
RUM
о DRESSING
RUM2
о
RASPBERRY
PEACH STRAWBERRY
о о
о WALNUT
X
Рис. 8.12. Точки центра тяжести оптической плотности
(верхний график) и второй производной (нижний график)
различных ароматизирующих веществ.
Значения среднеквадратических отклонений показаны как отрезки
Sx и Sy по соответствующим осям координат [409].
508
9. ВЫПОЛНЕНИЕ АНАЛИЗОВ
МЕТОДОМ ИНФРАКРАСНОЙ
СПЕКТРОСКОПИИ
9.1. ОТБОР ПРОБ И ПОДГОТОВКА К АНАЛИЗУ
Отбор проб исследуемых материалов в поле, на ферме, из хранили-
ща, железнодорожного вагона и т.п., то есть отбор исходной или
первичной пробы, ее упаковку, этикетирование, проводят согласно
действующей нормативно-технической документации, соблюдая при
этом требуемые условия транспортировки и хранения. Основной за-
дачей пробоотбора является обеспечение представительности или, как
говорят, репрезентативности пробы. Под представительностью пробы
понимают то идеальное состояние, при котором состав и свойства
отобранной пробы соответствуют составу и свойствам исследуемого
объекта так, как если бы он был бы проанализирован целиком.
Методика подготовки проб к анализу методом инфракрасной спек-
троскопии зависит от вида материала, определяемого показателя, при-
меняемого способа измерения, конструкций анализатора и кюветы.
Ставший уже классическим анализ материалов в порошковидном со-
стоянии по диффузному отражению в ближней инфракрасной облас-
ти требует подготовки, характер которой зависит от состояния и
свойств анализируемого объекта. При использовании спектрофото-
метров моделей 4250, 4500 фирмы NIRSystems, входящих в систему
для контроля качества сельскохозяйственной продукции, поставляе-
мую АО «Интерагротех», а также инфракрасного анализатора Infra-
pid-61 подготовка проб кормов и растений к анализу практически не
отличается от подготовки к обычному химическому анализу.
Подготовка включает:
1. Предварительное грубое измельчение исходного материала до
размера частиц не более 3 см.
2. Отбор из измельченного материала представительной лабораторной
пробы массой, которая после сушки должна составлять около 100 г.
3. Сушку при температуре не выше 65°С.
4. Измельчение до размера частиц не более 1 мм.
Предварительное грубое измельчение пробы необходимо для пере-
хода от большой по массе первоначальной пробы к аналитической
пробе. Естественно, что зерно и другие материалы с достаточно ма-
лым размером частиц в предварительном измельчении не нуждаются,
если этого не требует конструкция устройств, применяемых на пос-
ледующих стадиях пробоподготовки.
509
Сушка необходима прежде всего для обеспечения возможности
последующего тонкого измельчения пробы. Критерием окончания
сушки являются ломкость и хрупкость материала, необходимые
для размола. Для большей части материалов биологического про-
исхождения влажность менее 12 — 14% является достаточной для
механического измельчения и просеивания. Если материал, посту-
пивший в лабораторию, обладает указанными качествами, то в сушке
нет необходимости.
При определении показателей, значения которых могут изменяться
при 65°С, используют леофильную сушку или другие приемы в соот-
ветствии с методикой подготовки пробы для выполнения анализа об-
щепринятым лабораторным методом.
В последнее время для сокращения длительности процесса пробо-
подготовки, узким местом которой является сушка, для выполнения
этой операции используют микроволновые камеры. Это позволяет
сократить продолжительность сушки до нескольких минут. Ускоре-
ние процесса сушки с помощью СВЧ обусловлено тем, что энергия
электромагнитного излучения селективно поглощается влагой, содер-
жащейся в пробе. При этом поглощение энергии и нагрев происходят
во всей массе высушиваемой пробы, причем в большей степени в тех
ее частях, где влажность выше. Влага из этих мест диффундирует к
более сухим частям, в частности к поверхности, откуда она испаряет-
ся. Для сушки образцов материалов растительного происхождения
обычно используют бытовые микроволновые печи мощностью 0,6 —
2 кВт, которые достаточно просты в эксплуатации. При их использо-
вании сушка происходит значительно быстрее, чем в обычных су-
шильных камерах с термонагревом. Однако микроволновая сушка
требует предварительной отработки режима для конкретного устрой-
ства. Процесс этот трудно управляем, так как интенсивность высоко-
частотного поля распределяется в объеме рабочей камеры неравно-
мерно. Поэтому сушку проводят в несколько циклов, в перерыве
между которыми материал перемешивают, что способствует более
быстрому удалению влаги и предотвращает местный перегрев и подго-
рание материала.
По мере удаления влаги проба поглощает меньше энергии и процесс
сушки замедляется. В конце сушки, когда влаги в образце становится
недостаточно для поглощения всей подводимой энергии, может воз-
никнуть перегрузка магнетрона. Для предотвращения этого явления в
печь ставят открытую емкость с водой, помещают новый сырой обра-
зец или покрывают пол печи листом асбеста. Во избежание перегру-
зок микроволновую печь целесообразно использовать для доведения
влажности материала не менее чем до 5—10%. При такой влажности
материал растительного происхождения хорошо размалывается. Од-
510
нако влага при этом удаляется из проб не полностью, и для опре-
деления остаточной влажности необходима обычная сушка до пос-
тоянной массы при 1О5'С или другой температуре соответственно
принятой для данного объекта методике определения влажности
по потере массы при сушке в термостате. Следует отметить, что
влажность проб, определенная таким способом, обычно несколько
ниже, чем при высушивании в обычном термостате. Это объясня-
ется потерями сухого вещества за счет дыхания тканей в началь-
ный период при обычной сушке, когда температура внутри пробы
в течение некоторого времени остается ниже уровня, достаточного
для инактивации дыхательных ферментов. При микроволновой сушке
вследствие быстрого нагрева всей массы материала дыхание пре-
кращается за несколько секунд и распад веществ происходит в
меньшей степени, чем при обычной сушке. В связи с этим микро-
волновая обработка привлекает внимание не только как способ
быстрой сушки, но и как средство быстрой фиксации проб при
определении содержания в них неструктурных углеводов и карати-
ноидов, которые при обычной тепловой сушке частично разруша-
ются. В то же время происходит и ряд изменений состава пробы,
которые не свойственны обычной сушке. Этот вопрос очень под-
робно рассмотрен в литературе [174].
Поскольку условия микроволновой сушки зависят от мощности и
конструктивных особенностей используемого устройства, а также от
влажности и структуры анализируемого материала, в каждом кон-
кретном случае необходима отработка оптимального режима. Для
этого может быть рекомендована следующая методика.
Из образца анализируемого продукта, предварительно измельчен-
ного до размера частиц 2—3 см, отбирают пробу, соответствующую
примерно 20—30 г сухого материала, и помещают ее в открытую
емкость, например, в выпарительную фарфоровую чашку или чашку
Петри подходящего диаметра. При содержании влаги в пробе не бо-
лее 30% образец перемешивают каждую минуту или полминуты. При
более высокой влажности образец можно оставлять в камере на 3—4
минуты, а затем перемешивать примерно через каждые 30 секунд. На
основании полученных результатов режим сушки уточняют.
Необходимо отметить, что сушка вообще, когда речь идет о матери-
алах с высоким содержанием воды, значительно повышает чувстви-
тельность и точность инфракрасного анализа. Дело не только в том,
что удаление воды ведет к концентрированию других компонентов в
анализируемом материале. Вода очень интенсивно поглощает в инф-
ракрасной области, как это было отмечено в разделе 2, и на ее фоне
поглощение других компонентов составляет очень малые величины.
При анализе корне- и клубнеплодов, овощных и плодовых культур,
511
вегетативной массы растений, когда влажность материала составляет
80% и более, на фоне поглощения воды оптические плотности дру-
гих компонентов несоизмеримо малы и определяются со значительно
меньшей точностью, чем при работе с материалом, доведенным до
воздушно-сухого состояния.
При выполнении большей части химических анализов размол мате-
риала обычно проводят до размера частиц не более 1 мм. Это необ-
ходимо главным образом для обеспечения представительности отби-
раемых для определения навесок, масса которых в ряде случаев изме-
ряется десятыми долями грамма. Кроме того, тонкое измельчение
может быть необходимым и для нормального протекания используе-
мых технологических процессов, например при определении экстрак-
тивных веществ, при проведении гидролиза и т.п.
В спектроскопии ближней инфракрасной области измельчение про-
бы имеет большое значение не только в отношении представитель-
ности анализируемой пробы. Размер частиц влияет на рассеяние из-
лучения, которое усиливается при уменьшении частиц. В спектрос-
копии диффузного отражения уменьшение размера частиц снижает
оптическую плотность материала, тогда как в спектроскопии пропус-
кания — ее повышает. В идеале анализируемые пробы должны со-
стоять из частиц одинакового размера во всех анализируемых про-
бах, что практически недостижимо. Для получения возможно более
высокой точности инфракрасного анализа по измерению диффузного
отражения стараются использовать измельчительные устройства, да-
ющие возможно более однородный гранулометрический состав про-
дукта, и обеспечивают воспроизводимость условий выполнения раз-
мола. Здесь имеются в виду масса загружаемого материала, продол-
жительность измельчения при использовании мельниц типа «Пируэт»
с закрытой размольной камерой, скорость подачи материала в мель-
ницы проточного типа с одновременным просевом, контроль за тем-
пературой рабочих органов. Это особенно важно при использовании
инфракрасных анализаторов с фиксированными длинами волн. Когда
применяются сканирующие приборы и программное обеспечение поз-
воляет использовать такие приемы математической обработки спек-
тральных данных, как получение производных, нормирование спект-
ров, преобразование Фурье и некоторые другие, снижающие влияние
размеров частиц, значение постоянства гранулометрического состава
проб не столь велико. Однако и в этом случае размол анализируемых
проб и образцов, используемых для градуировки анализатора, до-
лжен проводиться на одном и том же измельчительном устройстве в
воспроизводимых условиях.
При использовании спектроскопии пропускания тонкое измельче-
ние анализируемого материала не является обязательным. В этом
512
случае близость анализируемых образцов по крупности частиц обес-
печивается их природой. Обычно градуировочные уравнения раз-
рабатывают для анализа определенного вида продукта, размеры и
форма частиц которого слабо варьируют в анализируемых образ-
цах. Однако значительные отклонения образцов по размерам час-
тиц могут вести к существенным погрешностям. Например, при
испытании анализатора Trebor отмечено, что при анализе зерна
загрязнение образцов мелкими семенами сорняков вызывает зна-
чительные погрешности результатов [692]. Правда, в данном слу-
чае не совсем ясно, являются ли причиной, различия в размерах
частиц образцов или различия каких-либо других свойств, напри-
мер, химического состава.
Одними из лучших для измельчения проб при подготовке к инф-
ракрасному анализу по диффузному отражению являются мельницы
типа «Циклон». При сите с диаметром отверстий 1 мм они обеспечи-
вают достаточно высокую производительность, а также необходимый
для спектроскопии диффузного отражения размер частиц и более
узкие пределы его вариации по сравнению с другими измельчительны-
ми устройствами [675]. Мельницы этого типа выпускаются фирмами
Tecator (Швеция), Udy Corporation (США). В настоящее время ана-
логичную мельницу отечественного производства поставляет АО
«Интерагротех». Измельчители типа «Циклон» достаточно высоко про-
изводительны, не требуют специальной очистки рабочих органов при
переходе от размола одной пробы к другой. Обычно достаточно про-
пустить через мельницу небольшую часть очередной пробы и отбро-
сить ее после размола, чтобы очень полно очистить рабочие органы
и каналы, по которым размолотый материал поступает в приемник,
от остатков предыдущей пробы.
Мельница типа «Циклон», например Cyclotec фирмы Tecator (Шве-
ция), показанная на рис. 9.Ц» имеет крыльчатку, вращающуюся со
скоростью до 12500 оборотов в минуту, что создает мощный поток
воздуха в рабочей камере и ее продувку. Засыпаемые в подобную
мельницу частицы материала захватываются потоком воздуха и под
действием центробежной силы истираются о боковую поверхность
рабочей камеры, армированную зернами корунда или карбида воль-
фрама. Измельченный материал выдувается из рабочей камеры сквозь
сито, установленное в окне рабочей камеры, в приемник размолотой
пробы, в качестве которого используется широкогорлая склянка вмес-
тимостью 100 см3. Частицы, которые не проходят сито, продолжают
движение в рабочей камере до тех пор, пока не будут достаточно
измельчены. В итоге весь материал выносится через сито в приемник
и полость рабочей камеры оказывается практически чистой. Для уда-
ления небольшого остатка предыдущей пробы со стенок измельчите-
Рис. 9.1.1. Измельчитель Cyclotec фирмы Tecator.
513
514
ля рекомендуется небольшую часть очередной пробы массой около
10 г пропустить сквозь мельницу и отбросить, очистив таким обра-
зом внутренность мельницы.
К недостаткам мельницы типа «Циклон» следует отнести три момента:
1. Размалываемый материал не должен содержать частиц более 5
мм. Поэтому пробы зерна кукурузы, сои и некоторых других расти-
тельных материалов, состоящих из крупных отдельностей, должны
быть предварительно измельчены, чтобы исключить возможность за-
клинивания крыльчатки мельницы.
2. Мельница непригодна для измельчения семян масличных куль-
тур вследствие налипания частиц на рабочие органы и забивания
отверстий сита.
3. При размоле проб заметно изменяется их влажность вследствие
интенсивной вентиляции и нагрева. Это приводит к необходимости
корректировки результатов при определении влажности размалывае-
мого материала.
Следует отметить, что изменение влажности при размоле образцов
свойственно и любым другим измельчительным устройствам. В про-
цессе измельчения температура материала обязательно повышается,
а соответственно и изменяются условия равновесия с окружающим
воздухом.
Анализатор Infrapid-61 комплектуется мельницей QC-114 (рис. 9.1.2).
По устройству этот измельчитель подобен мельницам типа «Пируэт»,
но имеет два отличия. Рубящий нож вращается не в горизонтальной,
а в вертикальной плоскости. В нижней части рабочей камеры имеет-
ся окно с ситом, сквозь которое размолотый материал просыпается в
приемник, в качестве которого используется стеклянная банка вмес-
тимостью 150 см3. Воронка, в которую засыпают исходный материал,
имеет клапан для регулирования количества материала, загружаемого
в измельчительную камеру, а также спираль, замедляющую поток,
обеспечивая равномерность поступления размалываемого материала.
По производительности измельчитель QC-114 значительно уступа-
ет мельницам типа «Циклон». Что касается качества помола, то оно
вполне удовлетворительно [98, 169].
По данным НПО «Агроприбор», вполне удовлетворительные результа-
ты дает применение измельчителя МРП-2 при подготовке к анализу
проб кормов [98, 169]. Согласно ГОСТ Р 50817—95 при использова-
нии МРП-2 размолотый материал должен пропускаться через сито с
отверстиями диаметром 1 мм. Трудно измельчаемый остаток на сите
после ручного измельчения ножницами или в ступке добавляют к
просеянной части и тщательно перемешивают. Остаток может быть
также измельчен на мельнице снабженной ситом, например QC-114,
которой комплектуется анализатор Infrapid-61.
515
Рис. 9.1.2. Измельчитель QC-114 (LaborMIM).
516
Для размола семян масличных культур и других материалов с
высоким содержанием жира используют охлаждаемые мельницы
типа «Пируэт», например измельчитель А-10 фирмы Janke & Kukel
(ФРГ). Мельница имеет стальной нож, вращающийся со скоростью
20000 оборотов в минуту. Рабочая камера охлаждается проточной
водой. Для этого мельница подключается к водопроводу и сливу с
помощью шлангов. Крупность получаемых частиц определяется про-
должительностью размола. При пробоподготовке семян масличных
культур рекомендуется размалывать одинаковые по массе порции
образцов, примерно по 25 г, одинаковое время. Продолжитель-
ность размола может быть установлена равной 30 секундам, что
является оптимальным при данной массе загружаемого материала.
Размол семян подсолнечника, имеющего очень прочную толстую
лузгу, рекомендуется проводить в два приема по 30 секунд, в пере-
рыве между которыми содержимое мельницы извлекают и тщатель-
но перемешивают, так как в рабочей камере материал обычно рас-
слаивается и налипает на стенки.
Естественно, что материалы, представляющие собой тонкие порош-
ки, такие, например, как мука, отруби, сухое молоко, яичный поро-
шок и т.п., могут анализироваться в исходном состоянии без допол-
нительного измельчения.
Для анализа почв достаточной является общепринятая методика
подготовки проб для массовых агрохимических анализов. Основными
требованиями здесь являются сушка при температуре не более 40°С
и размол до размера частиц не более 1—2 мм.
Подготовленный для анализа материал должен храниться в гер-
метично закрытой емкости. Длительное хранение проб органичес-
кого происхождения, подверженных микробному разложению и пов-
реждению насекомыми, проводят при температуре около 3 — 5°С.
В качестве емкостей для хранения удобно использовать широко-
горлые склянки с завинчивающимися крышками. В них легко пе-
ремешивать содержимое при отборе пробы для заполнения кюветы
инфракрасного анализатора. Образцы масличных культур не до-
лжны после размола храниться долго, так как содержащиеся в них
жиры могут окисляться, выпотевать на поверхности частиц, изме-
няя текстуру материала.
Необходимо отметить, что в процессе пробоподготовки и после-
дующего хранения проб должны быть соблюдены все условия, тре-
буемые для того, чтобы содержание определяемых компонентов
существенно не менялось. Это общее требование касается всех
методов анализа, и инфракрасная спектроскопия не представляет
здесь исключения.
517
Анализ зерна с использованием приборов типа Trebor, Infratec-
1225, моделей 4500, 5000 или 6500 фирмы NIRSystems с соответ-
ствующими кюветами, которые позволяют анализировать неразмо-
лотый материал, практически никакой подготовки проб к анализу
не требует. Материал анализируют непосредственно в первоначаль-
ном состоянии. Единственным важным моментом является здесь
отбор из поступающей в лабораторию первичной пробы представи-
тельной аналитической пробы, которая непосредственно загружа-
ется в прибор. Обеспечение представительности достигается тща-
тельным перемешиванием первичной пробы, составлением анали-
тической пробы для заполнения кюветы квартованием или с по-
мощью соответствующих делителей-усреднителей или других тех-
нических средств, применяемых в обычной лабораторной практике
для подобных целей. Для получения более представительных ре-
зультатов измерение спектральных характеристик неоднородных
материалов проводят несколько раз, усредняя данные. При этом
каждый раз кювету лучше заполнять заново. В некоторых анали-
заторах проводится несколько измерений различных частей однок-
ратно загруженной пробы достаточно большой массы или помеще-
ние пробы в измерительную камеру одновременно в нескольких
отдельных кюветах. Например, при работе с анализатором Infratec-
1255 загружаемая проба может быть помещена в 5 отдельных кю-
вет, которые загружаются в прибор одновременно. Анализатор может
выдать усредненный результат анализа, а также результаты по
каждой порции пробы отдельно.
При подготовке к анализу по диффузному отражению материа-
лов с высоким содержанием воды, таких, как мясо, различные
пасты и т.п., возможны различные варианты. Если анализируют
высушенные пробы, то сушку проводят так же, как и при подго-
товке к обычным химическим анализам, с последующим измельче-
нием высушенного материала до 1 мм. Для получения спектраль-
ных данных в этом случае используют обычные кюветы для анали-
за материалов в порошковидном состоянии. Если предполагается
анализировать материал в состоянии исходной влажности, пробы
переводят в пастообразное состояние и используют для измерений
соответствующие кюветы инфракрасного анализатора. Для подго-
товки проб в этом случае используют такие устройства, как мезго-
пастообразователь [117], электрическая мясорубка, кухонный ком-
байн и другие подходящие технические средства, выпускаемые для
бытовых нужд.
Специальной и довольно сложной в техническом отношении подго-
товки к анализу требует молоко. Обычно молоко нагревают до 40 —
518
45°С, чтобы перевести жир в жидкое состояние, и гомогенизируют
[298, 5, 578, 327]. Измерение проводят в термостатируемой кювете.
Некоторые приборы, например InfraAlyzer-400 фирмы Technicon (Bran
& Luebbe), комплектуются специально предназначенными для анали-
за молока проточной термостатируемой кюветой и устройствами для
отбора пробы, предварительного нагрева, гомогенизации, а также для
очистки кюветы.
Анализ сыра обычно проводят после измельчения, как и при обыч-
ном химическом анализе. Для этого может использоваться обычная
терка. Измельченная проба сразу же должна анализироваться, так
как на частицах сыра быстро появляется пленка жира. Ввиду загряз-
нения кюветы жиром, от которого ее трудно очистить, измерения
можно проводить в открытых кюветах без кварцевого окна, выравни-
вая поверхность пробы в кювете шпателем. Для анализа используют
также плоские диски сыра, вырезанные по диаметру кюветы, в кото-
рую их затем вставляют [327].
В настоящее время разработан целый ряд кювет различных кон-
струкций, а также и датчиков на волоконной оптике, что позволяет
найти оптимальное решение задачи при анализе конкретного матери-
ала. Конструкции кювет и устройств на волоконной оптике рассмат-
риваются в разделе 3.
9.2. ВЫПОЛНЕНИЕ АНАЛИЗА
Методика инфракрасного анализа слагается из следующих этапов:
I. Подготовка инфракрасного анализатора к работе.
2. Заполнение кюветы анализатора материалом подготовленной к
анализу пробы и помещение ее в прибор.
3. Измерение спектральных характеристик пробы.
4. Обработка полученных данных.
5. Выдача результатов анализа.
Схематично основные операции при выполнении инфракрасного
анализа по измерению диффузного отражения на анализаторе модели
4500, а также по пропусканию на анализаторе Trebor-70 показаны на
рис. 9.2.1 и 9.2.2.
Естественно, что выполнению анализа должна предшествовать гра-
дуировка аппаратуры. Поскольку градуировка проводится в тех же
условиях и по той же методике измерений и обработки получаемой
спектральной информации, что и анализ, ее проведение рассматрива-
ется ниже,
519
1. Перемешивание образца.
5. Установка кюветы в ана-
лизатор.
2. Заполнение кюветы.
3. Установка дна кюветы.
На факт. На абс
влажн. сух. в-во
Протеин 8,76 9,42
Клетчатка 3,06 3,29
Жир 2,61 2,81
Зола 1,60 1,72
Са 0,10 0,11
Р 0,24 0,26
Na 0,04 0,04
Mg 0,1 1 0,12
Сух. в-во 93,01 100,00
БЭФ 76,98 82,77
Корм. ед. 106,95 115,00
Обм. энергия 280,86 302,00
Лизин 0,23 0,25
Метионин 0,15 0,16
Триптофан 0,10 0,1 1
Цистин 0,13 0,14
4. Очистка кюветы.
Рис. 9.2.1. Основные операции, выполняемые при проведении
инфракрасного анализа по диффузному отражению
размолотого материала.
520
Цельное
зерно
Рис. 9.2.2. Последовательность операций при анализе по
пропусканию.
9.2.1. Подготовка анализатора к работе
Подготовка анализатора к работе состоит в подключении всех ус-
тройств системы к источникам электроэнергии, приведении измери-
тельного прибора в тепловое равновесие с окружающим воздухом
(прогрев), запуске соответствующей программы микропроцессора или
персонального компьютера, под управлением которого работает изме-
рительная система, проверке работоспособности системы по уровню
шума, получаемого при измерении встроенного стандарта или объек-
та, значение оптической плотности которого принимается равным
нулю. Уровень шума обычно оценивают среднеквадратическим откло-
521
нением от среднего значения оптической плотности встроенного стан-
дарта отражения. Для сканирующих приборов моделей 4200, 4500
значение шума при измерении диффузного отражения с помощью
приставки для стандартных кювет не должно превышать 30* 10* еди-
ницы оптической плотности. При работе с программным комплексом
NIR для диагностики используют программу, которая позволяет опе-
ратору наблюдать картину шума на графике и видеть текущее значе-
ние среднеквадратического отклонения (RMS) и среднюю разность
(BIAS) между сканируемыми спектрами встроенного керамического
стандарта отражения. По мере прогрева прибора значения этих пока-
зателей снижаются и, когда они достигнут требуемого уровня, соот-
ветствующего указаниям руководства по эксплуатации используе-
мого прибора, можно приступать к работе. Обычно это требует не
более получаса. Если значения требуемых показателей не достига-
ются в течение более двух часов, то это указывает или на неис-
правность прибора, или на его эксплуатацию в ненормальных ус-
ловиях. Причинами нестабильной работы прибора могут быть зна-
чительные колебания напряжения в электрической сети, темпера-
туры в помещении, вибрации, интенсивное освещение кюветной
камеры, например, при попадании на нее солнечного света, неплот-
ное закрывание и т.п. Если после устранения возможных помех
работа прибора не стабилизируется, необходима квалифицирован-
ная помощь сервисной службы.
Завершающим обязательным элементом проверки, который являет-
ся общедоступным, должен быть анализ контрольного образца. Это
может быть образец материала, многократно проанализированный на
показатель, который достаточно устойчив во времени, например об-
разец травяной муки на содержание протеина. Контрольный образец
должен находиться в герметично закрытой кювете плотно упакован-
ным во избежание изменений влажности и расслоения по крупности
частиц.
В некоторых приборах, например в моделях 4500, 6500, может
быть проверена точность установки длин волн по встроенному стан-
дарту из полистирола, который имеет в ближней инфракрасной об-
ласти четкие полосы поглощения с максимумами при 805,23; 878,52;
1143,63; 1681,27; 2166,40 и 2305,93 нм. Однако проверка установки
длин волн не должна проводиться оператором. Это делается офици-
ально при периодической поверке прибора, которая должна выпол-
няться раз в год, или после ремонта прибора. В анализаторах моде-
лей 4500, 6500, согласно техническому описанию, погрешность уста-
новки длин волн не должна превышать ±0,5 нм. Воспроизводимость
значений длин волн характеризуется сотыми долями нанометра. Ана-
лизатор Infrapid-61, согласно руководству по его юстировке, должен
522
иметь погрешность установки длин волн не более ±5 нм по всему
рабочему диапазону, а воспроизводимость значений длин волн — не
хуже ± 1 нм.
Необходимо указать, что при изменении установки длин волн в
приборе при ремонте или юстировке разработанные ранее градуиро-
вочные уравнения могут оказаться непригодными для проведения со-
ответствующих анализов. Во зсех случаях, когда по каким-либо при-
чинам установку длин волн изменяли, необходима проверка градуи-
ровочных уравнений, как это описано ниже, и, если это окажется
достаточным, их корректировка. Однако может быть и так, что
разработанные ранее градуировочные уравнения окажутся непри-
годными, корректировки окажется недостаточно и потребуется пе-
реградуировка прибора. Следует отметить, что приборы, поставля-
емые АО «Интерагротех», спектрально согласованы с прибором-
мастером, для чего создается специальный файл. Это позволяет
использовать на данном приборе градуировочные уравнения, полу-
ченные на других приборах, согласованных с прибором-мастером.
Если после изменения установки длин волн градуировочные урав-
нения теряют точность, она может быть восстановлена согласова-
нием с прибором-мастером.
В процессе работы на инфракрасном анализаторе все операции
выполняют в соответствии с инструкцией по его использованию.
Однако обязательным моментом проверки работоспособности при-
бора, имеется ли на этот счет соответствующее указание в ин-
струкции или нет, является необходимость анализа контрольного
образца, по результатам которого можно судить о состоянии ана-
лизатора.
9.2.2. Заполнение кюветы анализатора
Ответственной операцией, выполняемой оператором, является за-
полнение кюветы анализатора. Проба, помещаемая в кювету, должна
быть прежде всего представительной. Заполнение кюветы должно обес-
печивать равномерность состава :и плотности загружаемого материала
во всем объеме кюветы. Трещины и пустоты в материале пробы,
помещенной в кювету, недопустимы. Толщина слоя, образуемого ана-
лизируемым материалом в кювете, должна быть не менее 3 мм при
измерении диффузного отражения. Важно обеспечить одинаковую,
воспроизводимую от пробы к пробе, плотность упаковки материала в
кювете при закрывании крышки или вставке дна кюветы. Все это
требует определенных навыков, которые легко приобретаются в
процессе работы.
523
Подготовленный к анализу материал в порошковидном состоя-
нии удобно хранить и использовать при отборе пробы для анализа
в широкогорлых банках с завинчивающимися крышками. Для обес-
печения представительности пробы для заполнения кюветы содер-
жимое такой банки тщательно перемешивают шпателем. При этом
банку держат под некоторым углом к вертикали, шпатель погру-
жают до дна банки и, не отрывая его от дна, совершают им круго-
вые движения, перемешивая содержимое, периодически поворачи-
вая банку вокруг ее оси симметрии. Исходя из многолетнего опыта
работы и специально проведенных опытов установлено, что 15
вращений шпателя достаточно для перемешивания материала [677].
При заполнении кюветы при отборе каждой порции анализируемо-
го материала из банки ее содержимое перемешивают несколькими
вращательными движениями шпателя.
При использовании кювет с подпружиненным дном, которые ис-
пользуются в инфракрасном анализаторе Infrapid-61, кювету заполня-
ют с избытком, который затем сдвигают краем шпателя и удаляют. В
результате кювета оказывается заполненной вровень с краями. На
материал пробы в кювете накладывают донце пружинами вверх и
навинчивают крышку. Во избежание расслаивания частиц по круп-
ности не допускают заполнение кюветы постепенным стряхиванием
материала со шпателя, встряхивание кюветы с содержимым и его
перемешивание.
При работе со спектрометрами моделей 4250 и 4500 для заполне-
ния кювет используют входящий в комплект приборов специальный
лоток с опорным диском из упругого материала. Кювету укладывают
кварцевым окном на опорный диск и заполняют ее анализируемым
материалом примерно на две трети. Важно, чтобы кювета заполня-
лась каждый раз на одинаковую глубину. В заполненную таким обра-
зом кювету вставляют заглушку из упругого материала и осторожно
вдавливают ее в кювету пальцами обеих рук, обеспечивая равномер-
ность давления по всей поверхности пробы. Заглушка должна равно-
мерно войти в кювету и не выступать за ее края. Прилагаемое при
этом усилие не должно быть чрезмерным, чтобы не повредить квар-
цевое окно, но и достаточным, чтобы вставить заглушку и уплотнить
содержимое кюветы.
Вне зависимости от конструкции кюветы она должна быть заполне-
на достаточно плотно, чтобы содержимое не могло в ней пересыпать-
ся, не имело трещин и пустот. При заполнении кювет пастообразным
материалом, например мясным фаршем, не допускают образования
пузырей. Для этого пробу загружают в кювету небольшими порция-
ми, осторожно присоединяя их к находящейся в кювете массе. При
работе с подобными материалами часто используют открытые кюве-
526
рекомендуется использовать кювету с толщиной слоя 5 мм, для не-
размолотых соевых бобов, зерна кукурузы — 25 мм. Семена рапса,
имеющие темно окрашенные оболочки, без размола рекомендуется
анализировать в кювете с толщиной слоя 5 мм, так же как и при
анализе более мелкой, но более прозрачной пшеничной муки. Семена
подсолнечника даже после измельчения требуют достаточно тонкой
кюветы порядка 3 мм, так как оболочки семян очень интенсивно
поглощают излучение в коротковолновой части ближней инфракрас-
ной сбласти [148].
Образцы жидких материалов могут быть проанализированы с по-
мощью спектроскопии диффузного отражения остатка после высуши-
вания небольшой пробы определенного объема на подложке из хоро-
шо отражающего материала [301, 489, 530]. В качестве подложки
могут использоваться фильтры из стеклянного волокна [301], пласти-
ны для тонкослойной хроматографии [530].
Описать особенности методик анализа всех видов материалов,
которые могут анализироваться методом инфракрасной спектрос-
копии, не представляется возможным ввиду их многочисленности
и разнообразия. Конкретные указания по использованию ИК-мето-
да можно найти в инструкциях и описаниях методик, прилагаемых
к приборам, а также в ряде руководств [95, 113, 114, 155, прило-
жения 13.1 — 13.3].
Отдельную область представляет применение ближней инфракрас-
ной спектроскопии для контроля технологических процессов. Кон-
струкции датчиков, которые устанавливаются в трубопроводах, над
лентами транспортеров и т.п., математические описания динамики
процессов и применяемые методы обработки данных, используемые
на практике, подробно изложены в обзорной статье [423].
9.2.3. Измерение спектральных характеристик
пробы и получение результатов анализов
Перед анализом измерительную систему, включающую встроен-
ный микропроцессор анализатора или подключаемый к прибору
внешний персональный компьютер, настраивают на заданный ре-
жим измерений и выбирают градуировочное уравнение, по которо-
му проводится расчет результатов анализа. Информация о харак-
тере математических преобразований спектров и необходимые их
параметры сохраняются вместе со значениями констант соответ-
ствующих градуировочных уравнений. Поэтому оператору доста-
точно только ввести имя файла, в котором сохраняются уравне-
ния, необходимые для проведения анализа данного вида материала.
527
Однако условия получения спектров, такие, например, как число
сканирований встроенного керамического стандарта и пробы, ме-
тодика сглаживания спектров, диапазон длин волн и т.п., должны
быть введены с помощью соответствующих опций и отвечать усло-
виям, в которых были получены используемые градуировочные
уравнения. Значения заданных параметров могут быть сохранены
компьютером, что позволяет исключить необходимость их введе-
ния перед началом работы. Лучше, если, изначально установлен-
ные, они не будут затем изменяться.
Результаты анализа могут выдаваться и в пересчете на сухое вещес-
тво, и на первоначальную влажность. Прежде чем выдавать результа-
ты, компьютер может выполнить также ряд дополнительных расчетов
по формулам, которые может ввести оператор. Результаты анализа и
дополнительных расчетов могут быть распечатаны по форме, кото-
рую может отредактировать оператор. Все эти моменты описаны в
соответствующих руководствах для пользователей.
Существенным моментом при проведении инфракрасного анализа
является температура пробы, которая влияет на спектры. Колебания
температуры не должны выходить за пределы 20±5°С. При анализе
материалов, основную массу которых представляет вода, колебания
температуры должны быть минимальными. При анализе жидких проб
в этом случае необходимо использовать термостатируемые кюветы.
Пробы, которые перед анализом хранились в холодильнике, должны
быть доведены до температуры лаборатории, в которой находится
анализатор, выдерживанием в ней в течение необходимого времени.
Необходимо иметь в виду, что образцы, которые анализируют сразу
же после размола, могут иметь температуру до 40—45°С и также
должны быть выдержаны при температуре помещения. Если время
лимитировано и результаты необходимо получать в максимально ко-
роткие сроки, градуировка прибора должна быть выполнена соответ-
ствующим образом. Известно, например, что при размоле на измель-
чителе «Циклон» образцов зерна пшеницы массой по 25 г рабочая
камера приходит в тепловое равновесие примерно через 15 минут
после начала работы, и затем температура размолотого материала
и потери влаги практически не меняются [695, 688]. Если размалы-
вать образец на предварительно прогретом измельчителе и сразу
же загружать измельченный образец в инфракрасный анализатор,
то, проведя в этих условиях и градуировку прибора, результаты
можно получать с максимально возможной скоростью. Для кор-
ректировки потерь влаги при размоле могут быть составлены таб-
лицы поправок, как это применяется в практике лабораторий Ка-
надской зерновой комиссии [672]. При постоянных условиях раз-
мола влажность изменяется линейно отностельно исходного зна-
524
ты без кварцевого окна. В этом случае кювету заполняют до краев и
выравнивают поверхность пробы шпателем движениями только в од-
ном направлении. Применение открытых кювет возможно в прибо-
рах, в которых они располагаются в измерительном блоке горизон-
тально, например в приборах фирмы Technicon, инфракрасном анали-
заторе Infrapid-61.
После закрытия кювет их внешние поверхности очищают от частиц
анализируемого материала кистью. Кварцевое окно осторожно проти-
рают чистой хлопчатобумажной тканью. На нем не должно быть
отпечатков пальцев. Во избежание этого кювету берут только за
края, никогда не прикасаясь к кварцевому окну.
После выполнения измерений кюветы освобождают от анализируе-
мого материала, очищают мягкой кистью и протирают чистой хлопча-
тобумажной тканью. Стандартные взаимозаменяемые кюветы для при-
боров модели 4250 и 4500 могут быть вымыты с применением мою-
щих средств и после ополаскивания водопроводной, а затем дистил-
лированной водой высушены на воздухе.
При анализе материалов с высоким содержанием жира загрязнения
с кварцевого окна кювет рекомендуется удалять с помощью ткани,
смоченной спиртом. Остатки спирта могут быть удалены чистой тканью,
слегка увлажненной дистиллированной водой. В этом случае кювете
дают высохнуть на воздухе, что занимает 2—3 минуты, после чего
она может быть использована для анализа [677].
Заполнение кювет и их очистка от остатков предыдущей пробы
занимают определенное время, и, если используется только одна кю-
вета, это замедляет работу, снижая производительность анализа. Удоб-
нее работать с несколькими кюветами, что позволяет более рацио-
нально организовать проведение анализа. Так, например, при анализе
зерна пшеницы на анализаторе зерна GQA с использованием одной
кюветы при непрерывной работе с получением одного отсчета время
анализа одного образца составляло 90 секунд, при двух отсчетах,
между которыми положения кюветы в анализаторе изменяли, 102
секунды. При работе с двумя кюветами при одном отсчете на выпол-
нение анализа одного образца тратились 62 секунды и 82 секунды —
при двух отсчетах с изменением положения кюветы. Повышение про-
изводительности при работе с двумя кюветами происходит за счет
использования времени, в течение которого анализатор проводит из-
мерения и расчеты, для заполнения свободной кюветы. Приведенные
данные по времени, затрачиваемому на измерения, взяты из литера-
туры [671]. Они рассчитаны как среднее из 24 повторений.
Использование для проведения анализов нескольких кювет возмож-
но только в тех случаях, когда они оптически идентичны. Это обес-
печивается, в частности, при изготовлении поставляемых АО «Интер-
525
агротех» кювет, предназначенных как для анализа порошковидных
материалов, так и кювет для жидких проб.
При анализе жидких объектов по пропусканию в обычной спек-
трофотометрии, когда измерения проводят при одной длине волны,
толщину просвечиваемого слоя подбирают такой, чтобы значения
измеряемой оптической плотности для анализируемых проб были
возможно ближе к 0,43, где наблюдается максимум точности мето-
да, и не выходили из пределов 0,1 — 1,0. В спектроскопии ближ-
ней инфракрасной области, особенно когда используют ее длинно-
волновую часть, работают с очень тонкими кюветами, реальная
толщина которых может заметно меняться при смене анализируе-
мых проб и установке кювет. В этих условиях погрешность опре-
деления концентрации определяется не столько погрешностью фо-
тометрирования, сколько воспроизводимостью толщины просвечи-
ваемого слоя. Показано, что оптическая плотность в этих услови-
ях смещается от классического значения 0,43, при котором на-
блюдается максимальная точность фотометрического анализа, в
область более высоких значений [369]. Поскольку в градуировоч-
ном уравнении обычно используется несколько переменных, изме-
ряемых при различных длинах волн, поглощение при которых мо-
жет значительно различаться, предсказать заранее оптимальную
толщину слоя трудно. Для анализа конкретного материала опти-
мальную толщину кюветы проще найти эмпирически, проведя гра-
дуировку на ограниченном числе образцов при различной толщине
слоя. Для дальнейшего использования выбирают толщину слоя,
при которой получается наибольшая точность градуировки, о чем
можно судить по значению среднеквадратического отклонения от
регрессии.
Толщина кювет минимальна при работе с пробами, основную массу
которых составляет интенсивно поглощающая инфракрасное излуче-
ние вода. В режиме пропускание/отражение толщина слоя составля-
ет обычно для таких объектов не более 0,2 — 0,3 мм при работе в
диапазоне 1100 — 2500 нм. Для объектов, основную массу которых
составляют более прозрачные органические растворители, для не-
фтепродуктов толщина кюветы может быть значительно большей и
составлять 10 — 20 мм.
Анализ проб твердых материалов, например зерна, гранулирован-
ных продуктов без измельчения методом измерения в проходящем
пучке при длинах волн короче 1100 нм проводят в кюветах с толщи-
ной слоя от 3 до 25 мм, что определяется крупностью частиц, из
которых состоит проба, и интенсивностью поглощения материалом
инфракрасного излучения. Чем мельче частицы анализируемого мате-
риала, тем тоньше должна быть кювета. Например, для анализа муки
528
чения. Поэтому для корректировки может использоваться уравне-
ние линейной регрессии. Для расчета параметров такого уравнения
необходимы значения исходной влажности и влажности после раз-
мола для данного вида продукта, полученные не менее чем на 30
образцах, исходные значения влажности которых достаточно рав-
номерно перекрывали бы возможный диапазон данного показателя
в анализируемом объекте.
В некоторых приборах, например ТгеЬог-90, контроль температуры
анализируемой пробы и температуры внутри прибора осуществляет-
ся автоматически. Для этого анализатор имеет соответствующие дат-
чики, и значения температуры затем учитываются при вычислении
результатов анализа. Это позволяет анализировать пробы с очень
широким диапазоном температуры — от —65 до +95°С. Однако в
градуировке должны участвовать образцы, достаточно полно пере-
крывающие возможные диапазоны значений температуры и содержа-
ния определяемых компонентов.
При проведении инфракрасного анализа получаемые спектры могут
выводиться на дисплей для визуального контроля, записываться в
файл на жестком или гибком диске и использоваться затем для полу-
чения градуировочных уравнений и их корректировки, создания биб-
лиотеки спектров для последующего изучения и т.п.
Программный комплекс ИКС может использоваться при работе с
различными инфракрасными анализаторами, в частности с анализато-
ром Infrapid-61. Интерфейс, необходимый для подключения к этому
прибору персонального компьютера, а также соответствующие про-
граммные средства разработаны АО «Интерагротех».
При работе с приборами моделей 4500 и 6500 при съемке спектров
могут быть рекомендованы 16 сканирований встроенного керамичес-
кого стандарта и 32 сканирования спектра анализируемой пробы.
Для более быстродействующей модели 4250 оба числа рекомендуется
удвоить. Получаемые спектры лучше сгладить, используя преобра-
зование Фурье, что позволяет программное обеспечение.
При анализе грубозернистых неоднородных по составу материалов
для обеспечения представительности получаемых данных измерения
проводят в нескольких повторениях, заново заполняя кювету новой
порцией анализируемого образца. Число повторных измерений зави-
сит от неоднородности анализируемого материала и требуемой точ-
ности анализа. Усреднение результатов, повышающее точность ана-
лиза, может проводиться автоматически. Это зависит от используе-
мого программного обеспечения.
При работе с прибором Infrapid-61 и аналогичными анализаторами,
в которых образец во время съемки неподвижен, анализ рекомендует-
ся проводить не менее чем в двукратной повторности, поворачивая
529
кювету в кюветодержателе на 120° в промежутке между измерения-
ми. Лучше, если кювета при этом заполняется заново, но это требует
больше времени. Следует отметить, что данный анализатор сканирует
спектр однократно, поэтому выполнение повторных измерений спек-
тральных данных при различных положениях кюветы может сущес-
твенно повысить точность анализа. Значительный эффект может дать
также сглаживание спектра, которое целесообразно проводить два
раза последовательно одно за другим, что позволяет делать програм-
мное обеспечение ИКС.
9.3. ГРАДУИРОВКА ИНФРАКРАСНОГО
АНАЛИЗАТОРА
Инфракрасный анализ, как и большая часть других инструмен-
тальных методов аналитической химии, требует предварительной
градуировки прибора. В отличие от обычных фотометрических
приборов, которые требуют ежедневной градуировки или ее кор-
рекции, инфракрасные анализаторы работают достаточно стабиль-
но, чтобы однажды полученное градуировочное уравнение исполь-
зовалось длительное время. Обычно необходимость коррекции гра-
дуировки инфракрасных анализаторов возникает при изменении
свойств образцов данного материала, поступающего на анализ, в
связи с переходом на новую технологию или изменением условий
его производства, при переходе на новый вид исходного сырья, в
связи с изменением методики или условий пробоподготовки, после
ремонта прибора и т.п.
Особенностью инфракрасного анализа является то, что матрица
образца, как правило, поглощает излучение. Если в обычном фото-
метрическом анализе в видимой области спектра имеют дело в основ-
ном с растворами, причем растворитель, например вода, представляет
основную массу анализируемого образца и не поглощает излучение,
то в спектроскопии ближней инфракрасной области практически все
компоненты пробы, как правило, поглощают излучение, и спектр
матрицы часто очень сложен и зависит от ее состава. Поэтому
метод обычно включает градуировку применяемого анализатора по
образцам того же материала, который собираются анализировать.
Создание искусственных смесей из чистых компонентов при ана-
лизе таких сложных по химическому составу, физическим и физи-
ко-химическим свойствам материалов, какими являются, например,
зерно или другие материалы биологического происхождения, как
правило, не дает удовлетворительных результатов. Известным ис-
ключением является определение ботанического состава таких кор-
530
мов, как сено, когда градуировку проводят, смешивая в заданных
отношениях различные виды растений, имитируя состав анализи-
руемых материалов [275]. Другим примером может служить искус-
ственное повышение влажности образцов зерна пшеницы для обес-
печения достаточно широкого диапазона варьирования этого пока-
зателя при получении соответствующего градуировочного уравне-
ния [446]. Однако эти примеры не типичны и только подтверждают
общее правило.
Градуировка инфракрасного анализатора может предназначаться для
анализа строго определенного сорта, разновидности продукта, напри-
мер для анализа только твердой пшеницы, возделываемой в конкрет-
ном узком регионе, урожая определенного года или для анализа об-
разцов в определенном узком диапазоне концентраций определяемого
компонента. Такого рода градуировки принято называть «локальны-
ми», «индивидуальными», «узкими», в то время как под терминами
«глобальные», «универсальные», «широкие» имеют в виду градуиров-
ки, предназначенные для анализа более широкого круга объектов,
например для анализа зерна различных пшениц независимо от сорта
и условий произрастания или для анализа и пшеницы, и ячменя, как
это сообщалось в разделе 7 при рассмотрении работы [580]. Сразу
же следует отметить, что локальные градуировки обычно дают более
точные результаты анализа, чем глобальные.
В любом случае качество градуировки, а соответственно и качество
результатов инфракрасного анализа определяются двумя факторами.
Прежде всего это точность результатов химического анализа, что
является основой. Не менее важным является также то,'насколько
хорошо подобраны образцы для градуировки, насколько полно они
отражают возможную вариацию свойств анализируемого материала,
влияющих на спектры. Как правило, градуировочное уравнение дей-
ствует только в тех пределах свойств анализируемого материала, ко-
торые охватывают образцы, взятые для градуировки. Если анализи-
руемые по данному градуировочному уравнению образцы выходят из
этих пределов, результаты анализа могут иметь большие погрешнос-
ти. Здесь следует подчеркнуть, что речь идет о том, что образцы
должны не просто охватывать весь диапазон возможной вариации. В
идеале они должны равномерно перекрывать весь возможный диапа-
зон варьирования каждого фактора, влияющего на спектры. При этом
необходимо, чтобы численность образцов была достаточной, чтобы
обеспечить возможность четкого и достоверного выявления связи
варьирования данного фактора со значениями определяемого показа-
теля и получить ее отражение в градуировочном уравнении.
С одной стороны, для более полного и точного отражения вариа-
ции свойств анализируемого материала, выявления связи с опреде-
531
ляемым показателем, желательно иметь как можно больше образ-
цов. Это следует из того, что чем больше по объему выборка из
генеральной совокупности, тем ближе при прочих равных услови-
ях она отражает ее свойства. С другой стороны, чем больше об-
разцов в градуировочной серии, тем большие объемы аналитичес-
ких работ необходимо выполнить. Кроме того, при слишком боль-
шом числе образцов и длин волн, которые может использовать
анализатор для статистической обработки данных, может просто
не хватить оперативной памяти компьютера. При слишком боль-
шом числе образцов, взятых для градуировки, требуется и больше
машинного времени на выполнение необходимых расчетов. В неко-
торых случаях это может быть ограничивающим фактором. Все
это заставляет найти оптимум, обеспечивающий требуемую точ-
ность результатов инфракрасного анализа при минимуме затрат на
проведение градуировки.
9.3.1. Подбор образцов для составления
градуировочной серии
При составлении градуировочных серий образцов используют раз-
личные подходы к решению задачи: чисто статистический, аналити-
ческий, а также основанный на учете вариации спектров анализируе-
мого материала.
Чисто статистический подход предполагает, что для градуировки
должна использоваться достаточно представительная выборка из ге-
неральной совокупности, которую представляют все образцы, кото-
рые могут поступить на анализ. Выбор образцов при статистическом
подходе должен быть рандомизированным, то есть случайным. Это не
значит, что для градуировки может быть использована любая партия
образцов, случайным образом оказавшаяся в данный момент в лабо-
ратории. Такая конкретная партия образцов, например при определе-
нии качества сельскохозяйственной продукции, может представлять
ограниченную территорию с очень узкими пределами варьирования
условий возделывания данной культуры и т.п. Использование ее для
градуировки может дать значительные погрешности при анализе проб
урожая, полученного в отличающихся условиях, например на дру-
гих почвах, при другой агротехнике, других нормах удобрений,
при другой влагообеспеченности растений и т.п. Поэтому важно,
чтобы образцы для градуировки в полной мере отражали всю воз-
можную вариацию условий, определяющих состав и свойства ана-
лизируемого объекта. Если речь идет об анализе продукции расте-
ниеводства, то образцы должны быть отобраны по всей террито-
532
рии зоны, которую обслуживает данная лаборатория, с тем, чтобы
получить представительную выборку образцов урожая, который
предстоит проанализировать.
Необходимо отметить, что отбор образцов с полным соблюдени-
ем условий рандомизации на практике трудно осуществим, так как
всегда в той или иной степени используется систематизация, упо-
рядоченность отбора, вводимая исполнителем. Это значит, что не
исключается элемент субъективизма, тогда как при рандомизации
все должно быть делом случая. Чисто случайный отбор реален в
ситуации, когда лаборатория имеет в наличии все образцы, кото-
рые она должна проанализировать и представляющие в данном случае
генеральную совокупность. В такой ситуации все решается очень
просто. Для этого может использоваться, например, программа
MANAGE из пакета NIR, которая может случайным образом ото-
брать желаемое число образцов для проведения градуировки. При
отсутствии данной программы образцы нумеруют и с помощью гене-
ратора случайных чисел, который имеется обычно в стандартном
программном обеспечении компьютера или какого-либо программиру-
емого калькулятора с соответствующей функцией, решают эту зада-
чу. Может быть использована также таблица случайных чисел. В
конце концов, случайный отбор можно провести по жребию, вытяги-
вая номера образцов. Отобранные тем или иным, но случайным обра-
зом образцы анализируют на содержание определяемых компонентов
с помощью соответствующих химических методов. Полученные дан-
ные используют затем для расчетов параметров градуировочных урав-
нений, по которым выполняют анализы основного массива образцов
инфракрасным методом.
Недостатком рандомизированного отбора образцов для градуировки
является то, что распределение числа образцов по значениям опреде-
ляемого показателя в выборке, тем более если она выполнена пра-
вильно, отражает распределение в генеральной совокупности, кото-
рое, как правило, не бывает равномерным. В большей части случаев
распределение образцов по содержанию определяемого компонента
следует нормальному закону, соответственно которому основная часть
образцов имеет содержание определяемого компонента, близкое сред-
нему арифметическому для данной выборки. Края измеряемого диа-
пазона содержания определяемого компонента характеризуются от-
носительно меньшим числом образцов. Вследствие этого при нор-
мальном распределении градуировочное уравнение имеет большую
точность в средней части измеряемого диапазона, чем по краям. Кро-
ме того, распределение результатов инфракрасного анализа оказыва-
ется более узким, чем соответствующие данные химического анализа,
характеризуясь меньшим значением среднеквадратического отклоне-
533
ния от среднего арифметического. Это явление, известное как «эф-
фект Дунна», иллюстрирует рис. 9.3.1.1 [314]. Результаты с низкими
значениями определяемого показателя при этом оказываются систе-
матически завышенными, а с высокими — заниженными.
Рис. 9.3.1.1. Эффект Дунна. Сплошной линией показано
распределение образцов по содержанию белка в зерне
пшеницы по данным химического метода, пунктирной линией
— инфракрасным методом.
Более надежные результаты и большую универсальность получае-
мых градуировочных уравнений дает аналитический подход. При
этом исходят из знания природы анализируемого объекта, факто-
ров, определяющих варьирование состава и свойств образцов, ко-
торые должны анализироваться в лаборатории. Так, при анализе
зерна пшеницы в градуировочную серию, предназначенную для гло-
бальной градуировки, должны быть включены образцы всех со-
ртов этой культуры, которые могут поступить на анализ, охваче-
ны все условия возделывания и т.п. Необходимо, чтобы выбран-
ные образцы равномерно перекрывали весь диапазон содержания
определяемого компонента. Это позволяет более точно анализиро-
вать по получаемому градуировочному уравнению образцы с ни-
зким и высоким содержанием. Очень важно, будет или не будет
534
определяться влажность зерна данным методом, чтобы градуиро-
вочная серия полностью охватила весь возможный диапазон содер-
жания влаги в анализируемых образцах. Если это не будет сдела-
но, то при более высокой или более низкой влажности зерна,
которой не имели образцы в градуировочной серии, результаты
инфракрасного определения других показателей могут иметь зна-
чительные погрешности.
Очень наглядный пример этому можно найти в литературе. Когда в
градуировочной серии образцов зерна пшеницы, предназначенных для
определения содержания клейковины, диапазон влажности был очень
узок, то при анализе зерна с влажностью, выходящей за пределы
значений, охваченных градуировочной серией, наблюдались значи-
тельные погрешности. Отклонения от данных стандартного метода по
содержанию клейковины линейно зависели от уровня влажности. Это
позволяло решить проблему введением соответствующей поправки,
рассчитываемой по эмпирическому уравнению, исходя из значения
влажности анализируемой пробы и результата инфракрасного опре-
деления содержания клейковины [106].
Совершенно ясно, что подобное положение лучше избежать, пред-
усмотрев заранее возможный диапазон значений влажности и обеспе-
чив его соответствующими образцами при градуировке. Для решения
этой задачи при анализе, например, зерна пшеницы на основании
большого практического опыта рекомендовано следующее [701]. При
содержании, например, белка в диапазоне 10—16% и влажности 10-
15% в пределах каждого процента содержания белка рекомендуется
иметь по крайней мере 6 образцов. Одновременно должен быть доста-
точно равномерно охвачен и весь диапазон влажности. Это значит,
что в пределах каждого процента содержания белка должны быть
образцы со всеми уровнями влажности по 1% [701]. Выполнить дан-
ные рекомендации достаточно трудно. Обычно стремятся обеспечить
хотя бы равномерное распределение образцов по содержанию опреде-
ляемых компонентов. Для упрощения задачи в основу часто берут
содержание белка, исходя из того, что это, как правило, наиболее
важный определяемый показатель. Кроме того, в материалах биоло-
гического происхождения многие показатели более или менее тесно
коррелируют. Поэтому использование для градуировки образцов с
широким диапазоном варьирования одного из основных компонентов,
каким является белок, обеспечивает и достаточно широкое варьиро-
вание содержания других компонентов и свойств анализируемого объ-
екта, например зерна.
Для проведения градуировки большое значение имеет число образ-
цов, непосредственно используемых для получения градуировочного
ипапиоиыа Ппи QUO П ТД’ГУДТГ аг» IZ/"\K5 ПЛПУППП ГТ ПО ППЛрОПрППП rnn^prttfniy
535
градуировок образцы для градуировочной серии подбирают так, что-
бы охватить максимум возможной вариации свойств анализируемого
объекта. Целесообразно заранее определить, на какие близкие по
происхождению группы могут быть подразделены образцы. Напри-
мер, при анализе сена могут быть определены группы по видовому
составу растений, затем по регионам, технологии заготовки, уко-
сам, пробоподготовке к анализу и т.п. После этого отбирают об-
разцы каждой группы в достаточном количестве, чтобы охватить
внутригрупповые вариации.
Следует еще раз подчеркнуть, что, каким бы методом ни получали
градуировочные уравнения, они дают устойчивые результаты только
в пределах тех свойств анализируемого материала, которые достаточ-
но полно охвачены градуировочной серией. При последующем анали-
зе новых образцов, которые выходят из этих пределов, могут быть
получены значительные погрешности.
В отношении определения минимального числа образцов для граду-
ировки интересна следующая работа [194]. Для исследования было
взято 567 образцов, которые представляли 5 видов сена, урожаев 5
лет и 3 укосов. Исходный растительный материал высушивали в тер-
мостате при 50, 65 или 80°С, часть образцов сушили вымораживани-
ем, а также в полевых условиях в течение 1, 2 или 3 дней. Таким
образом, исходная выборка представляла очень большое разнообра-
зие образцов. Из первоначальной выборки методом рандомизации
было отобрано 100 образцов для последующего контроля и срав-
нения качества получаемых градуировочных уравнений. Из остав-
шихся 467 образцов были сделаны подвыборки численностью 70,
100, 151 и 200 образцов как методом рандомизации, так и по
спектральным данным, используя кластерный анализ, определяя
близость образцов по корреляции спектров. После разделения об-
разцов на кластеры по близости спектров из каждого кластера
методом рандомизации отбирали часть образцов пропорционально
их числу в данном кластере так, чтобы получить заданное общее
число образцов, выбираемое из всех кластеров. Полученные таким
образом подвыборки соответствующей численности использовали
для градуировки инфракрасного анализатора при определении сы-
рого протеина, различных форм клетчатки и переваримого сухого
вещества in vitro. Найдено, что среднеквадратические отклонения
результатов, полученных ИК-методом по градуировочным уравне-
ниям, от данных аттестационных анализов, проведенных общепри-
нятыми методами, а также средняя разность результатов уменьша-
лись, причем нелинейно, по мере увеличения числа образцов в
подвыборках, использованных в качестве градуировочных серий.
При минимальном числе образцов в градуировочной серии, кото-
536
рое было равно 70, получены наибольшие погрешности. При гра-
дуировке по 151 образцу среднеквадратические отклонения от дан-
ных химического анализа контрольной серии образцов были прак-
тически такими же, как и при использовании всех 467 образцов,
выделенных для градуировки. Существенных различий в точности
результатов при анализе контрольной серии из 100 образцов, ко-
торые не участвовали в градуировке, между методами составления
градуировочной серии не наблюдалось.
Основываясь на рассмотренных данных, а также на результатах
других исследований, в руководстве по анализу кормов методом ближ-
ней инфракрасной спектроскопии [705] для получения глобальных
градуировочных уравнений рекомендовано использовать 150 или бо-
лее образцов. Для узких, локальных градуировок можно иметь менее
100 образцов (минимум 50). Согласно ГОСТ Р 50817—95, количест-
во проб для получения градуировочного уравнения, предназначен-
ного для анализа образцов с варьирующим видовым составом, тех-
нологией производства кормов и пробоподготовки, должно быть
не менее 90—100, а для анализа более однородной популяции,
например одной культуры, одного вида корма, одного способа про-
боподготовки и т.д., можно использовать меньшее число проб. Во
всех случаях особое внимание должно быть обращено на то, что-
бы используемые образцы представляли вариацию основных физи-
ческих и химических свойств анализируемого материала (условия
произрастания, фаза развития, виды растений, метод консервации,
пробоподготовка, способ измельчения при пробоподготовке и круп-
ность частиц, содержание влаги).
Минимальное число образцов, необходимое для градуировки инф-
ракрасного анализатора, во многом зависит от определяемого показа-
теля и степени варьирования свойств анализируемого объекта. При
анализе более однородных по свойствам материалов, чем корма, та-
ких, например, как зерно одного вида и сорта, при определении со-
держания белка и влаги часто ограничиваются значительно меньшим
числом образцов, равным 30 — 40 и даже менее, получая достаточно
точные градуировочные уравнения.
Следует отметить, что число образцов, необходимое для получения
градуировочных уравнений, предопределить заранее довольно трудно.
Приведенные выше рекомендации можно рассматривать как безуслов-
но гарантирующие высокую точность и надежность получаемых ре-
зультатов. Можно найти примеры из литературы, когда для анализа
такого сложного по составу объекта, как комбикорм для птицы, до-
статочную точность анализа образцов, которые не участвовали в гра-
дуировке, обеспечивало применение градуировочных уравнений, по-
лученных на 45 образцах [647]. Для анализа большой группы грубых
537
кормов из различных регионов СССР для градуировки использовано
43 образца [99] и даже 25—30 образцов для единых градуировочных
уравнений для анализа вегетативной массы различных сельскохозяй-
ственных культур или кормовых трав [172, 111].
Существенно, чтобы в градуировочную серию не попали образцы,
которые представляют исключения, например образцы кормов, силь-
но загрязненные почвой, подверженные микробному разложению и
т.п. В ГОСТ Р 50817—95 указывается, что вообще не допускается
анализ образцов кормов с затхлым, плесневелым, гнилостным и горе-
лым запахами, а также проб, содержащих золу, нерастворимую в
соляной кислоте, в количествах, превышающих нормы, указанные в
стандартах на соответствующие виды кормов.
В последнее время подбор образцов для составления градуировоч-
ной серии все чаще проводят, учитывая непосредственно вариацию
спектральных данных анализируемого материала, а не вариацию фак-
торов, влияющих на спектры его различных образцов. Это особенно
важно при проведении так называемых «глобальных» градуировок,
предназначенных для анализа различных разновидностей данного ма-
териала, например для анализа различных видов растительных кор-
мов по единому градуировочному уравнению.
Имеется опыт выбора образцов для градуировки по спектральным
данным с помощью различных методов: кластерного анализа с ис-
пользованием корреляции спектров, рассмотренного выше [194], по
корреляции спектров [705], по близости спектров по расстоянию
Махаланобиса [601], кластерный анализ с использованием главных
компонент [402] и некоторые другие [375, 376].
Использование для подбора образцов коэффициента корреляции
спектров [705] или расстояния Махаланобиса [601] основывается на
том, что два образца с одинаковыми спектрами содержат меньше
информации, чем два различных по спектрам образца. При данной
численности градуировочной серии образцов лучше, если ее состав-
ляют образцы с различными, а не близкими спектрами. Наличие в
градуировочной серии близких, повторяющихся по спектральным
характеристикам образцов не повышает ее информативности. Уве-
личение численности градуировочной серии за счет подобных об-
разцов не имеет особого смысла, а только увеличивает затраты на
проведение аналитических работ, а также машинного времени на
обработку данных.
Практически подбор образцов для градуировочной серии по спек-
тральным данным с использованием рассматриваемых критериев
осуществляется следующим образом. Сначала стремятся получить
большое число образцов, как можно более полно характеризую-
щих возможную вариацию анализируемого материала, и снимают
538
их спектры. Производительность инфракрасного анализа достаточ-
но велика, и снять спектры, скажем, 300—500 образцов не пред-
ставляет особого труда, тем более что эти образцы предстоит за-
тем анализировать и по полученным спектрам можно будет после
градуировки получить результаты анализов, не повторяя измере-
ний.
При подборе образцов для градуировки по коэффициенту корре-
ляции, как это было рекомендовано в руководстве по инфракрас-
ному анализу кормов Департамента сельского хозяйства США [705],
коэффициенты корреляции рассчитывают между всеми возможны-
ми парами спектров. Спектры представляют результаты измерений
оптической плотности по длинам волн по точкам, и корреляцию
рассчитывают по парам результатов измерений спектральных ха-
рактеристик в соответствующих точках. Выбор для данной методи-
ки коэффициента корреляции в качестве дискриминирующего кри-
терия основан на том, что он не зависит от таких мультипликатив-
ных факторов, влияющих на спектры, как крупность частиц, и
рассчитывается достаточно быстро. Часть спектра в диапазоне от
1848 до 1968 нм при анализе сельскохозяйственных объектов в
расчеты не включают. Это было рекомендовано для того, чтобы
исключить чрезмерное влияние варьирования содержания влаги на
выбор образцов по спектрам. Вода очень интенсивно поглощает в
данной области спектра, так что сохранение указанного участка
длин волн сделало бы выбор образцов исключительно по их влаж-
ности. Образцы, квадрат коэффициента корреляции спектров ко-
торых со спектрами всех других образцов менее 0,950, признаются
анормальными, не принадлежащими данной совокупности, и в гра-
дуировочную серию не включаются. Образцы, которые имеют квад-
рат коэффициента корреляции более 0,997, имеют слишком близ-
кие спектры и один из них может быть без всякого ущерба исклю-
чен. Любой образец, спектр которого с уже выбранными для гра-
дуировки, имеет значение квадрата коэффициента корреляции ме-
нее 0,997, но более 0,950, считается подходящим по вариации для
включения в градуировочную серию. Указанные значения квадрата
коэффициента корреляции рассматриваются как ориентировочные.
В случаях, когда анализируемый материал достаточно однороден,
использование значения 0,997 может давать очень малое число
образцов для градуировки. В такой ситуации рекомендуется взять
большее значение этого критерия, чтобы увеличить число образ-
цов в получаемой градуировочной серии. Для широкой по вариа-
ции спектральных данных выборки при анализе кормов рекоменду-
емый минимум по числу образцов был определен равным 150. Для
кормов с узким размахом варьирования спектральных данных до-
539
пускается ограничиться минимумом в 100 и даже 50 образцов в
градуировочной серии. С другой стороны, увеличение числа образ-
цов более 250 в градуировочной серии нецелесообразно, так как
не дает каких-либо преимуществ.
Для практической реализации рассматриваемого способа может быть
использована программа SELECT из пакета NIR фирмы Infrasoft Inter-
national, русифицированную версию которой распространяет АО
«Интерагротех». Эта программа позволяет проводить обработку не
только исходных результатов оптической плотности, но и результа-
тов ее математических преобразований: производных, величин, полу-
чаемых нормированием по среднеквадратическому отклонению и ис-
ключением тренда в спектрах, как это рассмотрено в разделе 4, а
также комбинацией этих преобразований.
Отбор образцов по спектральным данным с использованием в
качестве дискриминирующего критерия расстояния Махаланобиса
(Н) отрабатывался на анализе двух больших выборок раститель-
ных кормов [601]. Суть расстояния Махаланобиса рассмотрена в
разделе 8. Первая выборка изначально содержала 567 образцов
сена, полученного из чистой люцерны и различных смесей злако-
вых и бобовых трав при различных способах сушки в эксперимен-
тальных условиях (серия G). Вторая состояла из 505 образцов
сена из 31 штата США и представляла сено различных культур,
полученных в производственных условиях (серия S). Образцы для
градуировки отбирали по расстоянию Махаланобиса, используя
первую производную спектров как разность оптической плотности
в точках спектра, отстоящих друг от друга на 20 нм. Предвари-
тельно проводили сглаживание спектров методом скользящего сред-
него по 5 точкам спектра. В качестве критических значений при
отборе образцов брали 1,0//, 0,8// и 0,6//. При обработке данных
серии G в соответствии с этими значениями компьютером по ис-
пользуемой программе были отобраны соответственно 48, 68 и 93
образца. Из выборки S было отобрано 78, 102 и 140 образцов
соответственно заданным значениям дискриминирующего критерия.
Найдено, что при определении содержания сырого протеина, клет-
чатки (кислотный гидролиз) и переваримого сухого вещества in
vitro как с помощью градуировки методом множественной линей-
ной регрессии, так и модифицированным методом дробных наимень-
ших квадратов среднеквадратическое отклонение от регрессии сни-
жается по мере увеличения числа образцов в градуировочной се-
рии. При отборе образцов для градуировки по 0,6// и при проведе-
нии градуировки по всем образцам погрешности почти не различа-
ются. В то же время при 1,0// и 0,8// погрешности были заметно
больше [601].
540
Аналогичные данные получены и в другой работе тех же авторов на
больших выборках образцов сена (1773 образца), сенажа (802), зер-
на кукурузы (577), пшеницы (581), ячменя (300) при определении в
них содержания сырого протеина и клетчатки [603].
На основании полученных данных авторы пришли к заключению,
что расстояние Махаланобиса может использоваться для опреде-
ления близости образцов по спектральным данным при составле-
нии градуировочных серий. Образцы, спектры которых различа-
ются менее чем на 0,6/7, могут считаться близкими, и один из них
может быть исключен без потери информативности. Образцы, раз-
личающиеся менее чем на 0,4/7, практически идентичны. Другими
словами, нет особого смысла иметь в градуировочной серии образ-
цы, спектры которых различаются менее чем на 0,6/7 и тем более
на 0,4/7. В то же время расстояние между спектрами, превышаю-
щее 0,8/7, указывает на их значительные различия. Однако число
образцов, отбираемое в градуировочную серию по расстоянию Ма-
халанобиса, зависит от численности исходной выборки, характера
распределения в ней образцов по спектральным данным и значения
дискриминирующего критерия. Чем больше образцов в исходной
выборке, тем больше их будет отобрано в градуировочную серию
при данном значении расстояния Махаланобиса. Поэтому необхо-
димо ориентироваться и на число образцов, которое должно быть
в градуировочной серии. Исходя из полученных данных, авторы
рассматриваемой работы рекомендуют иметь в серии для глобаль-
ной градуировки порядка 100 образцов, а для локальной считают
возможным ограничиться 50 образцами. При этом в исходной вы-
борке для глобальной градуировки должно быть по крайней мере в
три раза больше образцов, чем для локальной. Здесь следует доба-
вить, что в любом случае желательно иметь как можно больше
образцов, по спектрам которых проводится отбор для формирова-
ния градуировочной серии.
Выбор образцов по расстоянию Махаланобиса для градуировочной
серии может быть выполнен с помощью программного комплекса N1R
фирмы Infrasoft International. По программе CENTER, имеющейся в
этом комплексе, могут быть определены центр и границы рассеяния
спектральных данных исходной выборки. При этом в качестве крите-
рия может использоваться как расстояние Махаланобиса от центра,
то есть от среднего спектра, так и квадрат корреляции спектров со
средним спектром. В обоих случаях вместо среднего спектра может
использоваться и спектр конкретного образца. При определении рас-
стояния Махаланобиса используются не сами спектры, а их прибли-
жения, описываемые главными компонентами, что позволяет значи-
тельно сократить объем обрабатываемых данных. Число i лавных ком-
541
понент может быть определено пользователем в процессе работы
программы. Компьютер проводит анализ главных компонент и пока-
зывает, какую долю дисперсии описывают компоненты. Обычно до-
статочно взять столько главных компонент, сколько их описывают
99,7% дисперсии. Чаще всего это не более 6—7 компонент. Число
компонент, описывающих указанную часть дисперсии спектральных
данных, зависит от характера спектров и способов их предваритель-
ных математических преобразований, как это было отмечено в разде-
ле 5.2. Выбор метода предварительной обработки спектральных дан-
ных, участок или участки спектра, используемые для анализа спек-
тральных данных, определяются характером объекта и определяемо-
го показателя. В рассматриваемой программе наперед задано исклю-
чение участка спектра от 1848 до 1968 нм, чтобы предотвратить
чрезмерное влияние влажности на выбор образцов, как отмечено
выше. Для предварительного преобразования спектров задано полу-
чение первой производной, определяемой по разности оптической
плотности между 10 точками спектра (20 нм) при сглаживании ме-
тодом скользящего среднего по 5 точкам спектра, что можно вы-
разить как 1,10,5,1, следуя обозначениям, используемым в рас-
сматриваемом программном комплексе. Цифра «1», стоящая пос-
ледней, указывает, что второе сглаживание не проводится (среднее
по одной точке). Для сокращения объема данных для расчетов
берется только каждая восьмая точка спектра.
Для каждого образца по выбору оператора рассчитывается или
расстояние Махаланобиса от центра, или квадрат коэффициента кор-
реляции со средним спектром. Это делается прежде всего для выявле-
ния образцов, спектры которых резко отличаются от спектров дру-
гих образцов и их принадлежность данной выборки мало вероятна.
Кроме того, полученное значение расстояния Махаланобиса от цент-
ра может использоваться затем для выявления образцов с необычны-
ми спектрами при проведении анализа по полученному градуировоч-
ному уравнению. Показано, что критическим значением границ сово-
купности являются 3 расстояния Махаланобиса [601]. Образцы, спек-
тры которых находятся от центра на большем расстоянии, являются
анормальными, не принадлежащими данной выборке. Если использу-
ют квадрат коэффициента корреляции в качестве дискриминирующе-
го критерия, его критическое значение принимают равным 0,950.
Образцы, отклоняющиеся от центра на большую величину, могут
рассматриваться как анормальные.
Выявляемые тем или иным способом образцы с анормальными
спектрами могут представлять другой вид продукта и оказаться в
данной выборке случайно, по ошибке. Это могут быть образцы,
сильно загрязненные посторонними примесями или измененные в
542
процессе пробоподготовки, например вследствие обугливания при
нарушении температурного режима сушки или частичного разло-
жения при длительном хранении в условиях, способствующих раз-
витию процессов жизнедеятельности микроорганизмов и т.п. Подо-
бные образцы лучше исключить, так как они могут существенно
исказить результаты градуировки. Однако вопрос об исключении
образцов требует осторожности. Необходимо определить, что пред-
ставляют собой выявленные анормальные образцы. Если это, на-
пример, образцы иного материала, который не должен анализиро-
ваться в дальнейшем по получаемому градуировочному уравнению,
и эти образцы попали в изучаемую выборку по ошибке, если эти
образцы испорчены при хранении или при пробоподготовке, то они
должны быть исключены из выборки. Однако, если эти образцы пред-
ставляют определенную разновидность данного материала и при даль-
нейшем использовании получаемого градуировочного уравнения по-
добные образцы будут встречаться достаточно часто, лучше попол-
нить выборку образцами подобного рода и повторить определение
центра и границ рассеяния.
После решения вопроса об исключении образцов с анормальными
спектрами из оставшихся отбирают образцы по принципу исключе-
ния ближайшего соседа. Это делают, пользуясь программой SELECT
фирмы Infrasoft International. При выполнении этой программы зада-
ют те же условия предварительного преобразования спектральных
данных, что и в программе CENTER. Затем рассчитываются значения
расстояний между всеми возможными парами спектров образцов в
единицах расстояния Махаланобиса или рассчитывают квадрат коэф-
фициента корреляции для всех возможных пар образцов для опреде-
ления наиболее близких по спектрам. Если образцы в таких парах
различаются менее чем на 0,6// при использовании расстояния Маха-
ланобиса или квадратом коэффициента корреляции менее 0,970, как
это наперед задано в программе, один из образцов такой пары исклю-
чается и не используется затем в градуировке. Алгоритм начинается
с определения пары наиболее близких образцов и исключения одного
из них. Затем программа находит очередную по близости пару, про-
водит исключение повторяет это до тех пор, пока не будет обнару-
живаться образцов, более близких по спектрам, чем задано.
Число образцов в градуировочной серии должно быть достаточно
большим, как это отмечено выше. При заданном значении дискрими-
нирующего критерия, например при 0,6//, число образцов может ока-
заться недостаточным для получения представительной выборки. Это
может быть вызвано или малочисленностью исходной выборки, или
характером распределения образцов по спектральным данным. В та-
ком случае задают число образцов, которое должна содержать созда-
543
ваемая градуировочная серия. Такой вариант предусмотрен в про-
грамме. В этом случае компьютер отберет требуемое число образцов
с наибольшими значениями расстояний между спектрами или наимень-
шими значениями квадрата коэффициента корреляции соответствен-
но тому, что задаст оператор.
Если образцов в градуировочной серий окажется слишком много, пос-
тупают точно так же, задав требуемое число образцов. При этом также
будут отобраны образцы с наиболее различающимися спектрами.
Следует отметить, что более отработанной является методика с
использованием расстояния Махаланобиса и этот критерий более пред-
почтителен. Найденное по программе CENTER расстояние Махалано-
биса может использоваться при выполнении последующих анализов в
целях контроля для выявления анормальных образцов. В программе
ANAL, предназначенной для анализа образцов по спектрам по задан-
ным градуировочным уравнениям, должно быть установлено крити-
ческое значение расстояния от центра, определенного в процессе при
определении границ рассеяния от центра по программе CENTER. При
анализе образца, спектр которого будет отличаться от среднего для
исходной выборки, из которой формировали градуировочную серию,
более, чем задано, результат анализа будет соответствующим обра-
зом отмечен. Это будет служить указанием оператору на анормаль-
ность спектра анализируемого образца и возможность существенных
погрешностей результата. В руководстве для пользователя данной
программой рекомендовано задать значение дискриминирующего кри-
терия, равное 4 расстояниям Махаланобиса (4Н). Чтобы реализовать
возможность такого контроля, необходимо при выполнении програм-
мы CENTER сохранить значения соответствующих спектральных дан-
ных, метода и условий математических преобразований спектров в
специальном файле.
Спектральные данные могут использоваться для создания градуиро-
вочных серий для анализа небольшой партии образцов с узким диапа-
зоном варьирования свойств с повышенной точностью. Для этого
снимают спектры этих образцов и находят для них ближайших сосе-
дей в файле со спектрами образцов данного продукта с известными
показателями, которые предстоит определять. В рассматриваемом
программном комплексе близость образцов по спектральным данным
может оцениваться и по значению квадрата коэффициента корреля-
ции, и по расстоянию Махаланобиса по программе MATCH. Эта задача,
обратная рассмотренной выше, и состоит в том, чтобы из имеющихся
ранее проанализированных образцов отобрать наиболее близкие по спек-
трам, то есть подобрать аналогов. По отобранным образцам, точнее, по
их имеющимся спектрам и результатам химических анализов, проводят
градуировку и используют ее затем для проведения анализа.
544
Рассмотренные методы отбора образцов по спектральным данным
могут использоваться не только при работе с приборами, которые
сканируют спектр, но и с фильтровыми приборами, которые про-
водят измерения спектральных характеристик только при фикси-
рованных значениях длин волн. Это только ограничивает возмож-
ности таких приборов ввиду того, что не позволяет получать про-
изводных спектра. При малом числе фильтров теряет смысл ис-
пользование главных компонент для сокращения объема спектраль-
ной информации. В то же время это даже упрощает задачу, исклю-
чая возможность сложных математических преобразований спек-
тральных данных.
Обязательным моментом при составлении градуировочной серии
образцов является также и параллельное составление контрольной
серии для объективной оценки получаемых градуировочных уравне-
ний. Образцы контрольной серии не должны участвовать в градуи-
ровке. Обычно их отбирают методом рандомизации из исходного мас-
сива образцов перед составлением градуировочной серии. Количество
образцов в контрольной серии должно быть не менее 20. Эти образ-
цы должны быть проанализированы теми же методами химического
анализа, что и образцы для градуировочной серии.
Создание градуировочных серий образцов и получение достаточно
точных градуировочных уравнений, особенно при глобальной градуи-
ровке, являются сложными и требуют не только значительных затрат
труда, но и определенных знаний и опыта. Однако эту проблему
легко решает перенос градуировочных уравнений с одного прибора
на другой, что рассматривается в разделе 5.4. В настоящее время
пользователи могут иметь готовые градуировочные уравнения, ко-
торые разрабатывают фирмы, производящие инфракрасные анали-
заторы. В России спектральное согласование инфракрасных анали-
заторов и обеспечение пользователей готовыми градуировками про-
водит АО «Интерагротех». При получении такой готовой градуи-
ровки остается только проверить ее качество по результатам ана-
лиза образцов с известными значениями определяемых показате-
лей и, если это окажется необходимым, провести соответствую-
щую корректировку.
9.3.2. Аттестационный анализ образцов
градуировочной серии
Необходимость градуировки инфракрасных анализаторов опреде-
ляет важность точности результатов химического анализа, исполь-
зуемых для аттестации образцов градуировочной серии. Под аттес-
545
тацией здесь понимается установление численного значения опре-
деляемого показателя, которое используется затем при градуиров-
ке и принимается как действительное. В конечном счете точность
аттестации определяет качество результатов инфракрасного анали-
за, погрешность которого включает как собственную погрешность,
так и погрешность аттестационного анализа. Для аттестационного
анализа используют обычно общепринятые стандартные методы.
Если стандартом допускается применение нескольких методов или
вариантов определения содержания данного компонента, целесооб-
разно применять те из них, которые обеспечивают получение на-
иболее точных результатов. Для повышения точности результатов
химических анализов их следует проводить с повторениями и пос-
ледующей статистической обработкой результатов. Это позволяет
повысить точность результатов химического анализа, обнаружить
и исключить грубые промахи при получении данных, которые мо-
гут снизить точность получаемых градуировочных уравнений.
Как было рассмотрено в разделе 6, погрешность среднего ариф-
метического результатов измерений обратно пропорциональна числу
измерений. Из этого следует, что чем большее число повторений
выполнено при проведении химического анализа, тем большую точ-
ность можно ожидать от градуировочного уравнения, для получе-
ния которого они используются. Отмечено, например, что при
определении содержания белка в зерне пшеницы среднеквадрати-
ческое отклонение результатов от данных, получаемых стандарт-
ным методом Кьельдаля, было равно 0,29%, когда для расчетов
градуировочного уравнения брали среднее арифметическое из ре-
зультатов двух повторностей химического анализа образцов, ис-
пользуемых для градуировки. Однако при шестнадцатикратной пов-
торности среднеквадратическое отклонение снизилось до 0,17%
[598]. Следует отметить, что это значение очень близко точности
самого метода Кьельдаля, который характеризуется среднеквадра-
тическим отклонением 0,155% [691, 690].
Выполнение химических анализов с повторениями позволяет по-
высить точность результатов не только за счет усреднения получа-
емых данных, но и за счет выявления и последующего исключения
грубых промахов, то есть анормальных результатов, которые мо-
гут снизить точность аттестационного анализа. Повторные анали-
зы химическим методом лучше проводить в разное время, чтобы
более полно учесть вариацию результатов и определить их воспро-
изводимость. Лучше, если в аттестационном анализе будет учас-
твовать несколько лабораторий. Проведение статистической обра-
ботки в этом случае усложняется. Методика статистической обра-
ботки результатов аттестационного анализа в данном случае подобна
546
аттестации стандартных образцов, используемых для контроля точ-
ности анализов или градуировки приборов. Она очень подробно
рассмотрена в научной литературе [178, 159], а также в соответ-
ствующей нормативно-технической документации, касающейся из-
готовления и аттестации стандартных образцов конкретных мате-
риалов. Основные положения, порядок разработки, аттестации,
утверждения, регистрации и применения государственных, отрас-
левых стандартных образцов и стандартных образцов предприятий
определены соответствующим государственным стандартом [47].
Соответствующими стандартами и руководящими документами рег-
ламентированы определение однородности стандартных образцов,
порядок и методика их межлабораторной аттестации [50, 146, 51].
Подробно описана методика изготовления и аттестации стандарт-
ных образцов кормов и растений [23], имеется стандарт на разра-
ботку стандартных образцов горных пород и минерального сырья
[250], в котором очень детально регламентировано решение вопро-
сов определения однородности материала стандартного образца,
организации его аттестационных анализов, статистической обра-
ботки результатов и их оценки.
Использование стандартных образцов с аттестованными значени-
ями определяемых показателей позволяет обеспечить правильность
результатов анализа, выявить систематические погрешности, свой-
ственные конкретной лаборатории, аналитику или прибору. При
аттестации образцов, предполагаемых для использования при гра-
дуировке инфракрасного анализатора, стандартные образцы необ-
ходимо включать в каждую серию одновременно выполняемых хи-
мических анализов. Если результаты анализа стандартных образ-
цов выходят из допустимых пределов, предусмотренных норматив-
но-технической документацией, регламентирующей методику дан-
ного вида анализа, результаты всей серии бракуют и повторяют
анализ снова после устранения возможных источников погрешнос-
тей. При отсутствии официально утвержденных стандартных об-
разцов необходимо использовать образцы, аттестованные по ре-
зультатам многократных анализов, выполненных в данной лабора-
тории. Это не исключает систематической погрешности, которая
может быть свойственна лаборатории, но позволяет обнаружить
систематическое занижение или завышение результатов данной
партии определений.
Необходимо отметить, что имеющиеся в настоящее время стандарт-
ные образцы состава и свойств, которые предназначены для контро-
ля качества результатов аналитических работ обычными химически-
ми методами, для градуировки аналитических приборов и т.п., не
всегда могут использоваться для градуировки инфракрасных анали-
547
заторов или для контроля за качеством получаемых на них ре-
зультатов. В процессе изготовления материал стандартных образ-
цов может проходить специальную обработку для обеспечения ста-
бильности состава, однородности и т.п., что может вызывать изме-
нение их свойств, влияющих на спектры. Для обычных методов
анализа, в процессе которых происходит химическое разложение
пробы, это несущественно, но делает такие образцы непригодными
для инфракрасного метода. Например, государственные стандарт-
ные образцы клубней картофеля СБМК-02, зерна пшеницы СБМП-
02, описанные в литературе [181], в процессе подготовки высуши-
вались, размалывались, затем пропаривались, гранулировались во
влажном состоянии, а затем высушивались. Если анализировать
эти образцы инфракрасным методом по градуировочным уравнени-
ям, полученным на обычных образцах, не проходивших подобную
обработку, то результаты могут значительно отличаться от аттес-
тованных значений. Это обусловлено тем, что в процессе изготов-
ления этих стандартных образцов их структура, а также состав
значительно изменены вследствие гидролиза, окисления и ряда дру-
гих процессов, связанных с увлажнением и нагреванием материа-
ла. При использовании таких образцов для контроля качества ре-
зультатов химического анализа это не имеет значения. Здесь важ-
ны только стабильность и однородность материала. Однако подо-
бные изменения отражаются на спектрах, что влияет на результа-
ты анализа, получаемые с помощью спектроскопии ближней инф-
ракрасной области.
При статистической обработке результатов аттестационного анали-
за при выполнении его в одной лаборатории для каждого образца
рассчитывают среднее арифметическое значение результатов повтор-
ных анализов (X ) по уравнению (6.2) и среднеквадратическое откло-
нение среднего (S) по уравнению (6.4). Резко отклоняющиеся резуль-
таты исключают. Анормальные результаты выявляют по СТ СЭВ 545—
77, исключают и снова рассчитывают среднее арифметическое значе-
ние. Если число повторений не превышает 4, процедуру исключения
допускается проводить только один раз. Если среднее рассчитывается
по большому числу повторных определений, выбраковку повторяют
несколько раз до тех пор, пока анормальных результатов выявляться
не будет. При этом допускается исключать не более трети исход-
ных результатов, включенных в обработку. По оставшимся после
выбраковки результатам рассчитывают среднее арифметическое,
значение которого приписывается данному образцу, и используют
его для градуировки.
В соответствии с СТ СЭВ 545-77 при четырехкратной повторности
и доверительной вероятности 0,95 анормальными признаются резуль-
548
таты, отклоняющиеся от среднего арифметического более чем на 1,565.
При шестикратной повторности этот предел возрастает до 1,825, при
восьмикратной — до 2.03S, при двадцатикратной — до 2,565, при
тридцатикратной и более — практически до 35.
9.3.3. Получение градуировочного уравнения
Прежде чем проводить градуировку анализатора, должны быть по-
лучены спектры образцов градуировочной серии. Спектры должны
быть сняты по той же методике, которая предполагается и для прове-
дения анализов. Здесь имеются в виду такие условия, как число ска-
нирований при получении спектров, число повторных измерений каж-
дого образца на разных его порциях, условия сглаживания спектров
и т.п. соответственно тому, что оператор может предопределять при
работе на данном анализаторе.
Для получения градуировочных уравнений могут использоваться
различные методы и программные средства. Из рассмотренных в раз-
деле 5 методов наиболее часто используют ставший уже классичес-
ким метод множественной линейной регрессии. В последнее время
все большее применение получают регрессия на главных компонен-
тах и метод дробных наименьших квадратов, рассмотренные в раз-
деле 5. Как показывает еще относительно небольшой опыт практи-
ческого применения этих методов, особых преимуществ перед ме-
тодом множественной линейной регрессии они не имеют. Основы-
ваясь на литературных данных и собственном опыте, можно толь-
ко отметить, что метод дробных наименьших квадратов в сочета-
нии с использованием первой или второй производной спектров
дает заметное повышение точности инфракрасного анализа. Так,
по данным, имеющимся в литературе, при анализе кормов исполь-
зование метода дробных наименьших квадратов снижает среднек-
вадратическое отклонение от данных химических методов пример-
но на 18% при определении показателей качества и питательности
[601]. В конкретных условиях можно получить как больший, так
и меньший эффект.
Примерно то же можно сказать и о различных математических
преобразованиях спектральных данных, предшествующих градуи-
ровке. В методе множественной линейной регрессии в ряде случа-
ев наблюдается ситуация, когда в градуировочном уравнении ока-
зываются, например, четыре независимые переменные. Знаки ко-
эффициентов при переменных могут чередоваться, а их абсолют-
ные значения, быть примерно одинаковыми для пар с разными
знаками, как и расстояния по длинам волн между переменными в
549
подобных парах. Таким образом, разности, представляемые таки-
ми парами, могут быть подобны конечным разностям при получе-
нии первой производной. Еще нагляднее градуировочное уравнение
с двумя независимыми переменными. В подобных уравнениях, как
правило, коэффициенты при переменных противоположны. Если
при этом они и близки по абсолютной величине, такое уравнение
может практически не отличаться от уравнения, в котором в ка-
честве независимых переменных использованы не две переменные,
представляющие исходные значения оптической плотности, а одна
переменная, представляющая первую производную, полученную ме-
тодом конечных разностей, применяемым обычно в инфракрасном
анализе.
Поскольку заранее нельзя предсказать, какое математическое пре-
образование и какой метод получения градуировочного уравнения
могут оказаться лучшими, в каждом конкретном случае это находят
опытным путем, получив несколько градуировочных уравнений раз-
личными способами и проверив их на контрольных образцах, кото-
рые не участвовали в градуировке. Таким образом находят, какое из
них дает наибольшую точность, и используют его для проведения
анализов. В качестве пробного шара можно рекомендовать получение
градуировочного уравнения методом дробных наименьших квадратов,
используя первую производную, рассчитываемую как разность опти-
ческой плотности при длинах волн, отстоящих на 8 нм (обычно это 4
точки спектра) при предварительном сглаживании спектра при прове-
дении градуировки методом скользящего среднего по 4 точкам спект-
ра. Второе сглаживание спектров при градуировке, предусмотренное
в некоторых программах, проводить нецелесообразно, так как обыч-
но это ничего не дает. Во многих случаях при определении химичес-
кого состава сельскохозяйственных объектов сочетание указанных
методов градуировки и преобразований спектров оказывается одним
из лучших. В некоторых случаях может иметь преимущество вторая
производная. Использование третьей и четвертой производных, как
правило, нецелесообразно. Нет особого смысла также использовать
более короткий интервал между точками спектра при получении про-
изводных. Все это приводит только к усилению шума в спектральных
данных, что снижает точность анализа.
Методу дробных квадратов по точности результатов анализа обыч-
но заметно уступает регрессия на главных компонентах, при этом она
требует значительно больше времени для проведения градуировки. В
ряде случаев лучшие результаты дает множественная линейная рег-
рессия при работе программы в режиме под управлением оператора.
Однако этот вариант требует определенного опыта и знаний, а также
занимает много времени.
550
Обычно программы, применяемые для работы с инфракрасными
анализаторами, имеют ряд опций, позволяющих задать методы по-
лучения градуировочных уравнений и предварительного преобра-
зования спектральных данных. В частности, в программном ком-
плексе NIR для проведения градуировки используется программа
CAL. Она позволяет использовать для градуировки метод множес-
твенной линейной регрессии в автоматическом режиме и под уп-
равлением оператора, два варианта метода дробных наименьших
квадратов, а также регрессию на главных компонентах. Для пред-
варительных преобразований спектра могут быть применены нор-
мирование спектров по среднеквадратическому отклонению с ус-
транением тренда, получение первой, второй, третьей и четвертой
производных, причем получение производных можно сочетать с
нормированием спектров. Сущность этих преобразований рассмот-
рена в разделе 4.
При использовании метода дробных наименьших квадратов для
определения числа факторов или соответственно главных компо-
нент обычно используется перекрестная проверка, как это описано в
разделе 5. Если перекрестная проверка проводится, а она может быть
и исключена по желанию оператора, число групп, на которое делится
градуировочная серия образцов, должно быть не менее трех. Если
образцов в градуировочной серии очень мало, число групп для пере-
крестной проверки должно быть больше, чтобы градуировочные урав-
нения получались в процессе перекрестной проверки по возможно
большему числу образцов, более объективно отражая картину. Если
например, в градуировочной серии 30 образцов, то при трех группах
в процессе перекрестной проверки градуировка каждый раз будет
проводиться всего по 20 образцам, но если задать 10 групп, это будет
делаться по 27 и проверяться по 3 образцам. Еще лучше задать 30
групп, тогда градуировки будут проводиться по 29 образцам и прове-
ряться по одному образцу. Однако, как это было рассмотрено в
разделе 5, каждый образец будет использован и для градуировки, и
для проверки. В данном случае важно, сколько образцов участвовало
в градуировке при каждой итерации, что определяет представитель-
ность выборки, используемой для градуировки на каждом этапе пере-
крестной проверки. В конечном счете компьютер выдаст суммарные
результаты перекрестной проверки, в которой участвовали все 30
образцов, и уравнение, также рассчитанное по всем 30 образцам.
Вместе с тем чем больше групп задано для перекрестной проверки,
тем больше времени займет итерационный процесс ее проведения.
Перекрестная проверка, как было рассмотрено в разделе 5, пред-
назначена для определения числа факторов или главных компо-
нент в методе дробных наименьших квадратов и регрессии на глав-
551
ных компонентах. Во многих случаях она не дает достаточно чет-
кого результата, а также менее объективна, чем проверка получа-
емого уравнения на контрольной серии образцов, которые не учас-
твовали в градуировке. Поэтому для решения вопроса о том, сколько
рассматриваемых скрытых переменных целесообразно использо-
вать для градуировки, можно получить несколько градуировочных
уравнений, используя разное число переменных. Затем получен-
ные градуировочные уравнения проверяют на контрольной серии
образцов и сравнивают результаты, получаемые по этим уравнени-
ям, с химическими данными. Число переменных должно быть воз-
можно меньшим и таким, чтобы дальнейшее его увеличение значи-
тельно не влияло на погрешность анализа. В некоторых случаях
увеличение числа переменных после систематического повышения
точности до некоторого предела при дальнейшем его увеличении
начинает снижаться. В такой ситуации оптимальным будет число
переменных, соответствующее максимальной точности. Обычно
достаточным является 6—8 переменных.
Существенным моментом является и число образцов в градуировоч-
ной серии. Оно ограничивает максимальное число переменных, воз-
можное в регрессионном уравнении для предотвращения переподгон-
ки. Максимальное число переменных X при данном числе образцов в
градуировочной серии N при использовании метода множественной
линейной регрессии определяют по формуле
X = М/10 + 1.
Для метода дробных наименьших квадратов и регрессии на главных
компонентах вместо единицы, прибавляемой к частному, можно взять
2 и даже 3, не беспокоясь о возможной переподгонке получаемого
градуировочного уравнения.
Используя программный комплекс ИКС, можно и не ломать голову
над всеми этими премудростями, поручив все программе. Для этого в
меню всех соответствующих опций просто не следует изменять напе-
ред заданных значений и отказаться от режимов, при которых про-
грамма выполняется под контролем оператора.
Существенным моментом при проведении градуировки является
исключение анормальных результатов. При составлении градуиро-
вочной серии могут быть допущены ошибки. Например, в ней мо-
гут оказаться образцы другого материала или материала, получен-
ного по другой технологии, чем остальные. Это могут быть образ-
цы, измененные при хранении или в процессе пробоподготовки и
т.п. Чисто случайно могут быть перепутаны результаты химичес-
ких анализов или допущены ошибки при введении данных в граду-
мриьичныи файл. Подобные явления могут существенно повлиять
552
на результаты градуировки, снижая точность получаемых в даль-
нейшем результатов.
Для выявления и исключения анормальных результатов в про-
граммах, применяемых для получения градуировочных уравнений,
может быть предусмотрена соответствующая процедура, выполня-
емая автоматически. Так, в программном комплексе NIR в процес-
се градуировки возможно исключение анормальных образцов, ко-
торые по получаемому градуировочному уравнению дают результа-
ты, отличные от данных химических анализов более заданных преде-
лов. Пределы, выход за которые считается анормальным, задается
как ±tS, где S — это среднее квадратическое отклонение, a t —
критерий Стьюдента. Для того, чтобы процедура исключения дей-
ствовала, оператор должен, используя соответствующие опции,
указать на необходимость исключения выбросов, задать значение
/-критерия и число повторений процедуры выбраковки образцов с
анормальными результатами. В подсказке, которую дает рассмат-
риваемая программа указывается, что значение /-критерия может
быть равным 2; 2,5 и 3, что соответствует мягкому, среднему и
жесткому режимам. В соответствии с СТ СЭВ 545 -77 при довери-
тельной вероятности 0,95 и при объеме выборки, равном 20, анор-
мальным признается результат, отличный от среднего арифмети-
ческого на ±2,565, а при 30 и более — около ±35. После исклю-
чения образцов с анормальными спектрами процесс градуировки
проводится вновь. Число повторений процедуры выбраковки при
работе в автоматическом режиме может быть рекомендовано рав-
ным двум. Оно может быть и больше, но число исключенных об-
разцов в любом случае не должно превышать трети исходного объ-
ема выборки.
Лучше, однако, выполнять градуировку в режиме под контролем
оператора. Такой режим предусмотрен в программе NIR. В этом
случае оператор может видеть, какие образцы выходят из задан-
ных пределов, и решить вопрос об их исключении. Очень нагляд-
ную картину дает гистограмма распределения образцов по значени-
ям отклонений. Пример такой гистограммы показан на рис. 9.3.3.1.
В этом примере имеются два анормальных результата, вызванных
тем, что при съемке спектров были перепутаны номера двух образ-
цов так, что значение определяемого параметра одного образца
было приписано другому и наоборот. Эти резко выпадающие об-
разцы хорошо видны на гистограмме: один — как крайний в облас-
ти положительных, другой — отрицательных значений среднеквад-
ратического отклонения 5.
Еще лучше вообще не использовать процедуру выбраковки в про-
цессе получения градуировочного уравнения, а решать вопрос об
553
СКО от регрессии
Рис. 9.3.3.1. Гистограмма распределения образцов
градуировочной серии по среднеквадратическому
отклонению от регрессии при определении белка в зерне
пшеницы.
исключении анормальных образцов при его проверке на тех же
образцах, по которым проводилась градуировка. Для этого по по-
лученному градуировочному уравнению проводят расчеты резуль-
татов анализа по спектрам образцов так, если бы они анализирова-
лись по данному уравнению. При рассмотрении полученных дан-
ных можно определить, какие образцы выходят из заданных преде-
лов, а затем выяснить возможную причину отклонений. Очень на-
глядным является графическое представление результатов. При-
мер двух явно анормальных результатов показан на рис. 9.3.3.2.
Резко отклоняющиеся результаты вызваны тем, что оператор пе-
репутал номера двух образцов при заполнении кюветы инфракрас-
ного анализатора. Естественно, что при этом результаты химичес-
кого анализа первого из этих образцов стали соответствовать спек-
тру второго образца и наоборот. Подобные погрешности, связан-
ные с вводом информации, можно легко выявить и исправить, за-
ново заполнив кювету и пересняв спектры. Однако источник по-
грешности не всегда просто выявить. В сомнительных случаях сле-
дует убедиться, что образец, дающий анормальный результат, пред-
ставляет именно этот анализируемый материал, а не какой-либо
554
Рис. 9.3.3.2. Сравнение результатов инфракрасного и
химического методов.
другой, что не допущена ошибка при его маркировке. При визу-
альном изучении образца могут быть выявлены такие причины
резких отклонений, как загрязнение образца инородным материа-
лом, повреждение насекомыми или микробной флорой, подгорание
материала при сушке и другие моменты, связанные с подготовкой
пробы. Отклонения могут быть связаны с погрешностями при за-
полнении кюветы, например слабая набивка кюветы, наличие пус-
тот в массе пробы и т.п. Для выяснения вопроса может быть
повторно снят спектр анормального образца, заново проведена гра-
дуировка, а затем и расчет по градуировочному уравнению. Может
быть повторен и химический анализ. Просто исключить образцы с
отклоняющимися результатами опасно. Такие образцы могут при-
надлежать определенной разновидности анализируемого материа-
ла, которая представлена в градуировочной серии недостаточно
большим числом образцов. Если образцы такой разновидности бу-
дут поступать на анализ в будущем, следует увеличить их число в
555
градуировочной серии и повторить градуировку. Если это не улуч-
шит результаты, подобные образцы следует исключить, но иметь в
виду, что образцы подобной разновидности не должны анализиро-
ваться по данному градуировочному уравнению, так как результат
может иметь значительную погрешность. Для подобных образцов
целесообразна отдельная градуировка.
В программе ИКС могут автоматически исключаться также образ-
цы, спектры которых выходят из заданных пределов по расстоянию
Махаланобиса. В качестве такого предела рекомендуется принять 4/7,
то есть на 4 расстояния Махаланобиса от центра рассеяния. В дан-
ном случае также целесообразно проанализировать причины анор-
мальности образцов и только затем решить вопрос об их исключении
из градуировочной серии.
В любом случае механическое исключение анормальных образцов
из градуировочной серии без соответствующего анализа возможных
причин следует избегать.
Более детальное исследование метрологических характеристик по-
лучаемых градуировочных уравнений можно провести, выполняя ана-
лиз контрольной серии образцов и химическим, и инфракрасным ме-
тодами не менее чем в четырехкратной повторности. В этом случае
можно определить и систематическую, и случайную составляющие
погрешности инфракрасного анализа. Решение подобной задачи в об-
щем виде рассматривается в разделе 6. Более детально вопрос осве-
щен в литературе [3, 153].
9.3.4. Проверка градуировочного уравнения и его
корректировка
Проверка вновь разработанного градуировочного уравнения или
выбор лучшего уравнения из нескольких, полученных в результате
градуировки, должны проводиться на независимой партии образцов
данного вида анализируемого материала, которые не входили в граду-
ировочную серию. Число образцов при такой проверке должно быть
не менее 20, как это рекомендуется в официальных методиках, приве-
денных в приложении 13.2. При выборе уравнения из нескольких для
определения данного показателя предпочитают то, которое дает на-
именьшее среднеквадратическое отклонение и среднюю разность от
данных химического анализа.
Как было отмечено выше, при проведении инфракрасного анализа
должен проводиться ежедневный контроль уровня шума и воспроиз-
водимости результатов анализа контрольного образца. В анализато-
рах моделей 4500, 6500 NIRSystems может проверяться и корректи-
556
роваться оператором точность показаний длин волн по максимумам
поглощения полистирола, образец которого встроен в прибор. Все
это позволяет контролировать правильность работы прибора как
средства измерения спектральных характеристик анализируемых
образцов. Однако это не гарантирует от появления ошибочных
результатов, вызванных тем, что поступающие на анализ новые
образцы данного материала могут отличаться по тем или иным
свойствам от образцов, использованных для градуировки. Не ис-
ключено, что и контроль по спектральным данным с помощью
расстояния Махаланобиса будет не во всех случаях гарантировать
обнаружение погрешностей в результатах. Здесь многое зависит от
выбора метода и условий предварительного математического пре-
образования спектральных данных.
Кроме того, свойства многих объектов могут значительно варь-
ировать во времени и выполненная однажды градуировка может не
учитывать новых особенностей объектов данного вида. Это может
быть вызвано переходом на новую технологию производства данно-
го материала, изменением условий получения продукта и т.п. В
связи с этим инфракрасный анализ требует периодического кон-
троля сравнением получаемых результатов с данными химических
анализов. Например, при анализе сельскохозяйственных культур
такая проверка необходима ежегодно при получении образцов но-
вого урожая. При анализе промышленной продукции такая проверка
необходима при смене источника или вида сырья, изменении тех-
нологии и т.п. Во всех подобных случаях необходима проверка не
менее чем на 20 новых образцах. По результатам их анализа инф-
ракрасным методом рассчитывают среднеквадратическое отклоне-
ние от данных химического анализа по уравнению (5.13) и сред-
нюю разность по уравнению (6.9). Достоверность отличия средней
разности от нуля оценивают по значению /-критерия Стьюдента,
как это описано в разделе 6. Для расчета среднеквадратического
отклонения разности используют уравнение (6.10), а для расчета
/-критерия — уравнение (6.11). Полученное значение /-критерия
сравнивают с табличным для доверительной вероятности 0,95 при
данном числе степеней свободы. Необходимые значения /-крите-
рия можно взять из таблицы приложения 13.4. Число степеней
свободы в данном случае равно числу образцов, взятых для про-
верки, минус единица.
Если среднеквадратическое отклонение от данных химического ана-
лиза не выходит из допустимых пределов и значение /-критерия для
средней разности меньше табличного, то в корректировке данного
градуировочного уравнения нет необходимости. В противном случае
необходим анализ полученных результатов. Прежде всего необходи-
557
мо выявить анормальные результаты. Делают это точно так же, как и
при градуировке, что рассмотрено выше. Если после решения вопро-
са об анормальных результатах и соответствующих поправок поло-
жение не исправляется, проводят регрессионный анализ результатов
проверки. При этом рассчитывают константы Ьо и уравнения ли-
нейной регрессии, связывающего результаты инфракрасного и хими-
ческого анализов:
y=bQ+b,x,
где у — результат химического анализа, ах — инфракрасного.
Коэффициент bt рассчитывают по уравнениям (5.1.7) или (5.1.8), а
коэффициент Ьо — по уравнению (5.1.9).
Затем проверяют существенность отклонения коэффициента Ьо от
нуля и У — от единицы по /-критерию. Для этого определяют сред-
неквадратические отклонения Ьо и bt по уравнениям (5.1.16), рас-
считывают значения /-критерия для оценки достоверности отличия
коэффициента Ьо от нуля по уравнению (5.1.17) и коэффициента bt
от единицы по уравнению (5.1.18). Если полученные значения /-
критерия не превышают по абсолютной величине 2,1, что соответ-
ствует доверительной вероятности 0,95 при 20 образцах, различия
не достоверны.
При недостоверности отклонений коэффициентов регрессии от ука-
занных значений корректировка градуировочного уравнения нецеле-
сообразна, так как ее эффективность маловероятна. Если при этом недо-
пустимо велико значение среднеквадратического отклонения результа-
тов инфракрасного анализа от химического, то необходимо провести
градуировку заново, изменив используемый метод градуировки, вид ма-
тематического преобразования спектральных данных или то и другое.
Если коэффициент Ь} достоверно не отличается от единицы, а Ьо
отличается от нуля, это указывает на наличие систематической пог-
решности смещения результатов, получаемых по данному градуиро-
вочному уравнению. Положение можно исправить, рассчитав сред-
нюю разность результатов сравниваемых методов по уравнению (6.9)
и вычитая найденное значение из коэффициента Ьо градуировочного
уравнения, обращая внимание на знаки.
Если Ь{ достоверно отличается от единицы, то для корректировки
градуировочного уравнения все его коэффициенты, включая нулевой
член Ьо, умножают на значение коэффициента Ь., регрессии, а затем к
полученному нулевому члену уравнения прибавляют значение^ рег-
рессии, полученное при проверке.
Проведя корректировку градуировочного уравнения, результаты
контроля пересчитывают по нему заново и проверяют их сравнением
558
с данными химического анализа. Если получаемые данные удовлет-
ворительны, откорректированное уравнение используют в дальней-
шей работе.
Из описания процесса проверки и корректировки градуировочно-
го уравнения может сложиться представление о чрезвычайной слож-
ности этих процедур, занимающих много кропотливого труда и
времени. Это совсем не так. Современная вычислительная техника
и программные средства, используемые при проведении инфракрас-
ного анализа, позволяют решить эти задачи чрезвычайно быстро.
Например, в программном комплексе NIR есть программа ANL,
используя которую, можно откорректировать градуировочное урав-
нение. Для этого указывается имя файла, в котором сохранены
спектральные данные контрольных образцов и введены результаты
химического анализа, и файла, в котором записано проверяемое
градуировочное уравнение или уравнения. Программа рассчитает
по спектральным данным значения определяемого показателя или
показателей, их средние арифметические значения по методам, сред-
нюю разность, коэффициент уравнения регрессии и др. Могут быть
также выданы на дисплей и печатающее устройство результаты
химического и инфракрасного анализов, причем последние выда-
ются также исправленными на значение средней разности, а также
все необходимые статистики. Кроме того, могут быть помечены
результаты инфракрасного анализа, выходящие из доверительных
пределов, определяемых среднеквадратическим отклонением и t-
критерием, как это описано в разделе 6. Могут быть помечены
результаты анализа образцов, резко отличающихся по спектраль-
ным данным от образцов градуировочной серии по расстоянию Ма-
халанобиса. Оператору необходимо только задать значения t и Н.
Результаты сравнения могут быть представлены на графике, пока-
заны доверительные пределы рассеяния от линии регрессии. Гра-
фик также может быть распечатан. Оператор с помощью курсора
может определить номера образцов, которым соответствуют точки
на графике, и проанализировать картину. По завершении этой про-
граммы оператор, если это необходимо, может перейти в програм-
му EQA и провести корректировку градуировочного уравнения.
Для этого требуется только указать имя файла, в котором сохра-
няется градуировочное уравнение, и, когда программа выдаст на
дисплей список уравнений, содержащихся в этом файле, и их ха-
рактеристики, выбрать нужное уравнение, перейти в опцию для
корректировки, указать средние арифметические значения резуль-
татов инфракрасного и химического анализов, а также значение
углового коэффициента уравнения регрессии, которое было рас-
считано по программе ANL. Компьютер соответствующим образом
559
откорректирует уравнение и сохранит результаты. Откорректиро-
ванное уравнение может быть проверено по той же программе
ANL. Получив результаты такой проверки, оператор имеет доста-
точно информации для того, чтобы решить вопрос о пригодности
откорректированного уравнения для проведения анализа.
Если результаты сравнения удовлетворительны, новое уравнение,
полученное корректировкой, можно использовать в дальнейшей ра-
боте. В противном случае необходимо проведение градуировки зано-
во. При этом можно воспользоваться образцами, по которым прово-
дилась проверка, добавив их к прежней градуировочной серии, если
она по численности соизмерима с контрольной. Если, например, к
градуировочной серии из 300 образцов добавить 20 новых образцов,
то это может слабо изменить’ситуацию. Если, однако, число добавля-
емых образцов составит, например, около трети или более от числа
образцов, содержащихся в градуировочной серии, полученная выбор-
ка будет достаточно представительной. Для сокращения численности
слишком большой выборки при объединении может быть полезным
исключение из нее образцов, имеющих близких аналогов по спек-
тральным данным.
Для оценки близости образцов по спектральным данным может
использоваться расстояние Махаланобиса, как это описано выше при
рассмотрении вопроса о формировании градуировочной серии.
560
10. ПРАКТИКА ИСПОЛЬЗОВАНИЯ
ИНФРАКРАСНЫХ АНАЛИЗАТОРОВ В
РОССИИ И СТРАНАХ БЛИЖНЕГО
ЗАРУБЕЖЬЯ
В России и странах ближнего зарубежья внедрение ближней ин-
фракрасной спектроскопии в аналитическую практику начато в
1985 году, благодаря разработке и освоению производства в Венг-
рии по межправительственным программам специального анализа-
тора качества сельскохозяйственной продукции — Инфрапид-61,
который имеет торговую марку «ЛаборМИМ-ЦИНАО». Анализа-
тор разрабатывался объединением «ЛаборМИМ» по техническим
требованиям ЦИНАО для решения задач агрохимического обслу-
живания сельского хозяйства и, прежде всего, для определения
показателей качества сельскохозяйственной продукции и кормов.
Прибор прошел государственные приемочные испытания, включен
в Государственный реестр средств измерений и разрешен к выпус-
ку в обращение.
Реализованный в приборе метод ближней инфракрасной спектрос-
копии обеспечивает возможность осуществления оперативного кон-
троля за технологией на всех этапах возделывания сельскохозяй-
ственных культур.
Наиболее отработан этот вопрос для интенсивной технологии
возделывания сильных пшениц. Как это рассмотрено выше, метод
позволяет провести быструю оценку плодородия почв по целому
ряду показателей, что позволяет отобрать участки, на которых
целесообразно использовать интенсивные технологии. Имеются
данные, что метод может применяться для определения жизнеспо-
собности семян, позволяя установить качество посевного материа-
ла. С помощью ближней инфракрасной спектроскопии можно про-
вести диагностику минерального питания в период вегетации расте-
ний и определить потребность в подкормках. Экспрессный анализ
зерна позволяет установить оптимальный срок уборки урожая,
целесообразность доработки зерна на току, размещение его на то-
ках и складах для формирования однородных по качеству товар-
ных партий с учетом содержания белка и клейковины, наладить
контроль за качеством зерна при заготовке и организовать его
оплату с учетом содержания белка или клейковины. Метод может
использоваться и при последующей переработке зерна на муко-
561
мольных предприятиях при производстве муки, при контроле за
рецептурой получения теста и определении качества хлебобулоч-
ных и кондитерских изделий.
Таким образом, благодаря простоте и экспрессности ближняя инф-
ракрасная спектроскопия обеспечивает возможность контроля не толь-
ко на всех этапах производства зерна, но и последующей его перера-
ботки и использования в пищевой промышленности, включая кон-
троль качества получаемых из него продуктов питания.
Второй важной проблемой, ради чего проводились поставки анали-
заторов Инфрапид-61, была организация экспрессного анализа кор-
мов. Ближняя инфракрасная спектроскопия позволяет осуществлять
оперативный контроль за качеством заготавливаемых в хозяйствах
кормов по содержанию протеина, что не обеспечивает ни один другой
метод, а в период скармливания проводить быстрый анализ кормов
практически на все показатели, характеризующие их химический со-
став и питательность, необходимые для решения вопросов рациональ-
ного кормления животных. Метод позволяет проводить анализ ком-
бикормового сырья и комбикормов, что перспективно для его ис-
пользования в лабораториях комбикормовых заводов, животновод-
ческих комплексов, птицефабрик и других сельскохозяйственных пред-
приятий.
Учитывая перспективность метода, в лаборатории агрохимичес-
кой службы было поставлено около 500 анализаторов Инфрапид-
61. Внедрение приборов в аналитическую практику проводилось
под научно-методическом руководством ЦИНАО. Однако техни-
ческое обслуживание и ремонт приборов были организованы объ-
единением «ЛаборМИМ» очень слабо. Это ограничивало реализа-
цию возможностей инфракрасных анализаторов. Не способствова-
ла успешному внедрению метода и разобщенность организаций,
осуществляющих научно-методическую помощь пользователям ин-
фракрасных анализаторов и их техническое обслуживание. В этой
связи в 1988 году при Всесоюзном научно-исследовательском ин-
ституте удобрений и агропочвоведения имени Д.Н. Прянишникова
был создан Научно-методический центр по инфракрасной спектрос-
копии, который в настоящее время вошел в состав АО «Интерагро-
тех». Совместно с ведущими зарубежными фирмами Центром про-
изводится и поставляется в Россию и страны СНГ компьютеризи-
рованная система скоростного анализа качества сельскохозяйствен-
ной продукции на базе персонального компьютера и сканирующего
спектрометра. Первоначально в систему входил фильтровый ска-
нирующий спектрометр модели 4250. В настоящее время он заме-
нен более совершенным прибором модели 4500 с дифракционной
решеткой. Оба этих прибора прошли государственные приемочные
562
испытания, включены в Государственный реестр средств измере-
ний и разрешены к выпуску в обращение.
Наличие в этой аналитической системе персонального компьютера
обеспечивает не только большее удобство в работе и расширение
возможностей использования различных методов обработки резуль-
татов измерений по сравнению с тем, что дает встроенный микропро-
цессор анализатора Инфрапид-61. При соответствующем программном
обеспечении персональный компьютер позволяет автоматизировать
решение задач, в которых используется получаемая аналитическая
информация. Например, для решения задач по определению потреб-
ности в минеральных удобрениях по результатам анализа почв и
растений, определению кормовых ресурсов, составлению сбалансиро-
ванных кормовых рационов для скота и птицы и т.п.
АО «Интерагротех» не ограничивается только организацией произ-
водства и поставок инфракрасных анализаторов. Научно-методичес-
кий центр по инфракрасной спектроскопии проводит обучение поль-
зователей работе на приборах, оказывает им научно-методическую
помощь, осуществляет гарантийный и послегарантийный ремонт и
техническое обслуживание систем инфракрасного анализа, организу-
ет поверку анализаторов, проводит исследования по развитию и со-
вершенствованию метода.
В настоящее время в России и странах ближнего зарубежья имеет-
ся более 350 систем, поставленных и обслуживаемых АО «Интераг-
ротех». Размещение этих систем показано на рис. 10.1. За короткое
время метод и его приборное обеспечение получили практическое
применение в лабораториях агрохимической службы, сельскохо-
зяйственных институтов и опытных станций, птицефабрик, живот-
новодческих комплексов, комбикормовых заводов и ряда других
предприятий. АО «Интерагротех» обслуживает также и анализато-
ры Инфрапид-61. Существенными недостатками этого анализатора
являются сложность управления прибором, ограничение числа об-
разцов, которые можно использовать для градуировки, отсутствие
возможности сохранения получаемых спектральных данных, про-
ведение градуировки только методом множественной линейной рег-
рессии. Сложность управления и ограниченность возможностей этого
анализатора определяются маломощностью встроенного в прибор
микропроцессора. Для расширения возможностей прибора АО «Ин-
терагротех» разработан и поставляется пользователям интер-
фейс для подключения прибора к персональному компьютеру и
соответствующее программное обеспечение. Это позволяет при
работе на данном приборе в полной мере использовать возможнос-
ти современных программных средств, разработанных для компь-
ютеризированных инфракрасных анализаторов
Рис. 10.1
564
В настоящее время в России и странах ближнего зарубежья инфра-
красные анализаторы используются в основном для решения пробле-
мы контроля качества кормов, комбикормового сырья и комбикор-
мов. Они применяются также и для анализа почв, продукции растени-
еводства, яиц и яичного порошка, жидкого и порошкового молока,
мясных изделий и ряда других продуктов питания.
Высокого качества результатов анализа метод ближней инфракрас-
ной спектроскопии может достичь лишь при соответствующем метро-
логическом обеспечении. АО «Интерагротех» организована разработ-
ка мер значений длин волн и коэффициентов диффузного отражения,
которые используются в настоящее время для поверки спектрофото-
метров ближней инфракрасной области Инфрапид-61 моделей 4250 и
4500. Проводится спектральное согласование приборов на основе со-
здания виртуального спектрофотометра, как это рассмотрено в разде-
ле 5.4. Это позволяет градуировки, полученные на одних приборах,
использовать на других. Совместно с организациями — пользовате-
лями приборов создана база образцов различных растительных мате-
риалов для градуировки аналитических систем, насчитывающая более
10 тысяч единиц хранения, аттестованных стандартными методами на
целый ряд показателей. Все это дает возможность обеспечения поль-
зователей готовыми достаточно универсальными и точными градуи-
ровочными уравнениями. В результате у пользователей анализаторов
отпадает необходимость выполнения работ по отбору и аттестации
образцов анализируемых материалов для градуировки и проведения
самой градуировки. Это значительно облегчает освоение метода, так
как градуировка требует не только выполнения значительных объ-
емов работ, но и соответствующей квалификации исполнителей.
565
11. ЗАКЛЮЧЕНИЕ
Рассмотрение результатов использования спектроскопии ближней
инфракрасной области позволяет прийти к выводу, что это очень
универсальный и быстрый метод определения содержания многих ком-
понентов и свойств различных объектов. Для проведения анализов
могут использоваться различные по конструкции приборы, различ-
ные способы измерений, методы предварительной обработки и преоб-
разования спектральных данных, а также и методы получения граду-
ировочных уравнений. Метод с успехом применяется не только для
количественного анализа состава и свойств материалов, но и для
идентификации различных объектов. Анализируемый объект может
представлять твердые и жидкие вещества, растворы в различных рас-
творителях, включая воду, различные по степени дисперсности сус-
пензии, эмульсии и их смеси, растительные ткани, ткани различных
органов животных и человека.
Измерительная техника, используемая в ближней инфракрасной
спектроскопии, весьма разнообразна. Она представлена как фильтро-
выми приборами с фиксированными длинами волн, так и сканирую-
щими спектрометрами, в которых используются фильтры с перемен-
ной длиной волны максимума пропускания или дифракционные ре-
шетки. В последнее время стали использоваться и спектрометры Фурье
с интерферометрами или на основе использования оптико-акустичес-
кого эффекта.
Применение сканирующих приборов, работающих под управле-
нием персональных компьютеров, обеспечивает возможность при-
менения всего арсенала известных способов обработки спектраль-
ных данных и градуировки анализаторов. Преимущества монохро-
маторных приборов проявляются особенно четко, когда анализи-
руемые объекты представляют варьирующие по соотношению сме-
си различных по природе и составу веществ, например комбикор-
ма или такие виды кормов, как сено естественных сенокосов, тра-
востой естественных пастбищ, видовой состав которых очень раз-
нообразен и изменчив.
Возможности фильтровых приборов более ограничены как в отноше-
нии выбора длин волн, число которых обычно не превышает 20, так
и в отношении методов математической обработки результатов изме-
рений. Однако при анализе материалов, матрица которых варьирует
относительно слабо, например зерна определенного вида, на такие
показатели, как содержание белка и влаги, фильтровые приборы по
точности анализа практически не уступают монохроматорным, а по
566
производительности определений в большинстве случаев их значи-
тельно превосходят. Существенно ниже и стоимость фильтровых при-
боров.
Из монохроматорных спектрометров более универсальными пред-
ставляются приборы, действие которых основывается на однолуче-
вом принципе. Они быстрее проводят сканирование спектров и позво-
ляют проводить усреднение спектральных данных как по длинам волн,
так и по различным частям анализируемой пробы, что особенно важ-
но при анализе образцов, состоящих из различных по составу от-
дельностей.
Существенным моментом, ограничивающим производительность и
экспрессность анализа по спектрам диффузного отражения, являются
отбор пробы и процесс ее подготовки к измерению.
Как показывает опыт, анализ по диффузному отражению твердых
материалов, доведенных до воздушно-сухого состояния и измельчен-
ных до размера частиц не более 1 мм, в большей части случаев дает
наиболее точные результаты. Анализ материалов, состоящих из бо-
лее крупных частиц, по диффузному отражению в той же области
спектра даже в специальных кюветах с помощью транспортирующих
модулей, позволяющих получать спектры с большой площади кюве-
ты, по точности обычно несколько уступает анализу тонко измель-
ченных проб. Это является следствием двух причин.
Прежде всего это связано с недостаточно высокой репрезентатив-
ностью спектральных данных при анализе материала, состоящего из
крупных, неоднородных по составу частиц. В этом отношении более
успешным является измерение пропускания в коротковолновой части
ближней инфракрасной области. При использовании этого метода
значительная толщина просвечиваемого слоя материала и большие
облучаемые площади кюветы улучшают представительность пробы и
соответственно результатов анализа.
Вторым моментом, снижающим точность анализа материалов без
предварительного тонкого измельчения, может быть высокая влаж-
ность. Вода очень интенсивно поглощает излучение в ближней инф-
ракрасной области и при высоком содержании в анализируемом объ-
екте определяет общий уровень поглощения пробы. В свою очередь
погрешность измерений в значительной степени определяется уров-
нем общего поглощения. При анализе материалов с высоким содер-
жанием воды, когда на долю определяемого компонента приходится
только небольшая доля поглощения, она вычленяется с тем большей
ошибкой, чем меньшую часть от общего поглощения составляет. Сни-
жение влажности при сушке анализируемого материала, его последу-
ющий размол до порошковидного состояния и измерение диффузного
отражения хотя и осложняют проведение анализа, но дают, как пра-
567
вило, более точные результаты, чем непосредственный анализ исход-
ного грубозернистого материала с высоким содержанием влаги. Вмес-
те с тем получаемая точность может удовлетворять требованиям ре-
шаемой задачи и ускорение анализа за счет исключения процесса
пробоподготовки может иметь решающее значение при выборе мето-
дики анализа.
В спектроскопии ближней инфракрасной области все более широ-
кое применение получает волоконная оптика. Это позволяет вообще
исключить не только процесс пробоподготовки, но и сам отбор про-
бы анализируемого материала, проводить измерения непосредственно
в потоке контролируемого материала на производственных линиях,
устанавливая датчики над лентами транспортеров, в трубопроводах и
т.п. Конструкция датчиков обеспечивает их достаточную механичес-
кую прочность и химическую устойчивость, что позволяет использо-
вать их непосредственно в потоках сыпучих материалов и агрессив-
ных жидкостей. В свою очередь присутствие датчиков в контролиру-
емых средах не вызывает каких-либо их изменений и не оказывает
влияния на технологический процесс. Во многих случаях спектрос-
копия ближней инфракрасной области является единственно возмож-
ным методом, который может использоваться в автоматизированной
системе управления производственным процессом.
Очень перспективными являются разработка и применение неболь-
ших переносных инфракрасных анализаторов на автономном батарей-
ном питании, которые могут использоваться непосредственно в про-
изводственных условиях. Это еще один из путей, повышающих эк-
спрессность получения результатов анализа. Уже есть отдельные при-
меры разработки таких приборов, рассмотренные выше.
Для улучшения проявления связей спектральных данных с опре-
деляемыми показателями состава и свойств анализируемого объек-
та в спектроскопии ближней инфракрасной области используются
различные методы предварительных математических преобразова-
ний результатов измерений. В большинстве случаев определенные
преимущества дает получение производных. Однако их получение
возможно при работе со сканирующими приборами. Когда для ана-
лиза применяют фильтровые анализаторы с фиксированными дли-
нами волн, определенные преимущества дает нормирование спек-
тральных данных по среднеквадратическому отклонению или муль-
типликативная коррекция рассеяния, что позволяет снизить влия-
ние различий в крупности частиц анализируемых образцов на спек-
тральные данные.
Ставшее уже классическим получение градуировочных уравнений
методом множественной линейной регрессии во многих случаях прак-
тически не уступает новым методам градуировки, основанным на ис-
568
пользовании главных компонент и дробных наименьших квадратов.
Однако метод дробных наименьших квадратов часто дает более точ-
ные результаты и представляется более перспективным.
Преимущества применения главных компонент при получении гра-
дуировочных уравнений перед методом множественной линейной рег-
рессии достаточно четко не проявляются, хотя в литературе неоднок-
ратно указывается на преимущества этого метода. Использование глав-
ных компонент более перспективно для идентификации объектов, так
как позволяет значительно сократить объем спектральных данных
без значительных потерь полезной информации. Насколько этот ме-
тод лучше или хуже преобразования Фурье в данном отношении,
остается недостаточно ясным. В то же время для сглаживания спек-
тральных данных применение преобразования Фурье с использовани-
ем сглаживающей функции более эффективно, чем сглаживание мето-
дом скользящего среднего.
Преимущества того или другого метода предварительных преоб-
разований спектральных данных и получения градуировочных урав-
нений проявляются при анализе различных объектов, а также и
при определении различных показателей в одном и том же объекте
неодинаково. Поскольку заранее предсказать, что является луч-
шим в конкретной ситуации, нельзя, единственным способом опре-
деления оптимального варианта является метод проб и ошибок.
Можно только сказать, что в большей части случаев использова-
ние первой производной спектров и метода дробных наименьших
квадратов будет одним из лучших, и если он будет уступать како-
му-либо другому варианту по точности получаемых данных, то не
столь существенно.
Точность инфракрасного анализа во многом зависит от точности
метода, результаты которого используются для градуировки инфра-
красного анализатора. Чем точнее метод, результаты которого ис-
пользуются для градуировки, тем точнее результаты, получаемые за-
тем ИК-методом. Одним из способов повышения точности данных для
градуировки являются проведение анализов в нескольких повторени-
ях и усреднение результатов.
Во многих случаях точность ИК-метода ограничивают различия его
основ с методами, результаты которых используются при градуиров-
ке. Примером может служить определение влажности. Общеприня-
тая методика анализа многих объектов основана на измерении потери
массы пробы при сушке в термостате при 105°С. Этот метод имеет
условный характер и не отличается особой точностью в отношении
того, что потеря массы происходит только за счет испарения воды. В
процессе сушки происходят и такие изменения анализируемого мате-
риала, как удаление из пробы ряда летучих веществ, а также окисле-
569
ние некоторых компонентов кислородом воздуха. Более сложен про-
цесс сушки образцов, представляющих живые ткани. В начале про-
цесса в связи с повышением температуры может происходить усиле-
ние некоторых ферментативных процессов, вызывающих изменения
массы анализируемой пробы, которые могут влиять на результаты
анализа, искажая результаты определения влажности.
Еще более неопределенным является такой показатель, как содер-
жание жира в материалах биологического происхождения. Определя-
емый классическим методом с помощью экстракции органическим
растворителем жир не представляет конкретного химического соеди-
нения, а является смесью различных веществ, растворимых в исполь-
зуемом растворителе. Если при анализе объектов с высоким содержа-
нием жира доля экстрагируемых веществ другой природы может быть
относительно невелика, то при низком содержании, которое имеют,
например, грубые корма, результат анализа имеет весьма неопреде-
ленный результат.
Очень условным является также такой показатель, как содержание
золы. Вещества, массу которых измеряют на конечной стадии опре-
деления общепринятым методом прокаливания и что называют золой,
в анализируемом объекте вообще отсутствуют. Они образуются толь-
ко в процессе анализа из многих органических и минеральных соеди-
нений, содержащихся в анализируемой пробе, при их окислении и
термическом разложении. Естественно, что спектроскопия ближней
инфракрасной области не может обеспечить в данном случае точнос-
ти, очень близкой общепринятому методу.
Подобных примеров можно привести много. Особенно при анализе
материалов биологического происхождения. Здесь значительно мень-
ше случаев, когда определяемый компонент представляет собой инди-
видуальное химическое соединение, поглощающее в ближней инфра-
красной области, и можно говорить о его прямом определении инф-
ракрасным методом. В большинстве случаев анализ основан на чисто
статистических связях концентрации определяемого компонента со
спектральными данными, причем эти связи могут быть опосредство-
ванными, основанными на корреляции концентрации определяемого
вещества с концентрацией других оптически активных компонентов в
анализируемом объекте или с какими-либо другими свойствами объ-
екта, влияющими на его спектр.
Примеров прямого определения компонентов по его характеристи-
ческим полосам поглощения немного. К их числу следует отнести
определение влажности по уравнению множественной линейной рег-
рессии с двумя независимыми переменными, которые представляют
оптическую плотность при 1940 нм, где наблюдается максимум пог-
лощения воды, и при 2310 нм, корректирующую поглощение других
570
компонентов анализируемого объекта. Исходя из индивидуальных
спектров компонентов анализируемого материала, можно предопреде-
лить 2—3 длины волны, измерения при которых могут быть исполь-
зованы для проведения поглощающего компонента. Эмпирически под-
бираются только значения коэффициентов уравнения, для чего при-
меняется метод наименьших квадратов. Однако большее число длин
волн не только практически невозможно предсказать, но и трудно
объяснить их появление и роль в уравнениях, получаемых чисто
статистически пошаговым методом множественной линейной регрес-
сии. В большей части случаев при анализе объектов, представляю-
щих сложные смеси различных веществ, используются многие связи,
имеющие как прямой, так и косвенный, опосредствованный характер.
В последнее время количественный анализ в спектроскопии ближ-
ней инфракрасной области все в большей степени основывается на
использовании чисто статистических связей. Прежде всего этому спо-
собствует совершенствование электронно-вычислительной техники,
которая перестает быть фактором, ограничивающим возможности ста-
тистической обработки результатов измерений, а также разработка
новых методов градуировки, таких, как метод дробных наименьших
квадратов или регрессия на главных компонентах, использующих мак-
симум информации, содержащейся в спектральных данных.
Применение чисто статистических методов для градуировки ана-
лизаторов имеет определенные достоинства. Теоретически обосно-
ванные уравнения множественной линейной регрессии с двумя, мак-
симум с тремя переменными, как правило, уступают по точности
уравнениям с таким же числом переменных, подбираемым по мак-
симуму корреляции спектральных данных с концентрацией опреде-
ляемого компонента в анализируемом объекте или определяемым
свойством. Еще более точные результаты во многих случаях дает
такой чисто статистический метод градуировки, как метод дроб-
ных наименьших квадратов.
Использование чисто статистических связей позволяет определять
компоненты, полосы поглощения которых явно не проявляются в
спектрах, вообще отсутствуют или не могут быть количественно из-
мерены ввиду слишком малых величин. Следует отметить, что коли-
чественный анализ в спектроскопии ближней инфракрасной области
вообще основывается на измерении очень малых различий в спект-
рах, и прямое определение возможно только достаточно высоких
концентраций компонентов.
В качестве примера для рассмотрения этого вопроса можно взять
определение содержания белка в зерне пшеницы. Как видно из рис.
7.1.4, размах варьирования значений оптической плотности в 95 об-
разцах зерна пшеницы не превышает 0,15 единицы оптической плот-
571
ности. Полагая, что размах варьирования составляет около 6 сред-
неквадратических отклонений от среднего, одно среднеквадратичес-
кое отклонение составит около 0,02 единицы оптической плотности,
а дисперсия — около 0,0004. В то же время известно, что в основ-
ном варьирование спектров диффузного отражения зерна пшеницы
связано с различиями в гранулометрии.
По литературным данным [285], доля дисперсии, связанная с варь-
ированием содержания белка в пшеничной муке, составляет только
0,11% от общей дисперсии спектральных данных, то есть около од-
ной тысячной. Применительно к рассматриваемому примеру диспер-
сия, связанная с содержанием белка в пшенице, составит около
0,0000004. Отсюда можно найти среднеквадратическое отклонение от
среднего значения. Оно равно примерно 0,00063, а размах варьирова-
ния равен примерно 0,004 единицы оптической плотности. Так как
размах варьирования содержания белка в рассматриваемой серии об-
разцов равен примерно 10%, его изменению на 1% соответствует
примерно 0,0004 единицы оптической плотности. Это еще значитель-
но выше уровня шума, равного 0,00002, который имел спектрофото-
метр модели 4500, использованный для получения рассматриваемых
спектров. Допуская, что среднеквадратическое отклонение результа-
тов определения белка должно быть равно, как минимум, уровню
шума, погрешность анализа при доверительной вероятности 0,95 до-
лжна быть не менее, чем удвоенное значение уровня шума, то есть не
менее 0,1 %.
Хотя это очень грубые расчеты, основанные на целом ряде допуще-
ний, и не совсем правомочны в условиях, когда анализ проводится по
результатам измерений при нескольких длинах волн, полученная оцен-
ка точности определения белка вполне соответствует действительнос-
ти. По многочисленным литературным данным, точность определения
белка в зерне пшеницы составляет около 0,2—0,3%, что близко
расчетному значению. Меньшее значение результата проведенного
расчета можно объяснить тем, что учитывалась только погрешность
измерения оптической плотности за счет шума и не принимались во
внимание другие источники погрешностей, возникающие при отборе
аналитической пробы, заполнении кюветы спектрофотометра, варь-
ировании температуры и т.п.
Из проведенных расчетов следует также, что открываемый мини-
мум содержания белка при доверительной вероятности 0,95 составля-
ет порядка 0,1%, что соответствует удвоенному значению шума. Это
показывает, что вещества, близкие по интенсивности поглощения в
ближней инфракрасной области белку, можно количественно опреде-
лять при содержании, которое измеряется не менее, чем десятыми
долями процента. Определение содержания компонента, измеряемого
572
сотыми, а тем более тысячными долями процента, непосредственно
по поглощению излучения представляется невероятным. Однако это
противоречит практике инфракрасной спектроскопии.
В литературе имеется масса примеров, когда с вполне приемлемой
относительной погрешностью порядка 10—20% определяли содержа-
ние микроэлементов и тяжелых металлов [271, 273, 477], а также
некоторых органических веществ, например витамина U [312] при
содержании на уровне тысячных долей процента и даже менее.
Трудно объяснимо и определение минеральных компонентов мате-
риалов, состоящих преимущественно из органических веществ. На-
пример, основы определения содержания кальция в комбикормах,
хотя содержание этого элемента в них может измеряться несколь-
кими процентами. Однако кальций содержится здесь не в виде
какого-либо одного вещества, поглощающего в ближней инфра-
красной области, а в виде нескольких соединений различной при-
роды, причем их соотношение не является постоянным. Это следу-
ет из того, что комбикорм представляет смесь материалов самого
различного происхождения, причем смесь непостоянного состава.
В ней одновременно могут присутствовать материалы и раститель-
ного, и животного происхождения, а также различные минераль-
ные добавки, содержащие минеральные соединения кальция. Все
это предполагает очень большое разнообразие соединений каль-
ция, которые должны различаться по спектральным данным, со-
здавая сложную картину, которая при данном общем содержании
кальция определяется тем, какими соединениями он представлен.
В то же время имеется четкая корреляция спектральных данных с
содержанием кальция при многих длинах волн. Совершенно ясно,
что количественное определение общего содержания кальция в дан-
ном случае основывается на трудно объяснимых, но статистически
значимых связях этого показателя качества кормов со спектраль-
ными данными.
В использовании чисто статистических, а не функциональных
связей состоит одновременно и сила, и слабость ближней инфра-
красной спектроскопии. С одной стороны, метод позволяет про-
водить определения, которые представляются маловероятными и
трудно объяснимыми теоретически. Однако, с другой стороны, по-
добные определения возможны только в тех пределах варьирова-
ния свойств анализируемого объекта, проявляющихся в спектрах,
которые охвачены набором образцов, использованных для градуи-
ровки. Вне этих пределов метод может давать значительные пог-
решности. Другими словами, очень велико значение матрицы, то
есть общего состава и свойств анализируемого материала. Это очень
осложняет анализ объектов, представляющих смеси неконтролиру-
573
емых соотношений различных по природе веществ. Если, напри-
мер, основной состав и свойства зерна пшеницы ограничены впол-
не определенными пределами, обусловленными генотипом данной
культуры, то результаты анализа такого объекта имеют обычно
более высокую точность, чем при анализе кормов, например сена.
Это вызвано тем, что сено, особенно когда это сено различных
укосов, получено на естественных сенокосах и представляет слож-
ную смесь различных видов растений, соотношения которых зави-
сят от очень многих неконтролируемых условий. Еще менее точен
анализ комбикормов, представляющих собой сложную смесь раз-
личных материалов растительного и животного происхождения, а
также и различных минеральных добавок. Точность анализа здесь
значительно уступает общепринятым лабораторным методам, но
для практических целей, например для расчетов сбалансированных
рационов кормления животных, она вполне удовлетворительна.
Вместе с тем нет гарантии, что при изменении видов сырья для
изготовления комбикормов погрешность инфракрасного анализа не
выйдет из допустимых пределов. Сильное влияние матрицы на ре-
зультаты анализа ограничивает надежность получаемых данных и
требует специальных методов контроля, гарантирующих исключе-
ние неправильных результатов. Однако это не является нерешае-
мой проблемой.
В настоящее время спектроскопия ближней инфракрасной области
находит все большее применение для идентификации объектов на
основе статистических методов распознавания образов. Это новый
метод исследования, имеющий большое практическое значение не толь-
ко при решении проблемы контроля качества сырья, полупродуктов
и конечной продукции, необходимого для регулирования производ-
ственных процессов, но также и для решения ряда других задач,
имеющих самостоятельное значение. Методы идентификации объек-
тов по спектральным данным могут и уже начинают служить вспомо-
гательным средством при выполнении количественного анализа. В
частности, они позволяют определять границы варьирования спек-
тральных данных, формировать выборки образцов для проведения
градуировки анализатора, выявлять образцы с аномальными спектра-
ми, которые могут снизить точность градуировки, а при выполнении
анализа дать значительные погрешности. Методы распознавания об-
разов начинают использоваться для того, чтобы в процессе анализа
автоматически определить принадлежность образца конкретному виду
продукта и установить, по какому градуировочному уравнению рас-
считать результаты. Эта сторона вопроса идентификации объектов
еще недостаточно разработана, но ее применение представляется очень
перспективным.
574
Следует отметить и такой важный момент, как использование
электронно-вычислительной техники в ИК-анализе. Проведение ана-
лизов с помощью ближней инфракрасной спектроскопии с исполь-
зованием современных методов обработки результатов требует вы-
полнения огромных объемов вычислительной работы, которую мо-
жет сделать только компьютер. Однако это нельзя рассматривать
только как недостаток. Использование компьютера обеспечивает
не только очень быструю обработку получаемых данных и выдачу
результатов анализа. Инфракрасный спектрофотометр, работаю-
щий под управлением компьютера при соответствующем програм-
мном обеспечении, представляет автоматизированный измеритель-
но-вычислительный комплекс. Оператор не только освобождается
от необходимости контроля за работой установки и ее регулирова-
ния. Современные программы, работающие в дружеском диалого-
вом режиме, значительно упрощают и выполнение анализа, сводя
функции оператора к минимуму. Кроме того, компьютер позволяет
сохранять результаты измерений и другую информацию об анализи-
руемых пробах, создавать различные базы данных.
Однажды снятый и записанный на носителе информации спектр
образца какого-либо материала может затем многократно использо-
ваться, например, для получения различных градуировочных уравне-
ний и их корректировки, создания библиотеки спектров, необходи-
мых для идентификации объектов, в исследовательских целях и т. п.,
освобождая от необходимости сохранения самого образца.
Сохраняемые данные могут обрабатываться затем и другими програм-
мами, которые используют аналитическую информацию для решения
различных задач, освобождая от необходимости ручного ввода данных.
Внедрение спектроскопии в аналитическую практику в настоящее
время в значительной мере сдерживает состояние метрологического
обеспечения. К настоящему времени решены только вопросы стан-
дартизации инфракрасных анализаторов моделей 4250 и 4500, а
также анализаторов Infrapid-61 как спектрофотометров, которые
прошли государственные приемочные испытания и внесены в Госу-
дарственный реестр средств измерений. Решен вопрос поверки этих
приборов, что обеспечило АО «Интерагротех», организовав разра-
ботку в ВНИИОФИ образцовых мер коэффициента спектрального
отражения и длин волн, а также методики поверки. Стандартизо-
ван разработчиками как анализатор зерна прибор отечественного
производства Спектран.
Для обеспечения возможности перенесения градуировочных урав-
нений, полученных на одном приборе, на другие, АО «Интерагро-
тех» проводит согласование инфракрасных анализаторов по полу-
чаемым спектральным данным по методике, разработанной
575
Дж.С.Шенком с сотрудниками [596, 663, 607] и рассмотренной в
разделе 5, с помощью программного обеспечения фирмы Infrasoft
International. Это позволяет, в частности, переносить разработан-
ные АО «Интерагротех» градуировочные уравнения с использова-
нием виртуальных приборов-мастеров моделей 4250 и 4500 на кон-
кретные приборы соответствующих моделей. Это освобождает поль-
зователей этих приборов от необходимости самостоятельного про-
ведения градуировок, что не только требует выполнения больших
объемов аналитических работ, но и квалифицированной обработки
результатов аттестационных анализов, проведения градуировок и
оценки получаемых уравнений.
Спектральное согласование приборов открывает и другие возмож-
ности. Оно дает возможность пользователям инфракрасных анализа-
торов обмениваться не только градуировочными уравнениями, но и
исходными данными для их получения, объединять данные, получае-
мые в различных организациях, для образования представительных
выборок, необходимых для градуировок, формирования библиотек
спектров для идентификации объектов, создавать централизованные
базы данных и многое другое.
Однако для полной реализации возможностей спектроскопии ближ-
ней инфракрасной области необходимо дальнейшее совершенство-
вание метрологического обеспечения. Имеющиеся средства повер-
ки инфракрасных спектрофотометров не обеспечивают точности,
которая позволяла бы достаточно близко согласовывать результа-
ты измерений, получаемых на приборах даже одной модели одной
и той же фирмы. Отсутствуют стандартные образцы анализируе-
мых объектов, которые можно было бы использовать для градуи-
ровки анализаторов и контроля за правильностью получаемых дан-
ных. В нашей стране еще не стандартизованы многие методики
инфракрасного анализа.
Вместе с тем современный уровень методологии спектрального со-
гласования приборов позволяет переносить градуировочные уравне-
ния, полученные на одном приборе, на другой, что освобождает поль-
зователей от проведения градуировок. При соответствующем реше-
нии вопросов производства стандартных образцов состава и свойств
анализируемых объектов, образцовых мер спектрального отражения
и пропускания и других средств метрологического обеспечения ана-
литические лаборатории смогут вообще отказаться от проведения
если и не всех, то многих видов анализов, выполняемых общеприня-
тыми химическими методами.
В заключение следует отметить, что возможности метода еще пол-
ностью не изучены и не исчерпаны как в методологическом, так и в
576
техническом отношении. На это указывает постоянное совершенство-
вание методов преобразований и обработки спектральных данных
и градуировки приборов, методик выполнения анализов, прибор-
ной техники, появление принципиально новых конструктивных ре-
шений. Не вызывает сомнений, что ближней инфракрасной спек-
троскопии принадлежит большое будущее. Со временем она долж-
на заменить многие виды анализов, выполняемых с помощью «мок-
рой» химии и другими методами анализа, которые требуют боль-
ших затрат труда, времени и энергетических ресурсов, загрязняют
окружающую среду.
577
12. ЛИТЕРАТУРА
1. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. При-
кладная статистика. Классификация и снижение размерности. — М.: Фи-
нансы и статистика, 1989. — 607 с.
2. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика.
Исследование зависимостей. — М.: Финансы и статистика, 1985. — 475 с.
3. Алексеев Р.И., Коровин Ю.И. Руководство по вычислению и обработке
результатов количественного анализа. — М.: Атомиздат, 1972. — 72 с.
4. Альтман М., Mapuxapd М. Опыт использования инфракрасной спек-
троскопии для определения крахмала и его производных// Сельскохозяй-
ственное использование спектроскопии в ближней инфракрасной области
(2-й сборник научных трудов по ИКС). — М.: ЦИНАО, 1986. — С. 13—22.
5. Альтман М., Mapuxapd М. Применение «Инфра-Алайзеров» для ис-
следования молока и молочных продуктов// Сельскохозяйственное исполь-
зование спектроскопии в ближней инфракрасной области (3-й сборник на-
учных трудов по ИКС). — М.: ЦИНАО, 1986. — С. 40—63.
6. Артемьев Б.Г., Голубев С.М. Справочное пособие для работников мет-
рологических служб. — М.: Изд-во стандартов, 1990. — 528 с.
7. Беллами Л. Инфракрасные спектры сложных молекул. — М.: ИЛ, 1963.
— 432 с.
Ъ.Береш И.Д., Зелинский Г.С., Киянова В.И. Оценка качества зерна пше-
ницы разных типов по белку и влаге с помощью прибора «Инфраматик-
8100»// Сельскохозяйственное использование спектроскопии в ближней
инфракрасной области (2-й сборник научных трудов по ИКС). — М.: ЦИ-
НАО, 1986. — С. 100—108.
9. Береш И.Д., Киянов В.И., Кремер А.А., Найдис Л.Я. Применение ме-
тода инфракрасной спектроскопии для определения количества и качества
клейковины в зерне пшеницы// Применение спектроскопии в ближней
инфракрасной области для контроля качества продукции (4-й сборник науч-
ных трудов по ИКС). — М.: Интерагротех, 1989. — С. 322—327.
10. Бистон Р., Дарденн П. Испытание сети из шести приборов для кон-
троля качества зерна пшеницы, работающих в ближней инфракрасной об-
ласти спектра// Там же. — С. 57—56.
11. Болдырев А.И. Инфракрасные спектры минералов. — М.: Наука, 1976.
— С. 199.
12. Боллинг Г. Применение спектроскопии ближнего инфракрасного от-
ражения для анализа зерна// Доклады на советско-американском симпо-
зиуме «Использование инфракрасной спектроскопии для определения ка-
чества зерна и другой сельскохозяйственной продукции» (21—23 октября
1980 г., г.Москва). — М.: ЦИНАО, 1980. — С. 5—17.
13. Бурдун Г.Д., Марков Б.Н. Основы метрологии. — М.: Изд-во стандар-
тов, 1972. — 318 с.
14. Вакар А.Б. Клейковина пшеницы. — М.: Изд-во АН СССР. 1961. —
250 с.
578
15. Вильямс Ф.С., Крищенко В.П. Сравнительный анализ содержания
белка в пшенице с помощью двух спектрокомпьютеров// Сельскохозяй-
ственное использование спектроскопии в ближней инфракрасной области
(2-й сборник научных трудов по ИКС). — М.: ЦИНАО, 1986. — С. 84—99.
16. Власов А.Г., Флоринская В.А., Венедиктов А.А., Дутова К.П., Моро-
зов В.Н., Смирнова Е.В. Инфракрасная спектроскопия неорганических сте-
кол и кристаллов. — Л.: Химия, 1972.
17. Волькенштейн М.В., Грибов Л.А., Ельяшевич М.А., Степанов Б.И.
Колебания молекул. — 2-е изд. — М.: Наука, 1972.
18. Гатаулин А.М. Система прикладных статистико-математических
методов обработки экспериментальных данных в сельском хозяйстве. —
М.: Изд-во МСХА, 1992. — 4.1. — 160 с.
19. Глаттес X. Определение зольности и клейковины методом инфра-
красного отражения в Австрии// Сельскохозяйственное использование
спектроскопии в ближней инфракрасной области (2-й сборник научных
трудов по ИКС). — М.: ЦИНАО, 1986. — С. 49—54.
20. Глаттес X. Качество австрийской пшеницы. Опыт применения мето-
да близкого инфракрасного отражения для качественного хранения зерна/
/ Сельскохозяйственное использование спектроскопии в ближней инфра-
красной области (3-й сборник научных трудов по ИКС). — М.: ЦИНАО,
1986. — С. 88—94.
21. Горпинченко Т.В. Использование инфракрасной спектрофотометрии
для оценки качества сортов зерновых и масличных культур в государствен-
ном сортоиспытании// Доклады на советско-американском симпозиуме
«Использование инфракрасной спектроскопии для определения качества
зерна и другой сельскохозяйственной продукции» (21—23 октября 1980 г.,
г.Москва). — М.: ЦИНАО, 1980. — С. 86—96.
22. Горпинченко Т.В., Осанова М.А. Оценка пивоваренных качеств ячме-
ня методом инфракрасной спектроскопии.// Сельскохозяйственное исполь-
зование спектроскопии в ближней инфракрасной области (3-й сборник на-
учных трудов по ИКС). — М.: ЦИНАО, 1986>. — С. 64—72.
23. Горшкова Г.И. Методические указания по аттестации образцов хими-
ческого состава кормов и растений для контроля правильности анализов в
агрохимической службе. — М.: ЦИНАО, 1983. — С. 35.
24. ГОСТ 10840 — 64. Зерно. Методы определения натурной массы.
25. ГОСТ 10842 — 76. Зерно. Методы определения массы 1000 зерен.
26. ГОСТ 10987 — 76. Государственный стандарт. Зерно. Методы опреде-
ления стекловидности.
27. ГОСТ 11.002—73. Прикладная статистика. Правила оценки анормаль-
ности результатов наблюдений.
28. ГОСТ 11.004—74. Прикладная статистика. Правила определения оце-
нок и доверительных границ для параметров нормального распределения.
29. ГОСТ 11.006—74. Прикладная статистика. Правила проверки согла-
сия опытного распределения с теоретическим.
30. ГОСТ 13586.1 — 68. Государственный стандарт. Зерно. Методы опре-
деления количества и качества клейковины.
31. ГОСТ 13586.5 — 85. Зерно. Определение влажности.
579
32. ГОСТ 16263—70. Государственная система обеспечения единства из-
мерений. Метрология. Термины и определения.
33. ГОСТ 19846 — 74. Зерно. Метод определения белка.
34. ГОСТ 26107—84. Почвы. Методы определения общего азота.
35. ГОСТ 26204—84. Почвы. Определение подвижных форм фосфора и
калия по методу Чирикова в модификации ЦИНАО.
36. ГОСТ 26207—84. Почвы. Определение подвижных форм фосфора и
калия по методу Кирсанова в модификации ЦИНАО.
37. ГОСТ 26212—84. Почвы. Определение гидролитической кислотности
по методу Каппена в модификации ЦИНАО.
38. ГОСТ 26213—84. Почвы. Определение гумуса по методу Тюрина в
модификации ЦИНАО.
39. ГОСТ 26483—85. Почвы. Приготовление солевой вытяжки и определе-
ние ее pH по методу ЦИНАО.
40. ГОСТ 26487—85. Почвы. Определение обменного кальция и обменно-
го (подвижного) магния методами ЦИНАО.
41. ГОСТ 26488—85. Почвы. Определение нитратов по методу ЦИНАО.
42. ГОСТ 26489—85. Почвы. Определение обменного аммония по методу
ЦИНАО.
43. ГОСТ 27176 —86. Приборы спектральные. Термины и определения.
44. ГОСТ 27872—88 (СТ СЭВ 5892—87). Метрология. Стандартные образ-
цы. Методика изготовления и аттестации стандартных образцов состава
горных пород и минерального сырья.
45. ГОСТ 27980—88. Государственный стандарт. Удобрения органичес-
кие. Методы определения органического вещества,
46. ГОСТ 7601—78. Физическая оптика. Термины, буквенные обозначе-
ния и определения основных величин.
47. ГОСТ 8.315—91. Государственная система обеспечения единства из-
мерений. Стандартные образцы. Основные положения, порядок разработки,
аттестации, утверждения, регистрации и применения.
48. ГОСТ 8.316—78. Государственная система обеспечения единства из-
мерений. Аттестация и утверждение государственных стандартных образ-
цов.
49. ГОСТ 8.417—81. (СТ СЭВ 1052—78). Государственная система обес-
печения единства измерений. Единицы физических величин.
50. ГОСТ 8.531—85. (СТ СЭВ 4569—84). Государственная система обес-
печения единства измерений. Однородность стандартных образцов дис-
персных материалов. Порядок межлабораторной аттестации.
51. ГОСТ 8.532 — 85 (СТ СЭВ 4570 — 84). Государственная система
обеспечения единства измерений. Стандартные образцы веществ и мате-
риалов. Порядок межлабораторной аттестации.
52. ГОСТ 9353 — 85. Пшеница. Технические условия.
52а. ГОСТ Р 50817—95. Корма, комбикорма, сырье. Метод определения
содержания сырого протеина, сырой клетчатки, сырого жира и влаги с
применением спектроскопии в ближней инфракрасной области.
53. Данилова Т.А., Школьникова Э.А., Ефремцев Н.Г., Ефремцев В.Г.
Оценка качества масло-жировой продукции методом отражения в ближ-
580
ней инфракрасной области// Применение спектроскопии в ближней
инфракрасной области для контроля качества продукции (4-й сборник
научных трудов по ИКС). — М.: Интерагротех, 1989. — С. 180—188.
54. Девис А.М.К., МакКлюр У.Ф. Применение Фурье-преобразования в
ближней инфракрасной спектроскопии/ / Там же. — С. 228—237.
55. Джуре О.П., Айзенауэр Т. Распознавание образов в химии. — М.:
Мир, 1977. — 230 с.
56. Доклады на советско-американском симпозиуме «Использование ин-
фракрасной спектроскопии для определения качества зерна и другой сель-
скохозяйственной продукции» (21 — 23 октября 1980 г, Москва). — М.:
ЦИНАО, 1980. — 124 с.
57. Доэрфель К. Статистика в аналитической химии. — М.: Мир, 1969.
— 248 с.
58. Драйпер Н., Смит Г. Прикладной регрессионный анализ. — 2-е изд.
— М.: Финансы и статистика, 1987. — Кн. 1, 2.
59. Дубров А.М. Обработка статистических данных методом главных ком-
понент. — М.: Статистика, 1978. — 135 с.
ои. Дуоровский с.м. прикладной многомерный статистический анализ.
— М.: Финансы и статистика, 1982.
61. Дэвис А.М.К. Анализ пищевых продуктов методом спектроскопии в
ближней инфракрасной области// Применение спектроскопии в ближ-
ней инфракрасной области для контроля качества продукции (4-й сбор-
ник научных трудов по ИКС). — М.: Интерагротех, 1989. — С. 308—316.
62. Дюран Б., Оделл П. Кластерный анализ. — М.: Статистика, 1977. —
128 с.
63. Ефремов Е.Н., Крищенко В.П., Носиков В.В., Сазонов Ю.Г. Опреде-
ление воды в удобрениях методом спектрометрии в ближней инфракрас-
ной области// Сельскохозяйственное использование спектроскопии в ближ-
ней инфракрасной области (2-й сборник научных трудов по ИКС). — М.:
ЦИНАО, 1986.— С. 78—83.
64. Ефремов Е.Н., Останина А.В. Методические указания по управле-
нию качеством аналитических работ с удобрениями и химическими мели-
орантами. — М.: ЦИНАО, 1985. — С. 39.
65. Жбанков Р.Г. Инфракрасные спектры и структура углеводов. — Минск:
Наука и техника, 1972.
66. Жбанков Р.Г., Марупов Р.М., Иванов Н.В., Шишко А.М. Спектроско-
пия хлопка. — М.: Наука, 1976. — 248 с.
67. Збинден Р. Инфракрасная спектроскопия высокополимеров. —М: Мир,
1966.
68. Зырин Н.Г., Орлов Д.С. (ред.). Физико-химические методы исследования
почв. — М.: Изд-во Моск, ун-та, 1980. — С. 180—207.
69. Каменский В.Е., Гордиенко Г.И., Кот А.Б. и др. Экономическая эф-
фективность ИК-анализатора// Химия в сельском хозяйстве. — 1988. —
№ 10. — С. 29—31.
70. Карякин А.В., Кривенирва Г.А. Состояние воды в органических и
неорганических соединениях (по инфракрасным спектрам поглощения). —
М.: Наука, 1975.
581
71. Каффка К. Результаты применения спектроскопии в ближней инф-
ракрасной области в различных отраслях сельского хозяйства и пищевой
промышленности Венгрии// Применение спектроскопии в ближней ин-
фракрасной области для контроля качества продукции (4-й сборник на-
учных трудов по ИКС). — М.: Интерагротех, 1989. — С. 127—142.
72. Кесслер И. Методы инфракрасной спектроскопии в химическом ана-
лизе. — М.: Мир, 1964.
73. Ким Дж.-О., Мюллер Ч.У., Кленка У.Р., Олдендерфер М.С., Блэш-
филд Р.К. Факторный, дискриминантный и кластерный анализ. — М.:
Финансы и статистика, 1989.
74. Ковалев И.П., Титов Е.В. Инфракрасные спектры поглощения некото-
рых групп природных соединений (Атлас спектров). — Харьков: Изд. Харь-
ковского ун-та, 1966.
75. Коровин А.И., Крищенко В.П., Лакалина О.И. и др. Применение
инфракрасной спектроскопии в ближней области для определения эффек-
тивности действия регуляторов роста растений на овощные растения//
Сельскохозяйственное использование спектроскопии в ближней инфракрас-
ной области (2-й сборник научных трудов по ИКС). — М.: ЦИНАО, 1986.
— С. 55—71.
76. Костенко В.Г., Чубарова Л.Н., Доронина И.И. и др. Изучение БИК-
спектров кукурузного зерна и его компонентов// Применение спектроско-
пии в ближней инфракрасной области для контроля качества продукции (4-й
сборник научных трудов по ИКС). — М.: Интерагротех, 1989. — С. 273—
281.
77. Кремер А.А., Акчурина С.П., Бер А.Ю. Влияние влажности образцов
на градуировочные константы при инфракрасном анализе зерна// Сель-
скохозяйственное использование спектроскопии в ближней инфракрасной
области (3-й сборник научных трудов по ИКС). — М.: ЦИНАО, 1986. — С.
99—102.
78. Кремер А.А., Бер А.Ю., Дьяченко Л.А. Физическая интерпретация граду-
ировочных коэффициентов инфракрасных анализаторов// Сельскохозяйствен-
ное использование спектроскопии в ближней инфракрасной области (2-й сбор-
ник научных трудов по ИКС). — М.: ЦИНАО, 1986. — С. 72—77.
79. Кремер А.А., Охрименко А.И., Метельский Ю.А. и др. Результаты
испытаний ИК-анализатора «Спектран-1»// Применение спектроскопии
в ближней инфракрасной области для контроля качества продукции (4-й
сборник научных трудов по ИКС). — М.: Интерагротех, 1989.— С. 346.
80. Кремер А.А., Панкратова К.Г., Бер А.Ю. и др. Метрологическое обес-
печение ИК-анализаторов// Там же. — С. 189—197.
81. Кремер А.А., Панкратова К.Г., Наркович А.Ю., Береш И.Д. Резуль-
таты испытания прибора «Инфрапид-61» при измерении содержания белка
и влаги в зерне пшениц, выращиваемых в СССР// Там же. — С. 348.
82. Крищенко В.П. Перспективы использования инфракрасной спектро-
фотометрии для оценки качества зерна// Пути увеличения производства
и повышения качества сильных и твердых пшениц: Тез. докл. Всесоюзного
научно-технического совещания. — Кокчетав, 1984. — С. 79—81.
582
83. Крищенко В.П. Новейшие приборы для контроля качества сельскохо-
зяйственной продукции// США — экономика, политика, идеология. —
1985. — № 2. — С. 105—114.
84. Крищенко В.П. Луч-лаборант// НТР — проблемы и решения. — 1985.
— № 6. — С. 19.
85. Крищенко В.П. Применение инфракрасной спектроскопии для кон-
троля качества сельскохозяйственной продукции// Сельскохозяйственное
использование спектроскопии в ближней инфракрасной области (2-й сбор-
ник научных трудов по ИКС). — М.: ЦИНАО, 1986. — С. 4—12.
86. Крищенко В.П. Скоростные методы контроля качества// Закупки
сельскохозяйственных продуктов. — 1987. — № 8. — С. 55—59.
87. Крищенко В.П., Боллинг Г. Применение спектроскопии ближнего инф-
ракрасного отражения для определения белка, клейковины и золы в зерне и
продуктах его переработки// Агрохимия. — 1982. — № 7. — С. 124—129.
88. Крищенко В.П., Ефремцев В.Г., Ефремцев Е.Г. «Инфрапид-61» —
инфракрасный анализатор качества сельскохозяйственной продукции//
Сельскохозяйственное использование спектроскопии в ближней инфракрас-
ной области (3-й сборник научных трудов по ИКС). — М.: ЦИНАО, 1986.
______С 25_29.
89. Крищенко В.П., Ефремцев В.Г., Ефремцев Н.Г. и др. Применение
ИК-спектроскопии в ближней области при оценке качества удобрений//
Применение спектроскопии в ближней инфракрасной области для контро-
ля качества продукции (4-й сборник научных трудов по ИКС). — М.: Инте-
рагротех, 1989. — С. 337—338.
90. Крищенко В.П., Ефремцев В.Г., Ефремцев Н.Г., Лакалина О.И. Ди-
агностика фузариоза зерна пшеницы с использованием ИК-анализатора/ /
Там же. — С. 353.
91. Крищенко В.П., Ефремцев В.Г., Ефремцев Н.Г. и др. Определение
содержания никотина в табаке и махорке методом ИК-спектроскопии в
ближней области// Там же. — С. 352.
92. Крищенко В.П., Ефремцев В.Г., Хомич Н.П., Коровин А.И. Оценка
показателей качества рыбной продукции методом ИК-спектроскопии// Там
же. — С. 143—155.
93. Крищенко В.П., Ефремцев Н.Г., Горпинченко Т.В. и др. К вопросу о
возможности определения биохимических показателей семян рапса ИК-
методом/ / Там же: — С. 71—79.
94. Крищенко В.П., Ефремцев Н.Г., Ефремцев В.Г., Сазонов Ю.Г. При-
менение инфракрасных анализаторов для оценки качества сельскохозяй-
ственной продукции// Системы управления и средства автоматизации в
агропромышленном комплексе: Тезисы докладов. Всесоюзная научно-тех-
ническая конференция. — Кишинев, 1987. — Часть 2. — С. 190.
95. Крищенко В.П., Ефремцев Н.Г., Ефремцев В.Г. и др. Методические
указания по работе на инфракрасном анализаторе «Инфрапид-61». — М.,
1986. — С. 32.
96. Крищенко В.П., Жигулев К.К., Горпинченко Т.В., Чуйкова Л.А.
Определение белка в клейковине и клейковины в размолотом шроте и
муке пшеницы методом ближней инфракрасной спектрофотометрии//
583
Доклады на советско-американском симпозиуме «Использование инф-
ракрасной спектроскопии для определения качества зерна и другой сель-
скохозяйственной продукции» (21—23 октября 1980 г., г.Москва), М.:
ЦИНАО, 1980. — С. 50—62.
97. Крищенко В.П., Жигулев К.К., Родичева Е.А., Чуйкова Л.А. Исследо-
вание возможности определения лизина в кукурузе методом инфракрасной
спектроскопии// Там же. — С. 47—49.
98. Крищенко В.П., Каменский В.Е., Гордиенко Г.И. и др. Пробоподго-
товка к анализу кормов методом ИК-спектроскопии в ближней области//
Применение спектроскопии в ближней инфракрасной области для контро-
ля качества продукции (4-й сборник научных трудов по ИКС). — М.: Инте-
рагротех, 1989. — С. 264—272.
99. Крищенко В.П., Каменский В.Е., Гордиенко Г.И. и др. Анализ кормов
методом ИК-спектроскопии в ближней области// Там же. — С. 41—56.
101. Крищенко В.П., Коровин А.И. Инфракрасная спектроскопия как спо-
соб определения отдельных показателей с целью прогнозирования техноло-
гических свойств пшеницы// Сельскохозяйственное использование спек-
троскопии в ближней инфракрасной области (3-й сборник научных трудов
по ИКС). — М.: ЦИНАО, 1986. — С. 73—87.
102. Крищенко В.П., Коровин А.И., Самохвалов С.Г. и др. Возмож-
ность применения спектроскопии отражения в изучении эволюции и
селекции растений/ / Сельскохозяйственное использование спектрос-
копии в ближней инфракрасной области (2-й сборник научных трудов по
ИКС). — М.: ЦИНАО, 1986. — С. 23—36.
103. Крищенко В.П., Лакалина О.И., Сазонов Ю.Г. Использование
метода инфракрасной спектроскопии для диагностики азотного питания
зерновых культур// Сельскохозяйственное использование спектроско-
пии в ближней инфракрасной области (3-й сборник научных трудов по
ИКС). — М.: ЦИНАО, 1986. — С. 95—98.
104. Крищенко В.П., Пащинский В.П., Ларченко В.И. и др. Определение
влажности растительного материала на инфракрасном анализаторе//До-
клады на советско-американском симпозиуме «Использование инфракрас-
ной спектроскопии для определения качества зерна и другой сельскохозяй-
ственной продукции» (21—23 октября 1980 г., г. Москва). — М.: ЦИНАО,
1980. — С. 82—85.
105. Крищенко В.П., Сазонов Ю.Г., Горшкова Г.И. и Веселитская Т.В.
Определение белка, крахмала, клетчатки, жира и влаги в вегетативной массе
и зерне методом измерения интенсивности отражения инфракрасного из-
лучения/ / Агрохимия. — 1980. — № 6. — С. 128—133.
106. Крищенко В.П., Сазонов Ю.Г., Лакалина О.И., Улетова Н.П. О за-
висимости результатов определения клейковины методом инфракрасной
спектроскопии от влажности зерна// Сельскохозяйственное использова-
ние спектроскопии в ближней инфракрасной области (3-й сборник науч-
ных трудов по ИКС). — М.: ЦИНАО, 1986. — С. 103—108.
107. Крищенко В.П., Сазонов Ю.Г., Чуйкова Л.А. и др. Анализ клейкови-
ны методом измерения интенсивности отражения инфракрасного излуче-
ния/ / Агрохимия. — 1980. — № 7. — С. 103—108.
584
108. Крищенко В.П., Сазонов Ю.Г., Чуйкова Л.А. и др. Контроль качест-
ва зерна озимой пшеницы// Химия в сельском хозяйстве. — 1987. — № 9.
— С. 64—68.
109. Крищенко В.П., Самохвалов С.Г. Применение метода инфракрасной
спектроскопии при изучении качества сельскохозяйственной продукции и
некоторых показателей плодородия почв в условиях глобального агроэколо-
гического мониторинга// Научн. труды ВИУА «Агроэкологический мони-
торинг и проблемы расширенного воспроизводства плодородия почв». —
М„ 1991. — С. 62—66.
110. Крищенко В.П., Самохвалов С.Г. Новый метод контроля качества
сельскохозяйственной продукции// Химизация сельского хозяйства. —
1991. — № И. — С. 65—69.
111. Крищенко В.П., Самохвалов С.Г., Горпинченко Т.В. и др. Использо-
вание спектроскопии в ближней инфракрасной области для определения
показателей качества кормовых трав, зерна злаковых и семян масличных
культур// Агрохимия. — 1982. — № 6. — С. 112—124.
112. Крищенко В.П., Самохвалов С.Г., Жигулев К.К. и др. Использование
ближней инфракрасной спектроскопии для определения показателей качес-
тва зерна и вегетативной массы//Доклады на советско-американском
симпозиуме «Использование инфракрасной спектроскопии для определения
качества зерна и другой сельскохозяйственной продукции» (21—23 октяб-
ря 1980 г., г.Москва). — М.: ЦИНАО, 1980. — С. 63—81.
113. Крищенко В.П., Самохвалов С.Г., Сазонов Ю.Г. и др. Методические
указания по определению качества растительной продукции с помощью ин-
фракрасной спектроскопии. — М.: ЦИНАО, 1986. — 25 с.
114. Крищенко В.П., Толстоусов В.П., Сазонов Ю.Г. и др. Методические
указания по использованию спектроскопии в ближней инфракрасной об-
ласти для ускоренной диагностики азотного питания зерновых культур. —
М.: ЦИНАО, 1986.— 28 с.
115. Лемещук Р.Г., Ротарь А.И., Анцибор И.К., Комарова Г.Е. Подбор
оптимальных длин волн для калибровки прибора «Инфрапид-61» по ком-
плексу показателей качества зерна кукурузы// Применение спектроско-
пии в ближней инфракрасной области для контроля качества продукции (4-й
сборник научных трудов по ИКС). — М.: Интерагротех, 1989. — С. 350.
116. Ликеш И., Ляга Й. Основные таблицы математической статистики.
— М.: Финансы и статистика, 1985. — 356 с.
117. Логинов Ю.М., Самохвалов С.Г., Флоринский М.А. и др. Каталог
новых приборов и оборудования для почвенно-агрохимических исследова-
ний. — М.: Колос, 1980. — 97 с.
118. Лоусон К. Инфракрасные спектры поглощения неорганических ве-
ществ. М.: Мир, 1964. — 298 с.
119. Люхтер К. Применение ближней инфракрасной спектроскопии в
промышленности: текстильная, фармацевтическая, химическая и геологи-
ческая области промышленности// Применение спектроскопии в ближ-
ней инфракрасной области для контроля качества продукции (4-й сборник
научных трудов по ИКС). — М.: Интерагротех, 1989. — С. 80—98.
585
120. Марихарт М. Применение инфракрасного анализатора «ИнфраАлай-
зер-400» для контроля качества молочных, картофельных и крахмальных
продуктов//Доклады на советско-американском симпозиуме «Использова-
ние инфракрасной спектроскопии для определения качества зерна и дру-
гой сельскохозяйственной продукции» (21—23 октября 1980 г., г.Москва).
— М.: ЦИНАО, 1980.— С. 99—121.
121. Мартьянова А.И., Очертенко Т.И., Рыжова А.И., Жупахина И.Е.
Методы и приборы для определения качества заготовляемого и поставляе-
мого в переработку зерна. — М.: ВНИИЗ, 1992. — 132 с.
122. Мартьянова А.И., Сорочинская О.Ф., Евдокимова Т.Н. Результаты
испытания приборов, основанных на инфракрасной спектроскопии для оп-
ределения белка в зерне//Доклады на советско-американском симпозиу-
ме «Использование инфракрасной спектроскопии для определения качест-
ва зерна и другой сельскохозяйственной продукции» (21—23 октября 1980
г., г.Москва). — М.: ЦИНАО, 1980. — С,— 36—46.
123. Международное общество по химии зерна (ICC). Стандарт ICC
№ 105/1. — Вена: Изд-во Moritz Schafer. — 4 с. (издание на русском языке).
124. Миссбах М. Практическое применение приборов с инфракрасным
отражением в сочетании с блоком электронной обработки данных для оп-
тимального использования ресурсов в кормопроизводстве//Доклады на
советско-американском симпозиуме «Использование инфракрасной спек-
троскопии для определения качества зерна и другой сельскохозяйственной
продукции» (21—23 октября 1980 г., г.Москва). — М.: ЦИНАО, 1980. — С.
18—26.
125. Михайлова Н.А., Орлов Д.С. Оптические свойства почв и почвенных
компонентов. — М.: Наука, 1986. — 116 с.
126. Муллард И. Анализ кормов в ближней инфракрасной области//
Сельскохозяйственное использование спектроскопии в ближней инфракрас-
ной области (2-й сборник научных трудов по ИКС). — М.: ЦИНАО, 1986. —
С. 37—42.
127. Муллард И. Использование спектрального анализа в ближней облас-
ти в сельском хозяйстве// Сельскохозяйственное использование спектрос-
копии в ближней инфракрасной области (3-й сборник научных трудов по
ИКС). — М.: ЦИНАО, 1986. — С. 4—24.
128. Мэддокс С. Применение спектров отражения инфракрасных лучей в
анализах// Автоматизация агрохимических анализов с использованием
приборов фирмы «Техникой». Труды ЦИНАО. — М., 1976. — Вып. 7. — С.
63—72.
129. Наканиси К. Инфракрасные спектры и строение органических со-
единений. — М.: Мир, 1965. — С. 216.
130. Наумова В.П., Манойло С.П. Определение растворимых углеводов в
сене// Химизация сельского хозяйства. — 1990. — № 2. — С. 65—66.
131. Норрис К.Х. Приборы для ближней инфракрасной спектроскопии//
Применение спектроскопии в ближней инфракрасной области для контро-
ля качества продукции (4-й сборник научных трудов по ИКС). — М.: Инте-
рагротех, 1989. — С. 5—10.
586
132, Овчаренко М.М., Зенин А.А., Зилеев Н.А. Определение гумуса ана-
лизатором «Инфрапид-61»// Химизация сельского хозяйства. — 1988. —
№ И. — С. 45—46.
133. Овчаренко М.М., Зилеев Н.А., Молостова Т.Л. и др. Методические
указания по определению качества растительной продукции (кормов) на
ИК-анализаторе «Инфрапид-61». — М.: Госагропром РСФСР, 1989. — 16 с.
134. Орлов Д.С., Осипова Н.Н. Инфракрасные спектры почв и почвенных
компонентов. — М_: Изд-во Моск, ун-та, 1988. — 89 с.
135. Орлова А.Н., Хабарова К.А., Сарафанова Н.В. и др. Инструкция
по контролю качества анализов почв в единой специализированной аг-
рохимической службе. — М.: ЦИНАО, 1983. — 21 с.
136. Оценка качества зерна: Справочник/ Сост. И.И. Василенко, В.И.
Комаров. — М.: Агропромиздат. — 1987. — 208 с.
137. Панкратова К.Г., Кремер А.А., Лапина Л.Н. Влияние сдвига анали-
тических длин волн ИК-анализатора на точность измерения содержания
белка и влаги в зерне// Применение спектроскопии в ближней инфра-
красной области для контроля качества продукции (4-й сборник научных
трудов по ИКС). — М., 1989. — С. 347.
138. Панкратова К.Г., Кремер А.А., Нехаева Н.Г., Лапина Л.Н. К вопро-
су об оптимизации аналитических длин волн для измерения содержания
белка в зерне ИК-анализаторами// Там же. — С. 349.
139. Плюснина И.И. Инфракрасные спектры силикатов. — М.: Изд-во
Моск, ун-та, 1967. — 188 с.
140. Пономарева В.В., Плотникова Т.А. Определение группового и фрак-
ционного состава гумуса по схеме И.В.Тюрина в модификации В.В.Поно-
маревой и Т.А.Плотниковой// Агрохимические методы исследования почв.
— М.: Наука, 1975. — С. 47—55.
141. Посудин Ю.И., Костенко В.И. Отражательная спектроскопия моло-
ка в ближней инфракрасной области// Известия вузов. Пищевая техноло-
гия. — 1992. — № 3—4. — С. 66—69.
142. Применение спектроскопии в ближней инфракрасной области для
анализа зерна и других сельскохозяйственных продуктов (3-й сборник на-
учных трудов по ИКС). — М.: ЦИНАО, 1986. — 108 с.
143. Применение спектроскопии в ближней инфракрасной области для
контроля качества продукции (4-й сборник научных трудов по ИКС). — М.:
Интерагротех, 1989.
144. Пумпянский Ф.Я. Технологические свойства мягких пшениц. — Л.:
Колос, 1971. — 318 с.
145. РД 50-160-79. Методические указания. Внедрение и применение ГОСТ
8.417-81 «ГСИ. Единицы физических величин».
146. РД 50-263-81. Методические указания. Порядок разработки, утвер-
ждения и применения отраслевых СО и СО предприятий.
147. Ридер Р. Принципы анализов с помощью инфракрасных спектров
отражения// Автоматизация агрохимических анализов с использованием
приборов фирмы «Техникой». Труды ЦИНАО. — М., 1976. — Вып. 7. —
С. 73—87.
587
148. Розенталь Р. Описание ближнеинфракрасных приборов для анализа
хлебных злаков и пищевых продуктов без нарушения их целостности//
Применение спектроскопии в ближней инфракрасной области для контро-
ля качества продукции (4-й сборник научных трудов по ИКС). — М.: Инте-
рагротех, 1989. —С. 282—307.
149. Рудометкин С.В., Мастерова Т.В. О возможности использования
спектроскопии отражения в ближней ИК-области для определения содер-
жания белка и жира в семенах и зеленой массе люпина в селекционных
целях/ / Там же. — С. 344.
150. Самохвалов С.Г. О единицах и наименованиях физических вели-
чин/ /Химизация сельского хозяйства. — 1991. — № 3. — С. 10—17.
151. Самохвалов С.Г., Анненков В.С. Предлагает совместное предпри-
ятие/ / Комбикормовая промышленность. — 1991. — № 3. — С. 15—19.
152. Самохвалов С.Г., Горшкова Г.И. Метрологическое обеспечение един-
ства измерений в агрохимической службе// Химия в сельском хозяйстве.
— 1982. — № 5. — С. 41—43.
153. Самохвалов С.Г., Горшкова Г.И., Звягинцев А.М., Орлова А.А. Ме-
тодические указания по проведению метрологических исследований мето-
дик агрохимических и зоотехнических анализов. — М.: ЦИНАО, 1986. —
51 с.
154. Самохвалов С.Г., Прижукова В.Г., Арсеньева М.Н., Сазонов Ю.Г.
Использование спектроскопии в ближней инфракрасной области для эк-
спрессного анализа гумуса// Аналитический контроль сельскохозяйствен-
ной продукции. Сборник научных трудов. ВАСХНИЛ, Сиб. отделение. —
Новосибирск, 1990. — С. 162—167.
155. Самохвалов С.Г., Прижукова В.Г., Арсеньева М.Н., Сазонов Ю.Г.
Методические указания по определению гумуса в почве методом инфра-
красной спектроскопии. — М.: ЦИНАО, 1991. — 15 с.
156. Самохвалов С.Г., Прижукова В.Г., Молканова Л.И. Методические
указания по определению щелочногидролизуемого азота в почве по методу
Корнфилда. — М.: ЦИНАО, 1985. — 8 с.
157. Самохвалов С.Г., Фомина Л. ИК-метод: реальность и перспективы.
Точность определения качества// Комбикормовая промышленность. — 1992.
— № 2. — С. 38—40.
158. Сельскохозяйственное использование спектроскопии в ближней ин-
фракрасной области (2-й сборник научных трудов по ИКС). — М.: ЦИНАО,
1986. — 108 с.
159. Семенко Н.Г., Панева В.И., Лахов В.М. Стандартные образцы в сис-
теме обеспечения единства измерений. — М: Изд-во стандартов, 1990. —
285 с.
160. Старк Э. Новый сканирующий спектрофотометр близкого инфра-
красного излучения// Доклады на советско-американском симпозиуме
«Использование инфракрасной спектроскопии для определения качества
зерна и другой сельскохозяйственной продукции» (21—23 октября 1980 г.,
г.Москва). — М.: ЦИНАО, 1980. — С. 97—98.
161. Старк Э. Методы градуировки при проведении анализа с помощью
ближней инфракрасной спектроскопии// Применение спектроскопии в
588
ближней инфракрасной области для контроля качества продукции (4-й сбор-
ник научных трудов по ИКС). — М.: Интерагротех, 1989. — С. 25—40.
162. Старк Э., Люхтер К. Физическая теория взаимодействия молекул с
излучением в ближней инфракрасной области/ / Там же. — С. 198—220,
163. Степанов И.С. Применение метода инфракрасной спектроскопии в
почвоведении. (Методические указания). — М.: Почвенный институт им.
В.В.Докучаева, 1976. — 70 с.
164. Федин М.А. (Ред.). Методика государственного сортоиспытания сель-
скохозяйственных культур. Технологическая оценка зерновых, крупяных и
зернобобовых культур. — М.: Госагропром СССР, 1988. — 120 с.
165. Федченко П.П. Определение гумуса в почвах по их цвету/ / Почво-
ведение. — 1982. — № 10. — С. 138—141.
166. Федченко П.П. Использование спектров отражения почв для опреде-
ления в них гумуса// География и природные ресурсы. — 1983. — № 2. —
С. 116—121.
167. Федченко П.П. Спектрофотометрические исследования содержания
гумуса в почвах// Тр. ВНИИ с.-х. метеорологии. — 1984. — № 14. — С.
33—46.
168. Федченко П.П. и др. Опыт определения содержания гумуса по дан-
ным аэрокосмических измерений/ / Докл. АН СССР. — 1983. — Т. 268, №
4. — С. 973—974.
169. Фомина Л.Г., Кондрашов С.Е., Праздникова Р.И. Влияние способа
помола образца растительной продукции на результаты анализа на «Инфра-
пид-61»// Применение спектроскопии в ближней инфракрасной области
для контроля качества продукции (4-й сборник научных трудов по ИКС). —
М„ 1989.— С. 315—321.
170. Фуку нага К. Введение в статистическую теорию распознавания об-
разов. — М.: Наука, 1979. — 368 с.
171. Хеллямяки М. Анализ качества фуража с помощью инфракрасной
спектроскопии// Сельскохозяйственное использование спектроскопии в
ближней инфракрасной области (2-й сборник научных трудов по ИКС). —
М.: ЦИНАО, 1986. — С. 43—48.
172. Худякова Ф.К., Крищенко В.П., Жигулев К.К. и др. Определение
питательной ценности кормовых трав методом ближней инфракрасной спек-
троскопии/ / Доклады на советско-американском симпозиуме «Использо-
вание инфракрасной спектроскопии для определения качества зерна и дру-
гой сельскохозяйственной продукции» (21—23 октября 1980 г., г.Москва).
— М.: ЦИНАО, 1980. — С. 27—35.
173. Худякова Х.К., Чуйков В.А. Использование инфракрасного анализа-
тора «Инфрапид 61» для анализа злаковых кормовых трав// Применение
спектроскопии в ближней инфракрасной области для контроля качества
продукции (4-й сборник научных трудов по ИКС). — М., 1989. — С. 121 —
126.
174. Худякова Х.К., Чуйков В.А. Использование микроволновой сушки
для подготовки растительных проб к анализу// Там же. — С. 339—343.
175. Чарыков А.К. Математическая обработка результатов химического
анализа. — Л.: Изд-во Ленинградского ун-та, 1984. — 168 с.
589
176. Чиргадзе Ю.Н. Инфракрасные спектры и структура полипептидов и
белков. — М.: Наука, 1965.
177. Шаевич А.Б. Аналитическая служба как система. — М.: Химия, 1981.
— 264 с.
178. Шаевич А.Б. Стандартные образцы для аналитических целей. — М.:
Химия, 1987. — 184 с.
179. Шараф М.А., Иллмэн Д.Л., Ковальски Б.Р. Хемометрика. — Л.:
Химия, 1989. — 269 с.
180. Шарков Г.А., Сакало Л.Г., Луговская В.Г. Подготовка образцов на
СВЧ-вакуумной установке для ИК-спектроскопии/ / Применение спектрос-
копии в ближней инфракрасной области для контроля качества продукции
(4-й сборник научных трудов по ИКС). — М., 1989. — С. 257—263.
181. Шафринский Ю.С., Самохвалов С.Г., Горшкова Г.И. Стандартные об-
разцы растительных материалов и их использование в агрохимической служ-
бе/ / Сб. трудов. ВАСХНИЛ. Сиб. отделение. — Новосибирск, 1982. — С.
11—23.
182. Шафринский Ю.С., Самохвалов С.Г., Соколова Ю.В. и др. Неко-
торые особенности агрохимических стандартных образцов почв// Там
же. — С. 23—40.
183. Шенк Дж.С., Вестерхаус М.О. Анализ сельскохозяйственных про-
дуктов с помощью спектроскопии в ближней инфракрасной области//
Применение спектроскопии в ближней инфракрасной области для контро-
ля качества продукции (4-й сборник научных трудов по ИКС). — М.: Инте-
рагротех, 1989. — С. 15—24.
184. Шенк Дж.С., Вестерхаус М.О. Стандартизация приборов инфракрас-
ной спектроскопии в ближней области / / Там же. — С. 251—256.
185. Шишкин И.Ф. Основы метрологии, стандартизации и контроля ка-
чества. — М.: Изд-во стандартов, 1988. — 320 с.
186. Эллиот А. Инфракрасные спектры и структура полимеров. — М.:
Мир, 1972.
187. Эляшберг М.Е., Грибов Л.А., Серов В.В. Молекулярный спектраль-
ный анализ и ЭВМ. — М.: Высшая школа, 1980. — 305 с.
188. Юхневич Г.В. Инфракрасная спектроскопия воды. — М.: Наука, 1973.
189. Abrams Б.М. Analysis procedures. Sampling// Marten G.C., Shenk J.S.,
Barton F.E. (Eds.). Near Infrared Reflectance Spectroscopy (NIRS): Analysis of
Forage Quality. Agriculture Handbook. № 643. — USA, Washington: United
States Department of Agriculture.— 1989. — P. 22.
190. Abrams S.M. Sample preparation// Ibid. — P. 23.
191. Abrams S.M. Sample handling/ / Ibid. — P. 24.
192. Abrams S.M. Calibration. Populations// Ibid. — P. 37.
193. Abrams S.M., Shenk J.S. and Westerhaus M.O. Capability of near infra-
red reflectance spectroscopy (NIR) to determine silage quality/ / J. Dairy Sci.
— 1983. — Vol. 66. — P. 183.
194. Abrams S.M., Shenk J.S., Westerhaus M.O. and Barton F.E. Determi-
nation of forage quality using near infrared reflectance spectroscopy: Efficacy of
broad-based calibration equations// J. Dairy Sci. — 1987. — Vol. 70, № 6. —
P. 806—813.
590
195. Al-Abbas A.H., Swain P.H. and Baumgardner M.F. Relating organic
matter and clay content to multispectral radiance of soils// Soil Sci. — 1972.
— Vol. 114, № 6. — P. 477—785.
196. Alfaro G., Meurens M. and Birth G.S. Liquid analysis by dry-extract
near-infrared reflectance on fiberglass// Appl. Spectrosc. — 1990. — Vol. 44,
№ 6. — P. 970—986.
197. Alfaro G., Meurens M. and Van den Eynde P. Application of DESIR
and NIR on orange juice// Proceedings of the Third International Conference on
Near Infrared Spectroscopy. Agricultural Research Centre Publishing, Gembloux
(Belgium). — 1991. — Vol. 1. — P. 234—241.
198. Allison M., Cowe I. and McHale R. The use near-infrared reflectance for
rapid estimation of soluble beta-glucan content of barley// J. Inst. Brew. —
1978. — Vol. 84. — P. 153—155.
199. American Association of Cereal Chemists. Near-infrared method for prote-
in determination. AACC approved method 39-10. Association of Cereal Chemists.
Final approval 10-27-82.
200. Annette D. and Unsworth E.F. The influence of sample preparation on
NIR prediction of in vivo OMD of grass silages/ / Proceedings of Third Interna-
tional Conference of Near Infrared Spectroscopy. Agricultural Research Centre
Publishing, Gembloux (Belgium). — 1991. — Vol. 2. — P. 549—552.
201. Aral T., Inatsu O. and Miura T. Application of NIR to rice breeding:
Improvement of the eating quality of Hokkaido rice// The Proceedings of the
Second International Near Infrared Spectroscopy Conference. — Tokyo, Japan:
Korin Publishing Co, 1990. — P. 338—342.
202. Atanassova S. The use of quadratic calibration equations for predicting
quality of alfalfa forages by NIRS// Proceedings of the Third International Con-
ference on Near Infrared Spectroscopy. Agricultural Research Centre Publishing,
Gembloux (Belgium). — 1991. — Vol. 2. — P. 625—630.
203. Baer R.J., Frank J.F., Loewenstein M., Birth G.S. Composition analysis
of whey powders using near infrared diffuse reflectance spectroscopy// J. of
Food Sci. — 1983. — Vol. 48, № 3. — P. 959—961.
204. Baker D. The determination of fiber in processed cereal foods by near-
infrared reflectance spectroscopy / / Cereal Chem. — 1983. — Vol. 60, № 3. —
P. 217—219.
205. Baker D. and Norris K.H. Near-infrared reflectance measurement of total
sugar content of breakfast cereals// Appl. Spectrosc. — 1985. — Vol. 39. — P.
618—621.
206. Barber J.W.ll and Ishitani N. The Instalab 600 series and Udy Ciclone
sample mill offer new application/ / The Proceedings of the Second International
Near Infrared Spectroscopy Conference. — Tokyo, Japan: Korin Publishing Co.,
1990. — P. 271—275.
207. Barons R.J., Dhanoa M.S. and Lister S.T. Method of NIR differential
ratio spectrophotometry to study changes in the chemistry of feeds// In Analy-
tical Applications of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.). Lon-
don: The Royal Society of Chemistry, 1988. — P. 98—105.
208. Barons R,J., Dhanoa M.S. and Lister S.J. Standard normal variate
transformation and de-trending of near-infrared diffuse reflectance spectra//
Appl. Spectrosc. — 1989. — Vol. 43, № 5. — P. 772—777.
591
209. Barton F.E. 2. Consideration of chemical analysis/ / Marten G.C., Shenk
J.S., Barton F.E. (Eds.). Near Infrared Reflectance Spectroscopy (NIRS): Analy-
sis of Forage Quality. Agriculture Handbook. № 643. — USA, Washington:
United States Department of Agriculture, 1989. — P. 68—82.
210. Barton F.E. The problem of reference data and the certification of near
infrared reflectance spectroscopy// Proceedings of Third fnternational Conferen-
ce of Near Infrared Spectroscopy. Agricultural Research Centre Publishing, Gem-
bloux (Belgium). — 1991. — Vol. 2. — P. 675—678.
211. Barton F.E. and Burdick D. Preliminary study on the analysis of forages
with a filter-type near infrared reflectance spectrometer// J. Agric. Food Chem.
— 1979. — Vol. 27. — P. 1248—1252.
212. Batten G.D. and Blakeney A.B. Prediction of crop fertilizer recommenda-
tions dosed on NIR analysis// The Proceedings of the Second International
Near Infrared Spectroscopy Conference. — Tokyo, Japan: Korin Publishing Co.,
1990.— P. 315—318.
213. Bear R. J., Frank J.F., Loewenstein M. Composition analysis of nonfat dry
milk by using near infrared diffuse reflectance spectroscopy// J. of AOAC. —
1983. — Vol. 66, № 4. — P. 858—863.
214. Begley Т.Н. Lanza E., Harris K.H., Hruschka W.R. Determination of
NaCl in meat by near infrared diffuse reflectance spectroscopy/ / J. Agric. Food
Chem. — 1984. — Vol. 32. — P. 984—987.
215. Bell W. The analysis of fructose concentration in high fructose corn sy-
rups using near infrared reflectance analysis (NIRA)/ / Cereal Foods World. —
1982. — Vol. 27. — P. 468.
216. Bell W.L. The use of NIR as a process control tool for wet corn milling/
/ Cereal Foods World. — 1983. — Vol. 28. — P. 249—251.
217. Bell W.L. and Maddix C. Economic advantage to soybean processor in
rapid analysis of protein, oil, fiber and moisture / / Advances in automated
analysis. Technicon International Congress 1976. Vol. 2. Industrial Symposia. —
Tarrytown, N.Y., USA: Mediad Inc., 1977. — P. 140—142.
218. Ben-Dor E. and Banin A. Near-infrared analysis of carbonate concentra-
tion in soils// Appl. Spectrosc. — 1990. — Vol. 44, № 6. — P. 1064—1069.
219. Ben-Gera 1. and Norris K.H. Direct spectrometric determination of fat
and moisture in meat product// J. Food Sci. — 1968. — Vol. 33/ — P. 64—
67.
220. Ben-Gera 1. and Norris K.H. Determination of moisture content in soy-
beans by direct spectrophotometry// Israel J. of Agr. Res. — 1968. — Vol. 18,
№ 3. — P. 125—132.
221. Berardo N., Odoardi M., Tava A. and Valdicelli L. NIRS calibration for
quality traits in bromgrass (Bromus sp.)// Proceedings of Third International
Conference of Near Infrared Spectroscopy. Agricultural Research Centre Publis-
hing, Gembloux (Belgium). — 1991. — Vol. 2. — P. 553—557.
222. Bertrand D., Robert P., Devaux M.F. Spectral decomposition by means
of multidemensional analysis// Ibid. — Vol. 1. — P 126—134.
223. Bertrand D., Robert P. Devaux M.F and Abecassis J. Assignment of
near infrared bands by multidimensional analyses of spectral data: Application to
the estimation of purity in durum wheat products// In Analytical Applications
592
of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.). London: — The Royal
Society of Chemistry. — 1988. — P. 450—456.
224. Bertrand D., Robert P. and Loisel. W. Identification of some wheat
varieties by near infrared reflectance spectroscopy// J. Sci. Food Agric. —
1985. — Vol. 36, № 6. — P. 1120—1124.
225. Bertrand D., Robert P. and Rouxel C. Hierarchial clustering of NIR
spectra// The Proceedings of the Second International Near Infrared Spectros-
copy Conference. —Tokyo, Japan: Korin Publishing Co., 1990. — P. 241—248.
226. Biggs D.A. Precision and accuracy of infrared milk analysis// J. Food
Sci. — 1972. — Vol. 55, № 3. — P. 488—497.
227. Biggs D.A. Instrumental infrared estimation of fat, protein and lactose in
milk: Collaborative study/ / J. Assoc. Off. Chem. — 1978. — Vol. 61, № 5. —
P. 1015—1034.
228. Biggs D.A. Performance specifications for infrared milk analysis// J. Assoc.
Off. Chem. — 1978. — Vol. 62, № 6. — P. 1211—1214.
229. Biggs D.A. Infrared estimation of fat, protein and lactose in milk: Evalua-
tion of Multispec instrument/ / J. Assoc. Off. Chem. — 1979. — Vol. 62, № 6.
— P. 1202—1210.
230. Birth G.S. The light scattering properties of foods// J. Food Sci. —
1978.—Vol. 43.— P. 918.
231. Birth G.S. Diffuse thickness as measure of light scattering/ / Appl. Spec-
trosc. — 1982. — Vol. 36. — P. 675.
232. Birth G.S. and Hecht H.G. The physics of near-infrared reflectance//
Williams P. and Norris K. (Eds.). Near-Infrared Technology in the Agriculture
and Food Industry. — St. Paul, Minnesota, USA: American Association of Cereal
Chemists, Inc. — 1987. — P. 1 —15.
233. Birth G.S. and Ramey H.H.Jr. Near-infrared reflectance for analysis of
cottonseed for gossypol// Cereal Chem. — 1982. — Vol. 59. — № 6. — P.
516—519.
234. Biston R. and Clamot G. Use of near-infrared reflectance spectroscopy
and dye-binding techniques for estimating protein in oat groats/ / Cereal Chem.
— 1981. — Vol. 59. — P.333—335.
235. Biston R. and Dardenne P. Testing a network of eight NIR instruments
for analysing of wheat and forage/ / The Proceedings of the Second Internatio-
nal Near Infrared Spectroscopy Conference. Tokyo, Japan: Korin Publishing Co.,
1990. — P. 100—109.
236. Bjorsvik H.R., Martens H. Data analysis: Calibration of NIR instruments
by PLS regression// Burns D.A., Ciurczak E.W. (Eds ). Handbook of Near-
Infrared Analysis. Practical Spectroscopy Series. — Vol. 13. Marcel Dekker, Inc.
New York, Basel, Hong Kong, 1992. — P. 159—180.
237. Black L.T., Eldridge A.C. et al. Determination of texturized soybean
flour in ground beef by NIRS/ / J. Agr. Food Chem. — 1985. — Vol. 33. — P.
823—826.
238. Black R.G. Analysis of raw milk by NIR// International Symposium on
Near Infrared Spectroscopy. — Melbourne, Australia: Royal Australian Chemical
Institute, 1985, —P. 105—113.
593
239. Bolling H. and Gerstekorn P. Near infrared technique: Possibilities, li-
mits and experiences in Federal Republic of Germany// In Analytical Applicati-
ons of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.). London: The Royal
Society of Chemistry, 1988. — P. 74—81.
240. Bolling H., Zwingelberg H. Die Anwendung der Infrarotspektrosko-
pie in der Muhlenindustrie// Muhle und Mischfuttertechnik. — 1979. — B.
116, Н.5/ — S.53—55.
241. Bowers S.A. and Hanks R.J. Reflection of radiant energy from soils//
Soil Sci. — 1965. — Vol. 100, № 2. — P. 130—138.
242. Brach E.J., Phan C.T., Poushinsky G., Jasmin J.J. and Aube C.B. Lettu-
ce maturity detection in the visible (380—720 nm) far red (680—750 nm) and
near infrared (800—1850 nm) wavelength band/ / Agronomie. — 1982. — Vol.
2. — P. 685—694.
243. Branderberger H., Bader H. Determination of powder moisture by aseot-
ropic distillation and near-infrared spectrophotometry/ / Anal. Chem. — 1961.
— Vol. 33, № 13. — P. 1947—1949.
244. Branine M.E., Sowell B.F., Krysl L.J. and others. Estimating nutritive
value of native range forage by near infrared reflectance// J. Anim. Sci. —
1983. — Vol. 57, № 1. — P. 279.
245. Brereton R.G. (Ed.). Multivariate pattern recognition in chemometrics,
illustrated by case studies. — Amsterdam, London, New York, Tokyo: Elsevier.
— 1992, —325 p.
246. Brimmer P.J. Analysis of pulp and paper using near-infrared spectroscopy:
the good news and bad news about scattering effect// Proceedings of Third
International Conference of Near Infrared Spectroscopy. Agricultural Research
Centre Publishing, Gembloux (Belgium). — 1991. — Vol. 1. — P. 373.
247. Bruce S.H. and Turnbull J. Process NIR analysis// In Analytical
Applications of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.). Lon-
don: The Royal Society of Chemistry, 1988. — P. 470—471.
248. Buchanan B.R. NIR analysis of petrochemicals//Burns D.A., Ciurczak
E.W. (Eds.). Handbook of Near-Infrared Analysis. Practical Spectroscopy Series.
— Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong Kong, 1992. —P. 643—
653.
249. Buchanan B.R. and Honigs D.E. Detection of methanol in gasolins using
near-infrared spectroscopy and optical fiber// Appl. Spectrosc. — 1987. — Vol.
41, №8, — P. 1388—1392.
250. Burdick D., Barton F.E.II. and Nelson B.D. Prediction of bermudag-
rass composition and digestibility with a near-infrared multiple filter spectrop-
hotometer// Agron. J. — 1981. — Vol. 73. — P. 399—403.
251. Budrick D., Barton F.E. and Nelson B.D. Prediction of bermudag-
rass composition and digestibility with near infrared multiple filter spectrop-
hotometer// Agron. J. — 1981. — Vol. 73, № 3. — P. 399—403.
252. Burns D.A. Indicator variables: How they may save time and money in NIR
analysis/ / Burns D.A., Ciurcszak E.W. (Eds.). Handbook of Near-Infrared Analysis.
Practical Spectroscopy Series. — Vol. 13. Marcel Dekker, Inc. New York, Basel,
Hong Kong, 1992. — P. 317—328.
594
253. Burns D.A., Ciurszak E.W. (Eds.). Handbook of Near-Infrared Analysis.
Practical Spectroscopy Series. — Vol. 13. Marcel Dekker, Inc. New York, Basel,
Hong Kong, 1992. —P. 681.
254. Burns D.A., Schultz T.P. FT/IR vs NIR: A study with lignocellulose//
Ibid. — P. 663—671.
255. Butler L.A. The history and background of NIR/ / Cereal Foods World.
— 1983. — Vol. 28, № 4. — P. 238—240.
256. Carl R.T. Quantification of the fat content of milk using a partial-least-
squares method of analysis in the near infrared// Fresenius J. Anal. Chem. —
1991. — Vol. 339, № 1. — P. 70—71.
257. Chadburn B.P. Darivative spectroscopy in the laboratory: Advantages
and trading rules// Anal. Proc. — 1982. — Vol. 19, № 1. — P. 42—43.
258. Chalmers J.M. and Campbell W.C. The use of NIRS for the determinati-
on of hydroxyl value in alkoxylates/ / In Analytical Applications of Spectrosco-
py. Creaser C.S. and Davies A.M.C. (Eds.). London: The Royal Society of Che-
mistry, 1988. — P. 167—169.
259. Chevalier O., Dardenne P., Deoanne Cl., Biston R. Determination of
moisture, protein, fat and collagen in fresh meat by near infrared spectroscopy/
/ Proceedings of the Third International Conference on Near Infrared Spectros-
copy. Agricultural Research Centre Publishing, Gembloux (Belgium). — 1991.
— Vol. 1. — P. 293—296.
260. Cho R.K. and Iwamoto M. The purity identification of sesame oil by near-
infrared reflectance spectroscopy//The Proceedings of the Second International
Near Infrared Spectroscopy Conference. Tokyo, Japan: Korin Publishing Co., 1990.
— P. 142—147.
261. Cho R.K., Seog H.M., Nishinari К and Iwamoto M. Near infrared moni-
toring of enzymatic hydrolyzis of starch/ / Proceedings of Third International
Conference of Near Infrared Spectroscopy. Agricultural Research Centre Publis-
hing, Gembloux (Belgium). — 1991. — Vol. I. — P. 366—369.
262. Ciurczak E.W. The use of NIR for following the dissolution of multi-
component pharmaceutical dosage forms/ / Ibid. — P. 434—443.
263. Ciurczak E.W. Principles of near-infrared spectroscopy/ / Burns D.A.,
Ciurczak E.W. (Eds.). Handbook of Near-Infrared Analysis. Practical Spectrosco-
py Series. — Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong Kong, 1992.
— P. 7—11.
264. Ciurczak E.W. NIR analysis of pharmaceuticals// Ibid. — P. 549—563.
265. Ciurczak E.W. and Cline-Love L.J. The use near-infrared spectroscopy
in thin-layer chromatography. Part 1: Quantitative measurements/ / Spectrosco-
py. — 1990. — Vol. 5, № 8. — P. 38-42.
266. Ciurczak E.W. and Dickson T.A. Parameters of a Near-IR-HPLC detec-
tor. Part I: Limits of analytical sensitivity for reversed-phase chromatographic
systems// Spectroscopy. — 1991. —Vol. 6, №2.
267. Ciurczak E. and Maidacker T. Identification of actives in multicompo-
nent pharmaceutical dosage forms using near-infrared reflectance analysis//
Spectroscopy. — 1986. —Vol. 1, № 1. — P. 36.
268. Ciurczak E.W. and Murphy W.R. The use near-infrared spectroscopy in
thin-layer chromatography. Part II: Qualitative applications// Spectroscopy. —
1991. — Vol. 6, № 3. — P. 38—42.
595
269. Clancy P.J. Near infrared transmissions analysis 700 to 1100 nm. Practi-
cal application/ / International Symposium on Near Infrared Spectroscopy. —
Melbourne, Australia: Royal Australian Chemical Institute, 1985. — P. 62—64.
270. Clancy P.J. and Streamer R. Forage analysis — using near infrared
reflectance// Ibid. —P. 134—137.
271. Clark D.H., Cary E.E. and Mayland H.F. Analysis of trace elements in
forages by near infrared reflectance spectroscopy/ / Agronomy Journal. — 1989.
— Vol. 81, № 1. — P. 91—95.
272. Clark D.H., Johnson D.A. and Read J.J. Analysis of carbon isotopic
composition in leaf samples with near infrared reflectance spectroscopy/ / Pro-
ceedings of Third International Conference of Near Infrared Spectroscopy. Agri-
cultural Research Centre Publishing, Gembloux (Belgium). — 1991. — Vol. 2.
— P. 501—504.
273. Clark D.H., Mayland H.F. and Lamb R.C. Mineral analysis of foreges
with near infrared reflectance spectroscopy// Agronomy Journal. — 1987. —
Vol. 79, № 3. — P. 485—490.
274. Coleman S. W., Barton F.E.II. and Meyer R.D. The use of near-infrared
reflectance spectroscopy to predict species composition of forages mixtures//
Crop Sci. — 1985. — Vol. 25. — P. 834—837.
275. Coleman S.W., Christiansen S., Shenk J.S. Prediction of botanical com-
position using NIRS calibrations developed from botanically pure samples//
Crop Sci. — 1990. — Vol. 30, № I. — P. 202—207.
276. Connell J.P. and Brown G.H. The yield-testing of wool by reflectance
spectroscopy// Text. Res. Inst. — 1978. — Vol. 69. — P. 357—363.
277. Connell J.P. and Norris K.H. The prediction of the yield of greasy wool
by near infrared reflectance spectroscopy. I. Principles and washed wool// Text.
Res. J. — 1980. — Vol. 50. — P. 371—380.
278. Connell J.P. and Norris K.H. The prediction of the yield of wool by near-
infrared reflectance spectroscopy. II. Greasy wool// Text. Res. J. — 1981. —
Vol. 51. — P. 339—344.
279. Convertini G., Ferri D., Lanza F., Cilardi A.M. Determination by
N.I.R.S of P, K, Na, Ca and Mg contents in various plant organs of sugar
beet, wheat, sunflower, soybean and sorgum in continuous cropping and two-
year rotations/ / Proceedings of the Third International Conference on Near
Infrared Spectroscopy. Agricultural Research Centre Publishing, Gembloux
(Belgium). — 1991. — Vol. 2. — P. 522—540.
280. Conway J.M., Norris K.H. and Bodwell C.E. A new approach for estima-
tion of body composition: infrared interactance// Amer. J. Clin. Nutr. — 1984.
— Vol. 40. — P. 1123—1130.
281. Cooper P.J. Analysis for process control// Cereal Foods World. — 1983.
— Vol. 28, № 4. — P. 241—245.
282. Cornish G.B. NIR analysis of sausage meat// Proceedings of the Third
International Conference on Near Infrared Spectroscopy. Agricultural Research
Centre Publishing, Gembloux (Belgium). — 1991. — Vol. I. — P. 194—200.
283. Coventry A.G. and Hunston M.J. Application of near-infrared spectrosco-
py to the analysis of beer samples/ / Cereal Foods World. — 1984. — Vol. 29,
№ II. — P. 715—718.
596
284. Cowe I.A, Cuthbertson D.C. and McNicol J.W. The use of principal
component analysis to examine NIR spectral variating to protein in several crops/ /
Proceedings of the Third International Conference on Near Infrared Spectrosco-
py. Agricultural Research Centre Publishing, Gembloux (Belgium). — 1991. —
Vol. 1. — P. 154—158.
285. Cowe I.A. and McNicol J.W. The use of principal components in the
analysis of near-infrared spectra// Appl. Spectrosc. — 1985. — Vol. 39, № 2.
— P. 257—266.
286. Criado B.G., Ciudad A.G. and Corona M.E.P. Prediction of botanical
composition in natural grassland samples by near infrared reflectance spectrosco-
py/ / Proceedings of Third International Conference of Near Infrared Spectrosco-
py. Agricultural Research Centre Publishing, Gembloux (Belgium). — 1991. —
Vol. 2. — P. 561.
287. Curcio J.A., Petty C.C. The near infrared absorption of liquid water// J.
Optical Soc. Amer. — 1951. — Vol. 41, № 5. — P. 302—304.
288. Cuthbertson D.C., McNicol J.W, and Cowe I.A. Estimating predictive
ability of NIR calibration equations// Proceedings of the Third International
Conference on Near Infrared Spectroscopy. Agricultural Research Centre Publis-
hing, Gembloux (Belgium). — 1991. — Vol. I. — P. 166—170.
289. Dagnelie P., Dardenne P., Pain R. and Tahar A. Comparison of several
techniques for computing NIR calibration// Ibid. — P, 164—165.
290. Dalal R.C. and Henry R.J. Simultaneous determination of moisture, or-
ganic carbon and total nitrogen by near infra-red reflectance spectrometry//
Soil Sci. Soc. Am. J. — 1986, Vol. 50, № 1. — P. 120—123.
291. Dardenne P. and Biston R. Standardization procedure and NIR instru-
ment network// Proceedings of the Third International Conference on Near
Infrared Spectroscopy. Agricultural Research Centre Publishing, Gembloux (Bel-
gium). — 1991. — Vol. 2. — P. 655—662.
292. Davies A.M.S. The application of NIRS in industry//The application of
NIRS in industry/ / The Proceedings of the Second International Near Infrared
Spectroscopy Conference. — Tokyo, Japan: Korin Publishing Co., 1990. — P.
21—28.
293. Davies A.M.C., Coxon D.T., Gavrel G.M. and Wrigth D.J. Determinati-
on of starch and lipid in pea flour by near infrared reflectance analysis. Effect of
pea genotype on starch and lipid content// J. Sci. Food Agric. — 1985. — Vol.
36. — P. 49—54.
294. Davies A.M.C. and Wrigth D.J. Determination of protein in pea flour by
near infrared analysis// J. Sci. Food Agric. — 1984. — Vol. 35. — P. 1034—
1039.
295. Davies B. NIR product recognition software: its applications in the phar-
maceutical industry// Proceedings of Third International Conference of Near
Infrared Spectroscopy. Agricultural Research Centre Publishing, Gembloux (Bel-
gium). — 1991. — Vol. 2. — P. 444—447.
296. Davies B. and Harland C.M. Raw material identification using discrimi-
nant analysis of NIR spectra/ / In Analytical Applications of Spectroscopy. Cre-
aser C.S. and Davies A.M.C. (Eds.). London: The Royal Society of Chemistry,
1988. — P. 462—467.
597
297. De Boever J.L., Boucque Ch.V. Huyghebaert G. and De Groote G.
Prediction of fat content in broiler meat by NIRS// Proceedings of the Third
International Conference on Near Infrared Spectroscopy. Agricultural Research
Centre Publishing, Gembloux (Belgium). — 1991. — Vol. 1. — P. 280.
298. De Boever J.L., Cottin B.G., De Brabander D.L. and Boucque Ch.V.
Prediction of fat and protein content in individual cow milk by NIRS — prelimina-
ry results/ / Ibid. — P. 279.
299. De Groen. Praktische Enfahrungen mit der Schnellbestimmung von Eiwe-
iss, Wasser und Beta-glukan in Gerste und Maltz// Monatschrift fur Brauerei.
— 1980. — B. 33, H. 4. — S. 131 — 135.
300. De Vilder J., Bassuyt R. Practical experiences with an InfraAlyzer 400 in
determining the water, protein and fat content of milk powder/ / Milchwissen-
schaft. — 1983. — B. 38. — H. 2. — S. 65—69.
301. Debrabant M.P., Legrant P. Quantitative analysis of dry milk on solid
support by reflectance spectrometry// Proceedings of Third International Confe-
rence of Near Infrared Spectroscopy. Agricultural Research Centre Publishing,
Gembloux (Belgium). — 1991. — Vol. 2. — P. 577—581.
302. Descales B., Lambert D., Martens A. Determination des nombres docta-
ne RON et MON des essences par la technique proche infra rouge (NIR)//
Petrole et Techniques. — 1989. — № 349. — P. 2—8.
303. Devaux M.F., Bertrand D. and Martin G. Discrimination of dread-ba-
king quality of wheats according to their variety by near-infrared reflectance
spectroscopy // Cereal Chem. — 1986. — Vol. 63, № 2. — P. 151 —154.
304. Devaux M.F., Bertrand D., Robert P. and Qannari M. Application of
multidimensional analyses to the extraction of discriminant spectral patterns from
NIR spectra// Appl. Spectrsc. — 1988. — Vol. 42, № 6. — P. 1015—1019.
305. Devaux M.F., Bertrand D., Robert P. and Qannari M. Application of
principal component analysis on NIR spectral collection after elimination of inter-
ference by least-squares procedure/ / Appl. Spectrsc. — 1988. — Vol. 42, № 6.
— P. 1020—1023.
306. Diachuk V.R., Hamilton E., Savchuk N. and Jacket S.S. Bakery flour
control using near infrared reflectance analysis/ / Baker’s Dig. — 1981. — Vol.
55. — P. 72—75, 102.
307. Diffee J. Tobacco analysis by NIR spectroscopy/ / Burns D.A., Ciurczak
E.W. (Eds.). Handbook of Near-Infrared Analysis. Practical Spectroscopy Series.
— Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong Kong, 1992. — P. 433—
473.
308. Downey G. Estimation of moisture in undried wheat and barley by near
infrared reflectance/ / J. Sci. Food Agric. — 1985. — Vol. 36. — P. 951—958.
309. Downey G. and Byrne P. Prediction of moisture and bulk density in
milled peat by near-infrared reflectance// J. Sci. Food Agric. — 1986. — Vol.
37. — P.231—238.
310. Downey G., Morrison A. and Flynn S. Protein testing of wheat by near
infrared reflectance/ / Farm and Food Research. — 1982. — Vol. 13, № 1. — P.
14—16.
598
311. Downey M.F., Bertrand D. and Kelly P.M. Classification of commercial
skim milk powders according to heat treatment using factorial discriminant ana-
lysis of near-infrared reflectance spectra/ / Appl. Spectrosc. — 1990. — Vol. 44,
№ 1. — P. 150.
312. Dufour J.P., Yan S.H., Hannecart J.C., Boart E. and Alvarez P. Assay
of s-metylmethionin in malt at ppm level using NIRS// Proceedings of Third
International Conference of Near Infrared Spectroscopy. Agricultural Research
Centre Publishing, Gembloux (Belgium). — 1991. — Vol. I. — P. 281—285.
313. Dull G.G. and Giangiacomo R. Determination of individual simple su-
gars in aqueous solution by near infrared spectroscopy// J. Food Sci. — 1984.
— Vol. 49. — P. 1601 — 1603.
314. Dunne W. and Anderson J.A. A system for segregating Canadian wheat
into subgrades of guaranteed protein content/ / Canad. J. Plant Sci. — 1976. —
Vol. 567 — P. 233—450.
315. Eckman D.D., Shenk J.S., Wangnsness P.J. and Westerhaus M.O. Pre-
diction of sheep responses by near infrared reflectance spectroscopy// J. Dairy
Sci. — 1983. — Vol. 66. — P. 1983—1987.
316. Eijgenraam A., Vedder H.W. Autosampler for NIR routine analysis//
Proceedings of the Third International Conference on Near Infrared Spectrosco-
py. Agricultural Research Centre Publishing, Gembloux (Belgium). — 1991. —
Vol. 1. — P. 30—34.
317. Fales S.L. and Cummins D.G. Reducting moisture-induced error associ-
ated with measuring forage quality using near infrared reflectance spectrosco-
py/ / Agron. J. — 1982. — Vol. 74. — P. 585—588.
318. Fearn T. A misuse of ridge regression in the calibration of near infrared
reflectance instrument/ / Appl. Stat. — 1983. — Vol. 32, № 1. — P. 73—79.
319. Ferrari M, Cross K., Wilson D.A., Traystman R.J., Hanley D.F. Predic-
tion of canine cerebral venous hemoglobin saturation// Proceedings of Third
International Conference of Near Infrared Spectroscopy. Agricultural Research
Centre Publishing, Gembloux (Belgium). — 1991. — Vol. 2. — P. 398.
320. Flinn P.C. and Murray I. Evaluation of hay in Western Victoria using
NIR/ / Proc. International Symposium on Near Infrared Spectroscopy. — Mel-
bourne, Australia: Royal Australian Chemical Institute, 1985. — P. 180—182.
321. Flinn P.C. and Murray I. NIR analysis of pelleted feeds for australian
live sheep exports: Comparison of spectral scans from two monochromators//
In Analytical Applications of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.).
London: The Royal Society of Chemistry, 1988. — P. 106—108.
322. Foulk S.J. and Catalano V.J. Determination of octane number using
remote sensing NIR spectroscopy// American laboratory. — 1989. — № 11.
— P. 76—81.
323. Foulk S.J. and DeSimas B.E. NIR determination of key parameters for
diesel fuels/ / Proceedings of the Third International Conference on Near Infra-
red Spectroscopy. Agricultural Research Centre Publishing, Gembloux (Belgi-
um). — 1991. — Vol. I. — P. 319—328.
324. Fox L. Identification of pharmaceutical materials//Ibid. — P. 429—433.
325. Frank J.E., Kalivas J.H. and Kowalski B.R. Partial least squares soluti-
ons for multicomponent analysis,/ / Anal. Chem. —1983. — Vol. 55. — P. 1800.
599
326. Frank J. and Birth G. Application of near-infrared reflectance spectrosco-
py to cheese analysis// J. Dairy Sci. — 1982. —Vol. 65. — P. 1110—1116.
327. Frankhuizen R. NIR analysis of dairy products/ / Burns D.A., Ciurczak
E.W. (Eds.). Handbook of Near-Infrared Analysis. Practical Spectroscopy Series. —
Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong Kong, 1992. — P. 609—641.
328. Fuller M.P., Ritter G.L. and Drapper C.S. Partial least-squares quanti-
tative analysis of infrared spectroscopic data: Part 2. Application to detergent
analysis// Appl. Spectrosc. — 1988 — Vol. 42, № 2. — P. 228—236.
329. Furstoss V., Huygne C., Lila M. Calculation of genetic distances from
near infrared spectra in white lupin// Proceedings of the Third International
Conference on Near Infrared Spectroscopy. Agricultural Research Centre Publis-
hing, Gembloux (Belgium). — 1991. — Vol. I. — P. 106—114.
330. Fysh S.A., Dom A.J., Swinkels and Frederics P.M. Near-infrared diffuse
reflectance spectroscopy of coal// Appl. Spectrosc. — 1985. — Vol. 39, № 2.
— P. 354—357.
331. Gaffey S. Spectral reflectance of carbonate minerals in visible and near infra-
red (0.35—2.55 microns): calcite, aragonite and dolomite// American Mineralo-
gist. — 1986. — Vol. 71, № 1—2. — P. 151—162.
332. Gans P. and Gill J.B. Smoothing and differentiation of spectroscopic
curves using spline functions// Appl. Spectrosc. — 1984. — Vol. 38, № 3. —
P. 370—376.
333. Gardam C.M. Application of Neotec NIRA instruments in chocolate pro-
cessing/ / International Symposium on Near Infrared Spectroscopy. — Melbo-
urne, Australia: Royal Australian Chemical Institute, 1985. — P. 119—125.
334. Geladi P.L. and Kowalski B.R. Partial least-squares regression: a turto-
rial// Anal. chim. acta. — 1986. — Vol. 185. — P. I —17
335. Geladi P., MacDougall D. and Martens H. Linearization and scatter-
correction for near-infrared reflectance spectra of meat// Appl. Spectrosc. —
1985. — Vol. 39, № 3. — P. 491—500.
336. Gemperline P.J., Webber L.D., Cox F.O. Raw material testing using soft
independent modeling of class analogy analysis of near-infrared reflectance spec-
tra // Anal. Chem. — 1989. — Vol. 61, № 1. — P. 138—144.
337. Ghosh S., Dilanni D. and Ebersole T. Fundamental aspects of characte-
rizing textile materials using NIRS// In Analytical Applications of Spectrosco-
py. Creaser C.S. and Davies A.M.C. (Eds.). London: The Royal Society of Che-
mistry, 1988. — P. 133—146.
338. Ghosh S. and Hassick J.R. NIRS for the tixtile industry// Ibid. — P.
147—157.
339. Ghosh S., Rodgers J. NIR analysis of textile// Burns D.A., Ciurczak
E.W. (Eds.). Handbook of Near-Infrared Analysis. Practical Spectroscopy Series. —
Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong Kong, 1992. — P. 495—526.
340. Ghosh S., Roy R.B. and Cannon M.D. NIRS method of determining
durable press characteristics of fabric/ / Proceedings of the Third International
Conference on Near Infrared Spectroscopy. Agricultural Research Centre Publis-
hing, Gembloux (Belgium). — 1991. — Vol. I. — P. 329— 337.
341. Giangiacomo R. and Galliena C. The effect of temperature on near
infrared transflectance spectra of liquid milk/ / Ibid. — P. 477—483.
600
342. Giangiacomo R., Magee J.B., Birth G.S. and Dull G.G. Predicting con-
centrations of individual sugars in dry mixtures by near-infrared spectroscopy//
J. Food Sci. — 1981. — Vol. 42, № 5,— P. 832—844.
343. Giangiacomo R., Torreggiani D., Frank J.F., Loewenstein M. and
Birth G.S. Analysis of blue cheese using infrared reflectance spectroscopy// J.
Dairy Sci. — 1979. — Vol. 62. — P. 39—42.
344. Gilkinson LS. Applications of infrared to analysis of milk and milk pro-
ducts// J. Sci. Food and Agric. — 1983. — Vol. 34, № 9. — P. 1026—1027.
345. Gill A.A., Starr C. and Smith D.B. Lysine and nitrogen measurement by
infrared reflectance analysis as an aid to barley breeding// J. Agric. Sci. —
1979. — Vol. 93. — P. 727—733.
346. Gnanadesican R. Methods for Statistical Data Analysis of Multivariate
Observations. New York. John Wiley and Sons. 1977.
347. Goerung H.K. and Van Soest P.J. (Eds.). Forage Fiber Analysis (Appa-
ratus, Reagents, Procedures and Some Applications). Agriculture Handbook №
379. — USA, Washington: United States Department of Agriculture, 1970. — 20
P-
348. Goto T. Application of near infrared spectroscope for predicting the mois-
ture, total nitrogen and neutral detergent fiber of raw tea and tea// The Proce-
edings of the Second International Near Infrared Spectroscopy Conference. —
Tokyo, Japan: Korin Publishing Co., 1990. — P. 319—328.
349. Goulden J.D.S. Analysis of milk by infra-red absorption/ / J. Dairy Rese-
arch. — 1964. — Vol. 31. — P. 273—284.
350. Goulden J.D.S., Shields J., Haswell R. The infrared milk analyzer// J.
Soc. Dairy Technology. — 1964. — Vol. 17, № 1. — P. 28—33.
351. Griffin J., Kohn W. NIR spectroscopy as a key element in total quality
management in the pharmaceutical industry/ / Proceedings of the Third Inter-
national Conference on Near Infrared Spectroscopy. Agricultural Research Cent-
re Publishing, Gembloux (Belgium). — 1991. — Vol. 2. — P. 416—428.
352. Gonczy J., Szabo E. and Kulsar F. Quantification of food dyes with NIR
technique// In Analytical Applications of Spectroscopy. CreaserC.S. and Davi-
es A.M.C. (Eds.). London: The Royal Society of Chemistry, 1988. — P. 72—73.
353. Hall J.W., Samsoondar J., Brimmer P.J. and Pollaed A. User-friendly
fecal analysis using near-infrared spectroscopy// Proceedings of Third Internati-
onal Conference of Near Infrared Spectroscopy. Agricultural Research Centre
Publishing, Gembloux (Belgium). — 1991. — Vol. 2. — P. 397.
354. Hammersley M.J. NIR analysis of wool// Burns D.A., Ciurczak E.W.
(Eds.). Handbook of Near-Infrared Analysis. Practical Spectroscopy Series. —
Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong Kong, 1992. — P. 475—
494.
355. Hammersley M.J., Ranford S.L. and Patrick V.C. Wool testing in New
Zealand with the InfraAlyzer 400R/ / International Symposium on Near Infrared
Spectroscopy. — Melbourne, Australia: Royal Australian Chemical Institute, 1985.
— P.78—83.
356. Harrington P.B. and Isenhour T.L. Application of robust eigenvectors to
the compression of infrared spectral libraries// Anal. Chem. — 1988. — Vol. 60.
— P. 2687—2692.
601
357. Hart J.R., Norris K.H. and Golumbic C. Determination of moisture content
of seeds by near-infrared spectrophotometry of their methanol extracts// Cereal
Chem. — 1962. — Vol. 39, № 2. — P. 94—99.
358. Hawkins D.M. On the investigation of alternative regression by principal
component analysis// App. Satist. — 1973. — Vol. 22, № 3. — P. 275—286.
359. Hecht H.G. Diffuse reflectance of highly anisotropic nonconservative
media// Appl. Spectrosc. — 1976. — Vol. 30. — P. 610.
360. Heht K.T., Wood D.L. The near infra-red spectrum of the peptide group//
Proceedings of the Royal Society. — 1956. — Vol. 235. — P. 174—188.
361. Henry R. Near-infrared reflectance analysis of carbohydrates and its appli-
cation to determination of (1—3), (1—4)-beta-<f-glucan in barley/ / Carbohydr.
Res. — 1985. — Vol. 141. — P. 13.
362. Henry R.J. Calibration and use of a scanning near infrared reflectance
spectrofotometer for assessment of malting quality in barley / /International Sym-
posium on Near Infrared Spectroscopy. — Melbourne, Australia: Royal Australi-
an Chemical Institute, 1985. — P. 93—94.
363. Hermansson O. Analysis of raw meat using near infrared transmittance/ /
Proceedings of the Third International Conference on Near Infrared Spectrosco-
py. Agricultural Research Centre Publishing, Gembloux (Belgium). — 1991. —
Vol. 1. — P. 190—193.
364. Hermiller J.G. Applications of NIR in rubber industry/ / Proceedings of
Third International Conference of Near Infrared Spectroscopy. Agricultural Rese-
arch Centre Publishing, Gembloux (Belgium). — 1991. — Vol. 1. — P. 374—
385.
365. Hill N.S., Petersen J.A., Stuedemann N.D. and Barton F.E. Prediction
of percentage leaf in stratified canopies of alfalfa with near infrared reflectance
spectroscopy/ / Crop Sci. — 1988. — Vol. 28. — P. 354—388.
366. Hilliard J.H., Daynard T.B. Measurement of protein and oil in grains and
soybeans with reflected near infra-red light/ / Canadian Institute of Food Scien-
ce and Technology Journal. — 1976. — Vol. 9. — P. 11—14.
367. Hirschfeld T. Salinity determination using NIRA// Appl. Spectrosc. —
1985. — Vol. 39. — P. 354.
368. Hirschfeld T. Sample area optimization in diffuse reflectance near-infra-
red spectrophotometer// Appl. Spectrosc. — 1985. — Vol. 39, № 6. — P.
1085—1086.
369. Hirschfeld T., Honigs D. and Hieftje G. Optimization of sample absor-
bance for quantitative analysis in presence of pathlength error in the IR and NIR
regions// Appl. Spectrosc. — 1985. — Vol. 39, № 3. — P. 430—4337.
370. Hlistun V.G. and Mischenkov A.A. The instrumental technique for the
determination of protein in weat blades/ / Proceedings of the Third International
Conference on Near Infrared Spectroscopy. Agricultural Research Centre Publis-
hing, Gembloux (Belgium). — 1991. — Vol. I. — P. 73.
371. Holechek J.L., Shenk J.S., Vavra M. and Arthun D. Prediction of forage
quality using near infrared reflectance spectroscopy on esophageal fistula samp-
les from cattle on mountain range// J. Anim. Sci. — 1982. — Vol. 55. — P.
971—975.
602
372. Honigs D.E., Freelin 1.М., Hieftje G.M. and Hirschfeld T.B. Near-
infrared reflectance analysis by Gauss-Jordan linear algebra// Appl. Spectrosc.
— 1983. — Vol. 37, № 6. — P. 491—497.
373. Honigs D.E., Hieftje G.M. and Hirschfeld T. A new method for obtai-
ning individual component spectra from those of complex mixtures// Appl.
Spectrosc. — 1984. — Vol. 38, № 3. — P. 317—322.
374. Honigs D.E., Hieftje G.M. and Hirschfeld T. Number of samples and
wavelengths required for the training set in near-infrared reflectance spectrosco-
py/ / Appl. Spectrosc. — 1984. — Vol. 38. — P. 844-847.
375. Honigs D.E., Hietfje G.N., Mark H.L. and Hirschfeld T.B. Unique
sample selection via near-infrared spectral substraction/ / Anal. Chem. — 1985.
— Vol. 57, № 12. — P. 2299—2303.
376. Honigs D.E., Hirschfeld T.B. and Hieftje G.M. Near-infrared spectro-
metric methods development with limited number of samples: Applied to carbo-
nate in geological samples// Appl. Spectrosc. — 1985. — Vol. 39, № 6. — P.
1062—1065.
377. Honigs D.E. and Norris K.H. A theoretical comparison of fundamental
1st, 2nd, 3rd and 4th overtone region/ / Proceedings of Third International Con-
ference of Near Infrared Spectroscopy. Agricultural Research Centre Publishing,
Gembloux (Belgium). — 1991. — Vol. 1. — P. 101 —105.
378. Horwitz W. (Ed.). Official Methods of analysis of the Association of Offi-
cial Analytical Chemists. 13th edition. — Washington: DC, 1980. — P. 248—249.
379. Hosaka Y. The new application of NIR for taste evaluation// The Procee-
dings of the Second International Near Infrared Spectroscopy Conference. — Tokyo,
Japan: Korin Publishing Co., 1990. — P. 174—177.
380. Hoy R.M. and McClure. Fourier transform near -infrared spectrometry:
Using interferograms to determine chemical composition/ / Appl. Spectrosc. —
1989. — Vol. 43, № 6. — P. 1102—1104.
381. Hruschka W.R. Data analysis: wavelength selection methods// Willi-
ams P. and Norris K. (eds.). Near-Infrared Technology in the Agriculture and
Food Industry. — American Association of Cereal Chemists, Inc. St. Paul, Min-
nesota, USA, 1987. — P. 35—55.
382. Hruschka W.R. Spectral reconstruction// Burns D.A., Ciurczak E.W.
(Eds.). Handbook of Near-Infrared Analysis. Practical Spectroscopy Series. —
Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong Kong, 1992. — P. 365—
382.
383. Hruschka W.R. and Norris K.H. Least-squares curve fitting of near infrared
spectra predicts protein and moisture content of ground wheat/ / Appl. Spectrosc.
— 1982. — Vol. 36, № 3. — P. 261—265.
384. Hunt W.H., Fulk D.W., Nolan T. and Abbot D. Evaluation of InfraAlyzer
as potential grain tool for USDA. I. Collaborative study on hard red winter whe-
at// Advances in automated analysis. Technicon International Congress 1976.
Vol 2. Industrial Symposia. — Tarrytown, N.Y., USA: Mediad Inc., 1977. — P.
114—117.
385. Hunt W.H., Fulk D.W., Elder B. and Norris K.H. Collaborative study on
infrared reflectance devices for determination of protein in hard red winter wheat
603
for protein and oil in soybeans/ / Cereal Foods World. — 1977. — Vol. 22. — P.
534—536.
386. Hunt W.H., Fulk D.W. and Thomas T. Effect of grinder on protein values
of Hard Red Winter Wheat when analyzed by infrared reflectance devices. —
Cereal Foods World. — 1978. — Vol. 23. — P. 143—144.
387. Hunt G.R., Salisbury J.W. Visible and near-infrared spectra of minerals and
rocks. II. Carbonates// Modern Geology. — 1971. — Vol. 2. — P. 195—205.
388. Hutchinson R. Why isn’t spectroscopy used more?// In Analytical Appli-
cations of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.). — London: The
Royal Society of Chemistry, 1988. — P. 476—480.
389. Hymowitz T., Dudley J.W. ,Collins F.I. and Brown C.M. Estimation of
protein and oil concentration in corn, soybeans and oat seed by near-infrared light
reflectance// Crop Sci. — 1974. — Vol. 14, Ns 5. — P. 713—715.
390. Hyvarinen T., Hannula T., Herrala E., Keranen. H., Malinen J. and
Niemela P. New NIR instrumentation for portable and process application//
Proceedings of Third International Conference of Near Infrared Spectroscopy.
Agricultural Research Centre Publishing, Gembloux (Belgium). — 1991. —
Vol. 1. — P. 79.
391. Hyvarinen T., Lammasniemi J. and Huttonen P. Portable NIR analy-
zer/ / In Analytical Applications of Spectroscopy. Creaser C.S. and Davies A.M.C.
(Eds.). London: The Royal Society of Chemistry, 1988. — P. 35—36.
392. International Association for Cereal Science and Technology (ICC). Reco-
mendation Ns 202.
393. Hda A., Takada M. and Kubodera T. NIRA study using a conventional
specrtophotometer with multiple regression analysis// Proceedings of the Se-
cond International Near Infrared Spectroscopy Conference. — Tokyo, Japan: Ko-
rin Publishing Co., 1990. — P. 267—270.
394. lizuca K. and Hashimoto H. Patern recognition of NIR spectra: varieties
and roasting levels of coffee beans// Ibid. — P. 249—258.
395. Ikegaya .K., Iwamoto M., Uozumi J. and Cho R.K. Determination of
chemical composition of Japanese green tea by near infrared spectroscopy//
Ibid. — P. 353—363.
396. Ikegaya K., Kawano S. and Cho R.K. Determination of theaflavins in
black tea by near infrared spectroscopy// Ibid. — P. 358—359.
397. Ikegaya K. and Susuki K. Quality control of Japanese green tea by NIR
method// Proceedings of the Third International Conference on Near Infrared
Spectroscopy. Agricultural Research Centre Publishing, Gembloux (Belgium).
— 1991. — Vol. 1. — P. 273—278.
398. International Association for Cereal Science and Technology. Recommen-
dation № 202. Procedure for infrared (NIR) reflectance analysis of wheat and its
milled products.
399. Isaac R.A. and Johnson W.C. Determination of protein nitrogen in plant
tissue using near infrared spectroscopy/ / J. Assoc. Off. Anal. Chem. — 1983.
— Vol. 66, № 3. — P. 506—509.
400. Isaksson T. and Hildrum K. Near infrared transmittance (NIT) analysis
of meat products//Proceedings of the Third International Conference on Near
604
Infrared Spectroscopy. Agricultural Research Centre Publishing, Gembloux (Bel-
gium). — 1991. — Vol. 1. — P. 202—206.
401. Isaksson T. and Naes T. The effect of multiplicative scatter correction
(MSC) and lineary improvement in NIR spectroscopy// Appl. Spectrosc. —
1988. — Vol. 42. — P. 1273—1284.
402. Isaksson T. and Naes T. Selection of samples for calibration in near-
infrared spectroscopy. Part II: Selection based on spectral measurements// Appl.
Spectrosc. — 1990. — Vol. 44, № 7. — P. 1152—1158.
403. Iwamoto M. Near-infrared research in Asia/ / Williams P. and Norris K.
(Eds.). Near-Infrared Technology in the Agriculture and Food Industry. — St.
Paul, Minnesota, USA: Americfn Association of Cereal Chemists, Inc., 1987. —
P. 223—226.
404. Iwamoto M. Application of near infrared spectroscopy for quality control
in food and feed industries// Proceedings of Third International Conference of
Near Infrared Spectroscopy. Agricultural Research Centre Publishing, Gembloux
(Belgium). — 1991. — Vol. 1. — P. 175—184.
405. Jensen S.A. Analytical application of NIR no determine moisture and
protein in barley/ / Autoanalyst. — 1982. — P. 2—4.
406. Jobsis F.F. Noninvasive infrared monitoring of cerebral and myocardial
oxygen sufficiency and circulatory parameters// Science. — 1977. — Vol. 198.
— P. 1264.
407. Kaffka J. Results achieved in applying NIR spectroscopy in different
fields of agriculture and food industry in Hungary// In Analytical Applications
of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.). — London: The Royal
Society of Chemistry, 1988. — P. 52—67.
408. Kaffka K.J. and Gyarmati L.S. NIR expert system for sample identifica-
tion/ / The Proceedings of the Second International Near Infrared Spectroscopy
Conference. — Tokyo, Japan: Korin Publishing Co., 1990. — P. 222—231.
409. Kaffka K.J. and Gyarmati S. Qualitative (comparative) analysis by Near
infrared spectroscopy// Proceedings of the Third International Conference on
Near Infrared Spectroscopy. Agricultural Research Centre Publishing, Gembloux
(Belgium). — 1991. — Vol. 1. — P. 135—144.
410. Kaffka K.J. and Kulcsar F. Attempts to determine egg contents in pas-
try products using the NIR technique// Acta Alimentaria. — 1982. — Vol. 11,
№ 1. — P. 47—64.
411. Kaffka K.J., Norris K.H. Rapid instrumental analysis of composition of
Wine// Acta Alimentaria. — 1976. — Vol. 5, № 3. — P. 267—279.
412. Kaffka K., Norris K., Kulcsar F. and Draskovitz I. Attempts to determi-
ne fat, protein and carbohydrate content in cocoa powder by NIR technique//
Acta Alimentaria. — 1982. — Vol. 11. — P. 271—288.
413. Kaffka K., Norris K.H., Peredi J., Ballogh A. Attempts to determine oil,
protein, water and fiber content in sunflower seeds by the NIR technique/ / Hunga-
rian Sci. Instr. — 1985. — Vol. 58. — P. 11—18.
414. Kaffka K.J., Norris K.H. and Rosza-Kiss M. Determination fat, protein
and water content of pastry products by the NIR technique// Acta Alimentaria.
_ 1982. — Vol. 11, № 2 — P 199—217
605
415. Kariman К., Jobsis F.F. and Saltzman H.A. Cytochrome a, a3 reoxydati-
on. Early indicator of metabolic recovery from hemorrhagic shock in rats// J.
Clin. Invest. — 1983. — Vol. 72. — P. 180.
416. Karuri E.G. and Brennan J.G. Energy use and drying time estimation in
thermal radiant drying of foods// Proceedings of the Third International Confe-
rence on Near Infrared Spectroscopy. Agricultural Research Centre Publishing,
Gembloux (Belgium). — 1991. — Vol. I. — P. 297—304.
417. Kauppinen J.K., Moffatt D.G. Fourier self-deconvolution: A method for
resolving intrinsically overlapped bands/ / Appl. Spectrosc. — 1991. — Vol. 35,
№ 3. — P. 271—276.
418. Kawano S., Takehara K., Sato T. and Iwamoto M. Determination of
sucrose content in sugarcane juice by NIR spectroscopy/ / Proceedings of Third
International Conference of Near Infrared Spectroscopy. Agricultural Research
Centre Publishing, Gembloux (Belgium). — 1991. — Vol. 2. — P. 510—-516.
419. Kaye W. Near-infrared spectroscopy. I. Spectral identification and analyti-
cal applications// Spectrochim. Acta. — 1954. — Vol. 6. — P. 257—287.
420. Kellner H. On-line process control with BRAN+Luebe Infra-Alyzer sys-
tems with examples from the beer and flour industry/ /Proceedings of the Third
International Conference on Near Infrared Spectroscopy. Agricultural Research
Centre Publishing, Gembloux (Belgium). — 1991. — Vol. 1. — P. 21—28.
421. Kelly J.J. Nondestructive analytical procedure for simultaneous esti-
mation of major classes of hydrocarbon constituents of finished gasoline//
Anal. Chem. — 1990. — Vol. 62, № 14. — P. 1444—1451.
422. Kelly J.J., Barlow C.H., Jiunglji T.M., and Callis J.B. Prediction gasoli-
ne octane numbers from near-infrared spectral feature in range 660-1215 nm//
Anal. Chem. — 1989. — Vol. 61, № 4. — P. 313—320.
423. Kemeny G.J. Process analysis// Burns D.A., Ciurczak E.W. (Eds.). Han-
dbook of Near-Infrared Analysis. Practical Spectroscopy Series. — Vol. 13. Mar-
cel Dekker, Inc. New York, Basel, Hong Kong, 1992. — P. 53—105.
424. Khudjakova Kh. and Chulkov V.A. Effect of some factors analysing
forages with near infrared reflectance spectroscopy/ / Proceedings of the Third
International Conference on Near Infrared Spectroscopy. Agricultural Research
Centre Publishing, Gembloux (Belgium). — 1991. — Vol. 2. — P. 490— 491.
425. Kim H.-O. and Williams P.C. Determination of starch and energy in feed
grains by near-infrared reflectance spectroscopy// J. Agric. Food Chem. —
1978. — Vol. 38, № 6. — P.682.
426. Kington L.R., Jones T.M. Application for NIR analysis of beverages//
Burns D.A., Ciurczak E.W. (Eds.). Handbook of Near-Infrared Analysis. Practical
Spectroscopy Series. — Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong
Kong, 1992.— P. 671.
427. Kobayashi K, lizuka K., Okada T. and Hashimoto H. Determination of
chemical components of soy sauce by near infrared spectroscopy/ / The Proce-
edings of the Second International Near Infrared Spectroscopy Conference. —
Tokyo, Japan: Korin Publishing Co., 1990. — P. 178—189.
428. Kradjel C., McDermott L. NIR analysis of polymers/ / Burns D.A., Ciur-
czak E W (Eds ) Handbook of Near-Infrared Analysis. Practical Spectroscopy
606
Series. — Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong Kong, 1992. —
P. 565—608.
429. Kremer A., Pankratova K., Beresh I. and Zaporozhets A. Application of
NIR method for determination of wheat quality in the Soviet Union//Procee-
dings of the Third International Conference on Near Infrared Spectroscopy. Agri-
cultural Research Centre Publishing, Gembloux (Belgium). — 1991. — Vol. 1.
— P. 75—78.
430. Krischenko V.P. Research in the use of NIR techniques in the USSR with
special reference to the determination of wheat gluten composition/ / 11 Con-
gress ICC. International Association for Cereal Sience and Technology. — Viena:
— 1984. — P. 110—118.
431. Krischenko V.P. Infrared spectroscopy use for the control of composition
of agricultural objects// International Near Infrared Diffuse Reflectance Tran-
smittance Spectroscopy Conference. — Budapest, Hungary, 1986. — P. 82—88.
432. Krischenko V.P. Near infrared spectroscopy used for controlling the com-
position of agricultural samples// International Near Infrared Diffuse Reflectan-
ce Transmittance Spectroscopy Conference. — Budapest, Hungary, 1986. — P.
189—195.
433. Krischenko V.P.. Use of near-infrared reflectance spectrophotometry in
investigations in USSR/ / In Near-Infrared Technology in Agricultural and Food
Industries. Williams P. and Norris K. (Eds.). — Minesota, USA: — 1987. — P.
213—222.
434. Krischenko V.P. Development of united analytical systems for rapid qua-
lity control of agricultural and food products// Proceedings of the Third Interna-
tional Conference on Near Infrared Spectroscopy. Agricultural Research Centre
Publishing, Gembloux (Belgium). — 1991. — Vol. 2. — P. 663—667.
435. Krischenko V.P., Efremtsev N.G., Fomina L.G., Lakalina O.I. Determi-
nation of the degree of infection of grain seeds by fusarium with NIR method/ /
Ibid. — P. 623—624.
436. Krischenko V.P., Efremtsev V.G., Khomiych N.P. Application of pattern
recognition methods to NIR-spectra of different soils// Ibid. — P. 619—622.
437. Krischenko V.P., Fomina L.G. Development of the calibration samples
bank/ / Ibid. — P. 689—690.
438. Krishnan P., Alexander J., Butler B. and Hummel J. Reflectance techniqu-
es for predicting soil organic matter/ / Soil Sci. Soc. Am. J. —1980. — Vol.44. —
P. 1982.
439. Kruggel W.G., Field R., Riley M., Randoff H. and Horton K. Near-
infrared reflectance determination of fat, protein and moisture in fresh meat/ / J.
Assoc. Off. Anal. Chem. — 1983. — Vol. 64, № 3. — P. 692—696.
440. Kubelka P. New contributions to the optics of intensely lightscattering
materials. Part I// J. of the Optical Society of America. — 1948. — Vol. 38, №
5. — P. 448—457.
441. Kubelka P., Munk F. Ein Beitrag zur Optik der Farbanstriche// Zeit-
schrift fur technische Physic. — 1931. — B. 12. — S. 596—604.
442. Lanza E. Determination of moisture, protein, fat and calories in raw pork
and beef by near infrared spectroscopy/ / J. Food Sci. — 1983. — Vol. 48. — P.
471—474.
607
443. Lanza E and Li B. Application for near infrared spectroscopy for predic-
ting the sugar content of fruit juices/ / J. Food Sci. — 1984. — Vol. 49. — P.
995—998.
444. Law D.P. Selection for malting quality in barley breeding using infrared
reflectance / / International Symposium on Near Infrared Spectroscopy. — Mel-
bourne, Australia: Royal Australian Chemical Institute, 1985. — P. 84—92.
445. Law D.P., Tkachuk R. Determination of moisture content in wheat by
near-infrared diffuse reflectance spectrophotometry/ / Cereal Chem. — 1977. —
Vol. 54, № 4. — P. 874—881.
446. Law D.P. and Tkachuk R. Near infrared diffuse reflectance spectra of
wheat and wheat components// Cereal Chem. — 1977. —Vol. 54, № 2.— P.
256—265.
447. Lervolino L., Kradiel C. Automated testing optimizes process control in
biotechnology// Biotech. Form. Europe. — 1991. — Vol. 8, № 10. — P. 598—
601.
448. Leterme P., Dardenne P., Thewis A. and Biston R. Protein and crude
fibre determination on Triticale. NIR and NIT comparison/ / Proceedings of
Third International Conference of Near Infrared Spectroscopy. Agricultural Rese-
arch Centre Publishing, Gembloux (Belgium). — 1991. — Vol. 2. — P. 558—
560.
449. Lila M., Furstoss V. N.I.R. use in plant breeding for low antiquality
component// Ibid. — P. 484—489.
450. Lindberg W., Peterson J. and Wold S. Partial least squares method for
spectrofluorimetric analysis of mixtures of humic acid and ligninsulfonate//
Anal. Chem. — 1983. — Vol. 55. — P. 643.
451. Lindgren E. The use infrared reflectance spectroscopy for prediction ener-
gy value of grass// Swed. J. Agric. Res. — 1983. — Vol. 13. — P. 229—233.
452. Long T. Application of near-infrared reflectance spectroscopy to tobacco
analysis/ / Anal. Proc. — 1983. — Vol. 20. — P. 69.
453. Malinowski E.R., Howery D.G / / In Factor Analysis in Chemistry, 2nd
ed. — New York: John Willey & Sons. — 1991.
454. Mamiya M. Teory and practice of reflectance spectroscopy/ / The Procee-
dings of the Second International Near Infrared Spectroscopy Conference. — Tokyo,
Japan: Korin Publishing Co., 1990. — P. 29—37.
455. Manne R. Analysis of two partial-least-squares algorithms for multivariate
calibration// Chemometrics and Intelligent laboratory Systems. — 1987. —
Vol. 2. — P. 187—197.
456. Marchand P., Marmet L. Binomial smoothing filter: A way to avoid some
pitfalls of least-squares polynomial smoothing/ / Rev. Sci. Instrum. — 1983. —
Vol. 54. — P. 1034.
457. Mark H. Use Mahalanobis distances to evaluate sample preparation met-
hods for near-infrared analysis// Anal. Chem. — 1987. — Vol. 59, Ns 5. — P.
790—795.
458. Mark H. Catalog of the effects of nonlinearity on multivariate calibrati-
ons/ / Appl. Spectrosc. — 1988, Ns 5. — P. 832—844.
459. Mark H. Data analysis: Multilinear regression and principal compo-
nent analysis// Burns D.A., Ciurczak E.W. (Eds.). Handbook of Near-Infra-
608
red Analysis. Practical Spectroscopy Series. — Vol. 13. Marcel Dekker, Inc.
New York, Basel, Hong Kong, 1992. — P. 107—158.
460. Mark H. Qualitative discriminant analysis// Burns D.A., Ciurczak E.W.
(Eds.). — Handbook of Near-Infrared Analysis. Practical Spectroscopy Series. —
Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong Kong, 1992. — P. 329—363.
461. Mark H., Kemeny G. Advances in near infrared analyzer technology//
Chemical Processing. — 1991. — Vol. 21, Ns 2. — P. 54—58.
462. Mark H.L. Tunnell D. Quantitative near-infrared reflectance analysis
using Mahalanobis distances// Anal. Chem. — 1985. — Vol. 57. — P. 1449—
1456.
463. Marler J.W. Calibrating a spectrocomputer/ / International Symposium
on Near Infrared Spectroscopy. — Melbourne, Australia: Royal Australian Che-
mical Institute, 1985. — P. 31—41.
464. Marler J.W. The application of NIR to measurements on washed wool/ /
Ibid. — P. 65—77.
465. Marten G.C. NIRS technology transfer. Current applications of NIRS
technology in forage research// Marten G.C., Shenk J.S., Barton F.E. (Eds.).
Near Infrared Reflectance Spectroscopy (NIRS): Analysis of Forage Quality.
Agriculture Handbook. № 643. — USA, Washington: United States Depar-
tment of Agriculture, 1989. — P. 45—48.
466. Marten G.C., Brink G.E., Buxon D.R. and others// Near infrared ref-
lectance spectroscopy analysis of forage quality in four legume species// Crop
Sci. — 1984. — Vol. 24, № 6. — P. 1 179—1182.
467. Marten G.C., Brink G.E., Halgerson J.L. and Buxton D.R. Near
infrared reflectance spectroscopy prediction of forage quality and total non-
structural carbohydrates// Agron. Abstr. — 1983. — P. 135.
468. Marten G.C., Halgerson J.L. and Cherney J.H. Quality prediction of
small grain forages by near infrared reflectance spectroscopy// Crop Sci. —
1983. — Vol. 23. — P. 94—96.
469. Marten G.C., Shenk J.S., Barton F.E. (Eds.). Near Infrared Reflectance
Spectroscopy (NIRS): Analysis of Forage Quality. Agriculture Handbook. №
643. — USA, Washington: United States Department of Agriculture, 1989. —
HOp.
470. Martens H., Naes T. Multivariate calibration by data compression//
Williams P. and Norris K. (Eds.). Near-Infrared Technology in the Agriculture
and Food Industry. Americfn Association of Cereal Chemists, Inc. St. Paul, Min-
nesota, USA, 1987. — P. 57—87.
471. Martens M. and Martens H. Near-infrared reflectance determination
of sensory quality of peas// Appl. Spectrosc. — 1986. — Vol. 40, № 3. — P.
303.
472. Martin N.P. and Linn J.G. Extension application in NIRS technology
transfer/ / Marten G.C., Shenk J.S., Barton F.E. (Eds.). Near Infrared Reflectan-
ce Spectroscopy (NIRS): Analysis of Forage Quality. Agriculture Handbook. №
643. — USA, Washington: United States Department of Agriculture. — 1989. —
P. 48—53.
473. Matsunaga T., Ozaki Y., Tokoro T., Jshioka N. and Miura T. An appro-
pph i r\ iHc* nnn.invocivo «эп/4 л v n mi r> n 4 » n 1,’vn urinrr тчлпг
------ ......~ . 4. vau^ui.uuv.. u. **»<- A.K.U.1
609
infrared reflectance spectroscopy — direct measurements of NIRS of human
hands// Proceedings of the Second International Near Infrared Spectroscopy
Conference. — Tokyo, Japan: Korin Publishing Co., 1990. — P. 278—287.
474. Mauro D.J. and Owen R.L. Rapid quantitation of ether and ester substi-
tuent groups in starch derivatives by NIR/ / Cereal Foods World. — 1982. —
Vol. 27. — P. 469.
475. McClearly B.V. and Shameer I. Assay of malt B-glucanase using Azo
Barley Glucan: an improved precipitant// J. Inst. Brew. — 1987. — Vol. 93. —
P. 87—90.
476. McClure W.F. Fourier analysis of near infrared spectra// International
Symposium on Near Infrared Spectroscopy. — Melbourne, Australia: Royal Aus-
tralian Chemical Institute, 1985. — P. 43—61.
477. McClure W.F. Status of near infrared technology in the tobacco indust-
ry// Ibid. — P. 127—133.
478. McClure W.F. Near-infrared instrumentation// Williams P. and Norris
K. (Eds.). Near-Infrared Technology in the Agriculture and Food Industry. — St.
Paul, Minnesota, USA: American Association of Cereal Chemists, Inc., 1987. —
P. 89—105.
479. McClure W.F. Fast Furier transforms in the analysis of near-infrared
spectra/ / In Analytical Applications of Spectroscopy. Creaser C.S. and Davi-
es A.M.C. (Eds.). London: The Royal Society of Chemistry, 1988. — P. 414—
436.
480. McClure W. Analysis using Fourier transforms/ / Burns D.A., Ciurczak
E.W. (Eds.). Handbook of Near-Infrared Analysis. Practical Spectroscopy Series.
— Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong Kong, 1992. — P.
181—224.
481. McClure W.F., Hamid A., Giesbrecht F.G. and Weeks W.W. Fourier
analysis enchances NIR diffuse reflectance spectroscopy// Appl. Spectrosc. —
1984. — Vol. 38, № 3. — P. 322—328.
482. McClure W.F., Hoy R.M. Near-infrared instrumentation: Status, trends
and futuristic concepts// The Proceedings of the Second International Near
Infrared Spectroscopy Conference. — Tokyo, Japan: Korin Publishing Co., 1990.
— P. 65—79.
483. McClure W.F., Norris K.H. and Weeks W.W. Rapid spectrophotometric
analysis of the chemical composition of tobacco. Part I. Total reducing sugars//
Beitr. Tabakforsch. int. — 1977. — B. 9. •— H. 1. — S. 13—18.
484. McClure W.F. and Williamson R.E. Near infrared analysis of tobacco/ / In
Analytical Applications of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.). —
London: The Royal Society of Chemistry, 1988. — P. 109—132.
485. McGill W. Use of NIR for the prediction of malting quality of barley//
Proceedings of Third International Conference of Near Infrared Spectroscopy.
Agricultural Research Centre Publishing, Gembloux (Belgium). — 1991. —
Vol. 2. — P. 587—595.
486. McGuire C.F. Near-infrared reflectance estimates of malt extract// Ce-
real Chem. — 1982. — Vol. 59, № 6. — P. 510—511.
487. McGuire C.F. Quality evaluation of distiller’s grain by near-infrared ana-
1. / I -I ______ 1ЛОС W.l W Л T'l irr tfA
IjOiO/ / L-CiCai --- 1500, v Vi. OO, X. —• ---1U3.
610
488. McNicol J.W., Cowe I.A. and Cuthbertson D.C. «PROSPECTOR», principal
component analysis of NIR spectra using a microcomputer/ / In Analytical
Applications of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.). London:
The Royal Society of Chemistry, 1988. — P. 468—469.
489. Meurens M. L’analyse instantanee des melanges organigues par spectro-
metrie NIR/ / Chemie. — 1988. — Vol. 9(6).— P. 17—21.
490. Meurens M. and Alfaro G. DESIR instrumentation for NIR analysis//
Proceedings of Third International Conference of Near Infrared Spectroscopy.
Agricultural Research Centre Publishing, Gembloux (Belgium). — 1991. —
Vol. 1. — P. 39—43.
491. Meurens M., Paulus F. and Dutllleul P. Determination of amino acids
by NIR reflectance spectroscopy of dry extract on solid support/ / In Analytical
Applications of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.). — Lon-
don: The Royal Society of Chemistry, 1988. — P. 164—166.
492. Meyer I.h. Rapid simultaneous rating of soil texture, organic matter, total
nitrogen and nitrogen mineralization potential by near infrared reflectance//
South African Journal Plant and Soil. — 1989. — Vol.6, № 1. P. — 59—63.
493. Meyhack U. New Systems in the Bran+Lubbe InfraAlyzer prodact line/ /
Proceedings of the Second International Near Infrared Spectroscopy Conference.
— Tokyo, Japan: Korin Publishing Co., 1990. — P. 276—277.
494. Michalski K. and Krzymanskl J. Improvement of NIRS method for glu-
cosinolate estimation in Brassica napus (rapeseed) seeds// Proceedings of Third
International Conference of Near Infrared Spectroscopy. Agricultural Research
Centre Publishing, Gembloux (Belgium). — 1991. — Vol. 2. — P. 582—586.
495. Miller B.S., Pomeranz Y. and Afework S. Hardness (texture) of Hard
Red Winter Wheat grown in soft wheat area and Soft Red Winter Wheat grown in
hard wheat area// Cereal Chem. — 1984. — Vol. 61, № 2. — P. 201—203.
496. Miller B.S., Pomeranz Y., Thompson W.O., Nolan T.W., Hughes J.W.,
Davis G., Jackson N.G. and Fulk D.W. Interlaboratory and intralaboratory rep-
roducibility of protein determination in hard red winter wheat by Kjeldahl and
near infrared procedures// Cereal Foods World. — 1978. — Vol. 23, № 4. — P.
198—201.
497. Mills B.L., Van de Voort F. Evaluation of CH stretch measurement for
estimation of fat in aqueous fat emulsions using infrared spectroscopy// J.
Assoc. Off. Anal. Chem. — 1982. — Vol. 65, № 6. — P. 1357—1361.
498. Minson D.J., Butler K.L., Grumitt N. and Law D.P. Bias when predic-
ting crude protein, dry matter digestibility and voluntary intake of tropical gras-
ses by near-infrared reflectance // Anim. Feed Sci. and Tech. — 1983. — Vol.
9. — P. 221—237.
499. Minson D.J., Tuckett P.G. and Law D.P. Improving the prediction of
forage protein, digestibility and intake from NIR/ / International Symposium
on Near Infrared Spectroscopy. — Melbourne, Australia: Royal Australian
Chemical Institute, 1985. — P. 138—148.
500. Mitsumoto M., Maeda S., Mitsuhashi T. and Ozawa S. Near-infrared spec-
troscopy determination of physical and chemical characteristics in beef cuts/ / J. Food
C _• 1 nn I Л Г-1 ГС К ft. а Г» 1 /1ЛО 1 AM
Out. — — vut. uu, л: и. — г. nJu—tiJG.
611
501. Monfre S.L. An algorithm for prequalification of sample prior to quantita-
tive analysis by near-infrared spectroscopy// Proceedings of the Third Internati-
onal Conference on Near Infrared Spectroscopy. Agricultural Research Centre
Publishing, Gembloux (Belgium). — 1991. — Vol. 1. — P. 115—121.
502. Montalvo J.G.Jr. к comparative study of NIR diffuse reflectance of
cottons groupped according to fiber cross-sectional dimensions. Part I. Fun-
damentals/ / Appl. Spectrosc. — 1991. — Vol. 45, № 5. — P. 779—789.
503. Montalvo J.G.Jr. A comparative study of NIR diffuse reflectance of cot-
tons groupped according to fiber cross-sectional dimentions. Part II. Optical path
simulations/ / Ibid. — P. 790—794.
504. Montalvo J.G.Jr. A comparative study of NIR diffuse reflectance of cot-
tons groupped according to fiber cross-sectional dimentions. Part III. Fundamen-
tals// Ibid. — P. 795—807.
505. Morgan A.G. and Gothard P.G. A rapid test for identifying potential
malting quality in the early generations of a barley breeding program/ / J. Sci.
Food Agric. — 1981. — Vol. 32. — P.333—338.
506. Morlands B.R.J. Determination of active ingradients contained in pestici-
de formulations by infrared spectroscopy/ / Proceedings of the Third Internatio-
nal Conference on Near Infrared Spectroscopy. Agricultural Research Centre
Publishing, Gembloux (Belgium). —1991. — Vol. 2. — P. 400—409.
507. Mueller-Harvey I., Dhonoa M.S. and Barons R.J. NIRS of sorgum crop
residues/ / Ibid. — P. 596—600.
508. Murray I. Aspects of the interpretation of NIR spectra// In Analytical
Applications of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.). — Lon-
don: The Royal Society of Chemistry, 1988. — P. 9-20.
509. Murray I. Description of NIR spectra in terms of X — H chromopho-
res// Ibid. — P. 39—45.
510. Murray I. Application of NIRS in agriculture// The Proceedings of the
Second International Near Infrared Spectroscopy Conference. — Tokyo, Japan:
Korin Publishing Co., 1990. — P. 11—20.
511. Murray I. and Garrido A. NIR spectral characteristics of ammonia
treated and untreated cereal straws// Proceedings of Third International
Conference of Near Infrared Spectroscopy. Agricultural Research Centre Pub-
lishing, Gembloux (Belgium). — 1991. — Vol. 2. — P. 610—615.
512. Murray I. and Hall P.A. Animal feed evaluation by use of near-infrared
reflectance (NIR) spectrocomputer// Anal. Proc. — 1983. — Vol. 20. — P.
75—79.
513. Murray I., Jakhmola R.C. and Paterson R. Grass and grass silage
analysis by NIR spectroscopy// Proceedings of Third International Conferen-
ce of Near Infrared Spectroscopy. Agricultural Research Centre Publishing,
Gembloux (Belgium). — 1991. — Vol. 2. — P. 541—545.
514. Murray I., Williams P.C. Chemical principles of near-infrared tec-
hnology/ / Williams P. and Norris K. Near-Infrared Technology in the
Agriculture and Food Industry. — St. Paul, Minnesota, USA: American Asso-
ciation of Cereal Chemists, Inc., 1987. — P. 17—34.
515. Myrabo H.. Lillester O. and Hoimir T. Portable field Spectrometer for reflec-
tance measurements 340 — 2500 nm// Appl. Opt. — 1982. — Vol. 21. — P. 2855.
612
516. Naes T. and Isaksson T. Selection samples for calibration in near-infrared
spertroscopy. Part I: General principal illustrated by example// Appl. Spectrsc.
— 1989. — Vol. 43, № 2. — P. 328—335.
517. Naes T. and Isaksson T. Nonlinear calibration by locally weighted reg-
ression — (LWR)/ / Proceedings of the Third International Conference on Near
Infrared Spectroscopy. Agricultural Research Centre Publishing, Gembloux (Bel-
gium). — 1991. — Vol. 1. — P. 145—146.
518. Naes T. and Kowalski B. Locally regression and scatter correction for
near-infrared reflection data// Anal. Chem. — 1990. — Vol. 62, № 7. — P.
664—673.
519. Nomura J., Makino H., Nakajama H. and Horiuchi K. Application of
near infrared spectroscopy to process control in sugar refinery/ / The Proce-
edings of the Second International Near Infrared Spectroscopy Conference.
Tokyo, Japan: Korin Publishing Co., 1990. — P. 213-221.
520. Nordkvist E. Prediction of crude protein and metabolizable energy in
forages by NIR and NIT using multivariate calibration// Proceedings of Third
International Conference of Near Infrared Spectroscopy. Agricultural Research
Centre Publishing, Gembloux (Belgium). — 1991. — Vol. 2. — P. 616—618.
521. Norris K.H. Reports on design and development of new moisture meter.
// Agric. Eng. — 1964. — Vol. 45. — P. 370—372.
522. Norris R.H. Multivariate analysis of raw materials// Shemilt L.W. (Ed.).
Chemistry and World Food Supplies: the New Frontiers. — New York: Pergamon
Press, 1983. — P. 527—535.
523. Norris K.H. History, present status, and future prospects for NIRS// In
Analytical Applications of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.).
— London: The Royal Society of Chemistry, 1988. — P. 3—8.
524. Norris H. The old and the new NIRS// Proceedings of the Third Interna-
tional Conference on Near Infrared Spectroscopy. Agricultural Resereh Centre,
Gembloux (Belgium). — 1991. — Vol. 1. — P. 15—18.
525. Norris K.H., Barons R.F., Moore J.E. and Shenk J.S. Predicting forage
quality by infrared reflectance spectroscopy/ / J. Anim. Sci. — 1976. — Vol. 43.
№ 6,— P. 889—897.
526. Norris K.H. and Williams P.C. Optimization of mathematical treatment
of reflectance data for estimation of protein/ / Cereal Foods World (Abstr.). —
1977. — Vol. 22. — P. 461.
527. Norris K.H. and Williams P.C. Optimization of matematical treatments
of near-infrared signal in the measurement of protein in hard red spring wheat. I.
Influence of partical size// Cereal Chem. — 1984. — Vol. 61, № 2.— P. 158—165.
528. Norris K.H., Williams M., Ferrari M., Wilson D., Traystman R.J., Han-
ley D.F. NIR model of in vivo spectroscopy of intact feline brain/ / Proceedings
of Third International Conference of Near Infrared Spectroscopy. Agricultural
Research Centre Publishing, Gembloux (Belgium). — 1991. — Vol. 2. — P.
399.
529. O'Haver T.C. The derivative spectroscopy: the theoretical aspects//
Anal. Proceedings. — 1962. — Vol. 19, № 1. — P. 22-—28.
530. Oh S.L., Cho R.K., Min B.Y., Chung D.H., Kawano S. and Ikegaya
K. Determination of nitrogen compounds in green tea infusion by near infra-
613
red reflectance spectroscopy// The Proceedings of the Second International
Near Infrared Spectroscopy Conference. — Tokyo, Japan: Korin Publishing
Co., 1990. — P. 376—385.
531. Olinger J.M., Griffiths P.R. Theory of diffuse reflectance in the NIR
region/ /Burns D.A., Ciurczak E.W. (Eds.). Handbook of Near-Infrared Analysis.
Practical Spectroscopy Series. — Vol. 13. Marcel Dekker, Inc. New York, Basel,
Hong Kong, 1992. P. 13—35.
532. Ortegat E., Dardenne P., Biston R., Galoux M. Application of near-
infrared analysis to the qualitative research of some wetting agents and the
determination of their ethylene oxide content/ / Proceedings of Third Internatio-
nal Conference of Near Infrared Spectroscopy. Agricultural Research Centre
Publishing, Gembloux (Belgium), 1991. — Vol. 2. — P. 410—415.
533. Osborn B.G. Investigations into the use of near infrared reflectance spec-
troscopy for the quality assessment of wheat with respect to its potential for
bread baking //J. Sci. Food Agric. — 1974. — Vol. 36. — P. 106—110.
534. Osborn B.G. Investigations into the use of near infrared reflectance spec-
troscopy for the quality assessment of wheat with respect to its potential for
bread baking//J. Sci. Food Agric. — 1984. — Vol. 35. — P. 106—110.
535. Osborn B.G. Comparative study of methods of linearisation and scatter
correction// Analyst. — 1988. —Vol. 113. — P. 263—267.
536. Osborn B.G. Determination of fat in variety of cereal foods using NIR
spectroscopy// In Analytical Applications of Spectroscopy. Creaser C.S. and
Davies A.M.C. (Eds.). — London: The Royal Society of Chemistry, 1988. — P.
68—71.
537. Osborne B.G. Calibration of instruments for near-infrared spectroscopy/ /
Spectroscopy. — 1990. — Vol. 4, № 4. — P. 48—55.
538. Osborne B.G. NIR analysis of baked product// Burns D.A., Ciurczak
E.W. (Eds.). Handbook of Near-Infrared Analysis. Practical Spectroscopy Series.
— Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong Kong, 1992. — P.
527—548.
539. Osborn B.G., Barret G.M., Fearn T. The determination of protein, fat,
and moisture in bread by near infrared reflectance spectroscopy //J. Sci. Food
Agric. — 1984. — Vol. 35. — P. 940—945.
540. Osborn B.G. and Douglas S. Measurement of degree of starch damage
in flour by near infrared reflectance analysis// J. Sci. Food Agric. — 1981. —
Vol. 32. — P. 328—332.
541. Osborn B.G., Douglas S. and Fearn T. Assessment of wheat grain textu-
re by near-infrared reflectance measurements on Buhler-milled flour// J. Sci.
Food Agric. — 1981. — Vol. 32. — P. 200—202.
542. Osborn B.G., Douglas S. and Fearn T. The application of near infrared
reflectance analysis to rapid flour testing// J. Food Tecnol. — 1982. — Vol. 17.
— P. 355—363.
543. Osborn B.G., Douglas S., Fearn T., Willis K.H. The development of
universal calibrations for measurement of protein and moisture in UK home-
grown wheat by near-infrared reflectance spectroscopy/ / J. Sci. Food Agricul.
— 1982.— Vol. 33. — P. 736—740.
614
544. Osborn B.G., Fearn T. Collaborative evaluation of near infrared analy-
sis for determination of protein, moisture and hardness in wheat// J. Sci.
Food Agric. — 1983. — Vol. 34, № 9. — P. 1011 — 1017.
545. Osborne B.G. and Fearne T. Near Infrared Spectroscopy in Food Analy-
sis. — New York, USA, Longman: Scientific & Technical, 1986. — 200 p.
546. Osborn B.G., Fearn T., Miller A.R. and Douglas S. Application of
near infrared reflectance spectroscopy to the composition analysis of biscuits
and biscuits doughs// J. Sci. Food Agric. — 1984. — Vol. 35. — P. 99—
105.
547. Osborn B.G., Fearn T., Randall P.G. Measurement of fat and sucrose in
dry mixes by near infrared reflectance spectroscopy/ / J. Food Technol. —' 1983.
— Vol. 18. — P. 651—656.
548. Osborn B.G., Fearn T., Stevenson S.G. Near-infrared research in
Europe// Williams P. and Norris K. (Eds.). Near-Infrared Technology in the
Agriculture and Food Industry. — St. Paul, Minnesota, USA: American Asso-
ciation of Cereal Chemists, Inc., 1987. — P. 185—199.
549. Osborn B.G., Oliver G. and Russel P.L. The application of near infra-
red reflectance spectroscopy to the study of stalling of bread/ / Proceedings of
the Third International Conference on Near Infrared Spectroscopy. Agricultural
Research Centre Publishing, Gembloux (Belgium), 1991. — Vol. 1. — P. 207—
212.
550. Palais J.C. Fiber Optic Communications. — New Jersey, USA: Prentice-
Hall, Englewood Cliffs, 1984.
551. Pandeya R.S., Rosa N., White F.H. and Elliott J.M. Rapid estimation of
some flue-cured tobacco chemical characteristics by infrared reflectance spec-
troscopy/ / Tobacco. Sci. — 1978. — Vol. 22. — P. 27—31.
552. Panozzo J. and O'Brien L. Application of near infrared reflectance
spectroscopy to early generation selection for wheat quality// International
Symposium on Near Infrared Spectroscopy. — Melbourne, Australia: Royal
Australian Chemical Institute, 1985. — P. 183—186.
553. Park Y.W., Anderson M.J., Asay K.H. and Mahoney A.W. Predicting solub-
le nitrogen and fibrous fractions in crested wheatgrass with near infrared reflectance
spectroscopy //J. Range Manage. — 1983. — Vol. 36. — P. 529—533.
554. Park Y.W., Anderson M.J., Walters J.L. and Mahoney A.W. Effect of
processing methods and agronomic variables on carotene contents in forages and
predicting carotene in alfalfa hay with near infrared reflectance spectroscopy// J.
Diary Sci. — 1983. — Vol. 66. — P. 235—245.
555. Paul C. Effect of soil contamination on NIRS analysis of grass silage//
In Analytical Applications of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.).
— London: The Royal Society of Chemistry, 1988. — P. 84—90.
556. Petersen J.C., Barton F.E.H., Windham W.R. and Hoveland I.D.
Botanical composition definition of tall festcue-white clover mixture by near
infrared reflectance spectroscopy// Crop Sci. — 1987. — Vol. 27. — P.
1077—1080.
557. Phillips G.R. and Eyring E.M. Comparison of conversional and robust
regressions in analysis of chemical data// Anal. Chem. — 1983. — Vol. 55. —
P. 1134.
615
558. Polya К. Application of NIR techniques in quality control of sunflower
seed grist// Hungarian Sci. Instr. — 1985. — Vol. 58. — P. 19—21.
559. Pomeranz Y., Davis G.D., Stoops J.L. and Hubbard J.D. Estimation of
Protein content and quality in grain sorgum/ / Cereal Foods World. — 1977. —
Vol. 22. — P. 472.
560. Pomeranz Y., Martin C.R., Taylor D.D. and Loi F.S. Corn hardness
determination// Cereal Chemistry. — 1984. — Vol. 61, № 2. — P. 147—150.
561. Pomeranz Y., Moore R.B. and Lai F.S. Reliability of five methods for
protein determination in barley and malt// Am. Soc. Brew. Chem. J. — 1977.
Vol. 35. — P. 86—93.
562. Posner E.S. and Wetzel D.L. Control of flour mills by NIR on-line moni-
toring// Assoc. Oper. Millers Bull. — 1986. — April. — P. 4711—4722.
563. Psotka J.J. and Bahl J. Measurement of saccharide distribution in high
fructose corn syrup by near-infraredspectroscopy / / Cereal Foods World. —
1982. — Vol. 27. — P. 469.
564. Rader B.R. Moisture in dried vegetables and spices// J. Assoc. Offic.
Anal. Chem. — 1966. — Vol. 49. — P. 726—730.
565. Ranford S.L., Hammersley M.J., Acker V.C. and Glassey F.L. The me-
asurement of medullation in wool using NIRA// Proceedings of the Third Inter-
national Conference on Near Infrared Spectroscopy. Agricultural Research Cent-
re Publishing, Gembloux (Belgium). — 1991. — Vol. 1. — P. 338—344.
566. Reeves J.B., and Blosser H. Effect of grinding procedure and sample
presentation method on near infrared spectroscopic analysis (NIRS) of silages//
The Proceedings of the Second International Near Infrared Spectroscopy Confe-
rence.— Tokyo, Japan: Korin Publishing Co., 1990.— P. 110—115.
567. Reeves J.B., Blosser Т.Н. and Glenn B.P. Near infrared spectroscopic
analysis in situ (nylon bag) digested forage samples// Proceedings of the Third
International Conference on Near Infrared Spectroscopy. Agricultural Research
Centre Publishing, Gembloux (Belgium), 1991. — Vol. 2. — P. 492—495.
568. Robert P., Bertrand D. and Demarquilly C. Prediction of forage digesti-
bility by principal component analysis of near infrared reflectance spectra//
Anim. Feed Sci. and Tecnol. — 1986. — Vol. 16. — P. 215—224.
569. Robert T.C. Economic impact of upgrading U.S. grain grading stan-
dards on growers and end users// Advances in automated analysis. Techni-
con International Congress 1976. Vol 2. Industrial Symposia. — Tarrytown,
N.Y., USA: — Mediad Inc. — 1977. — P. 128—130.
570. Robertson J., Barton P. Oil and water analysis of sunflower seed by near-
infrared reflectance spectroscopy// J. Am. Oil Chem. Soc. — 1984. — Vol. 61.
— P. 543—547.
571. Robertson H.H., Dixon A., Howers J.H. and Brink D.P.S. The influence
of lipolysis , pH and homogenization on infrared readings for fat, protein and
lactose (in milk)// S. Afr. J. Dairy Technol. — 1981. — Vol. 13. — P. 3—7.
572. Robertson J.A., Windham W.R. Comparative study of methods of deter-
mination oil content of sunflower seed// J. Amer. Oil Chem. Soc. — 1981. —
Vol. 58, № 5. — P. 993—996.
573. Ronsin T. and Femenias N. Use NIRS determination of quality in silage
maize breeding program// Proceedings of Third International Conference of
616
Near Infrared Spectroscopy. Agricultural Research Centre Publishing, Gembloux
(Belgium), 1991. — Vol. 2. — P. 505—509.
574. Rosenthal R.D. An introduction to near infrared quantative analysis//
Ann. Meeting American Assoc. Cereal Chem. — 1977. — P. 1 —15.
575. Rotolo P. NIR reflectance applied to baking/ / Baker’s Dig. — 1978. —
Vol. 52. — P. 24—29.
576. Roux M. Algorithms de classification. — Paris: Masson Publisher, 1985.
— Chap. 6. — P. 76.
577. Rubenthaler G.L. and Bruinsma B.L. Lysine estimation in cereals by
near infrared reflectance/ / Crop Sci. — 1978. — Vol. 18. — P. 1039—1042.
578. Rudzik L., Wobbeke R. Notwendigkeit der Homogenisierung bei Infrarot-
messungen in Milch// Die Molkerei-Zeitung Welt der Milch. — 1982. — B. 36.
— S. 11. — 298—307.
579. Runfors G.S. New instrumentation from Tecator// Proceedings of the
Third International Conference on Near Infrared Spectroscopy. Agricultural Re-
search Centre Publishing, Gembloux (Belgium), 1991. — Vol. 1. — P. 35—36.
580. Runfors G.S. Universal contra narrow calibrations with PLS and Infra-
tec near infrared transmission analyzer// Ibid. — P. 122—125.
581. Ruys L. and Van Lancker M. Determination of composition of fibre
blends by near infrared analysis (NIRA)// Ibid. — P. 345—354.
582. Sabbagh M, and Larsen S. Wool yield by infrared reflectance analysis//
Proc. AM. Soc. Anim. Sci. (West. Sect.). —1978. — Vol.29. — P. 108—109.
583. SalgoA. and Fabian Z. Determination of tripsin inhibitor activity by NIR
technique/ /Proceedings of the Third International Conference on Near Infrared
Spectroscopy. Agricultural Research Centre Publishing, Gembloux (Belgium),
1991. — Vol. 2. — P. 631—636.
584. Salgo A., Fabian Z., Ungar E. and Weinbrenner-Varga Zs. Determi-
nation of antinutrative factors in rapeseed by NIR/ /The 4th International Confe-
rence on Near-Infrared Spectroscopy. Abstracts. — Aberdeen, Scotland: — 1991.
— P. 37—38.
585. Sampson D.R., Flynn D.W. and Jui P. Genetic studies on kernel
hardness in wheat using grinding time and near infrared spectroscopy / /
Can. J. Plant Sci. — 1983. — Vol. 63. — P. 825—832.
586. Sasaki M. and Ozawa S. Determination of the ingradients of meat
and meat products by near infrared spectroscopy// The Proceedings of the
Second International Near Infrared Spectroscopy Conference. — Tokyo, Ja-
pan: Korin Publishing Co., 1990. — P. 386—392.
587. Sato T., Yoshino M., Suzuki I., Kawano S. and Iwamoto M. Use of near-
infrared spectroscopy to detect foreign fat adulteration of dairy products/ / Ibid.
— P. 148—156.
588. Savitsky A., Golay M.J.E. Smoothing and differentiation of data by simpli-
fied least squares procedures// Anal. Chem. — 1964. — Vol. 36, № 8. — P.
1627—1639.
589. Schmutz It7., Do Q N. Wietere Verbesserung bei der Eiweiss schnellbes-
timmung in gerste mit der Infrarot-reflexionspektroscopie/ / Muhle + Mischfut-
tcrtcchnik 1979 В 119 H 19 S 258 261
617
590. Scott R.E. and Roberts E.M. Objective measurement of clean fleece
weight by infrared reflectance spectroscopy// Wool Technol. Sheep Breed. —
1978. — Vol. 26/ — P. 27.
591. Shan N.K. and Gemperline P.J. Combination of Mahalanobis distance
and residual variance pattern recognition techniques for classification of near-
infrared reflectance spectra// Anal. Chem. — 1990. — Vol. 62, № 5. — P.
465—470.
592. Shenk J.S. Instant analysis of forage and grain quality/ / Crops and Soils.
— 1978. — Vol. 30. — P. 7—8.
593. Shenk J.S. Equation selection// Marten G.C., Shenk J.S., Barton F.E.
(Eds.). Near Infrared Reflectance Spectroscopy (NIRS): Analysis of Forage Qu-
ality. Agriculture Handbook. № 643. — USA, Washington: United States Depar-
tment of Agriculture. — 1989. —• P. 26—27.
594. Shenk J.S. Monitoring analysis results/ / Ibid. — P. 27—28.
595. Shenk J.S. Calibration transfer// Ibid. — P. 41—44.
596. Shenk J.S. Standardizing NIRS instruments/ / Proceedings of the Third
International Conference on Near Infrared Spectroscopy. Agricultural Research
Centre Publishing, Gembloux (Belgium), 1991. — Vol. 2. — P. 649—654.
597. Shenk J.S. and Hoover M.R. Infrared reflectance spectro-computer de-
sign and application// Advances in automated analysis. Technicon International
Congress 1976. Vol 2. Industrial Symposia. — Tarrytown, N.Y., USA: — Mediad
Inc. — 1977. — P. 122—125.
598. Shenk J.S., Landa I. and Westerhaus M.O. Description and evaluation
of near infrared reflectance spectro-computer for forage and grain analysis//
Crop Sci. — 1981. — Vol. 21. — P. 355—358.
599. Shenk J.S., Mason W.N., Norris K.H. and Barons R.F. Application of
infrared reflectance analysis to feedstaff evaluation// Proceedings Int. Symp.
Feed Composition Anim. Nutr. Require. Comput. Diets. — USA, Logan: Utah
Agric. Exp. Station. — 1976. — P. 242—248.
600. Shenk J.S., Westerhaus M.O. and Hoover M.R. Analysis of forages by
infrared reflectance// J. Dairy Sci. — 1979. — Vol. 62, № 5. — P. 807—812.
601. Shenk J.S., Westerhaus M.O. Population definitions sample selection
and calibration procedures for near infrared spectroscopy / / Crop Sci. — 1991.
— Vol. 31, № 2. — P. 469—474.
602. Shenk J.S. and Westerhaus M.O. Population structuring of near infrared
spectra and modified partial least squares regression// Crop Sci. — 1991. —
Vol. 31, № 6. — P. 1548—1555.
603. Shenk J.S. and Westerhaus M.O. New standardization and calibration
procedures for NIRS analytical systems// Crop Sci. — 1991. — Vol. 31, № 6.
— P. 1694—1696.
604. Shenk J.S., Westerhaus M.O. and Abrams S.M. Supplements. 2. Proto-
col for NIRS calibration: Monitoring analysis results and recalibration// Marten
G.C., Shenk J.S., Barton F.E. (Eds.). Near Infrared Reflectance Spectroscopy
(NIRS): Analysis of Forage Quality. Agriculture Handbook. № 643. — USA,
Washington: United States Department of Agriculture.— 1989. — P. 104—110.
605. Shenk J., Westerhaus M. and Hoover M. Analysis of forages by infrared
reflectance/ / J. Dairy Sci. — 1979. — Vol. 62. — P. 807.
618
606. Shenk J.S., Westerhaus M.O. and Templeton W.C. Calibration transfer
between near infrared reflectance spectrophotometers/ / Crop Sci. — 1985. —
Vol. 25. — P. 159—161.
607. Shenk J.S., Workman J.J., Westerhaus M.O. Application of NIR spec-
troscopy to agricultural products// Burns D.A., Ciurczak E.W. (Eds.). Handbo-
ok of Near-Infrared Analysis. Practical Spectroscopy Series. — Vol. 13. Marcel
Dekker, Inc. New York, Basel, Hong Kong, 1992. P. 383—431.
608. Shou-He Yan, Meurens M. and Dufour J.P. Taste quality control of
china tea by NIRS method/ / The Proceedings of the Second International Near
Infrared Spectroscopy Conference. — Tokyo, Japan: Korin Publishing Co., 1990.
— P. 166—173.
609. Siesler H.W. Near infrared reflectance spectroscopy: a method of rational
multicomponent analysis//In Analytical Applications of Spectroscopy. Creaser
C.S. and Davies A.M.C. (Eds.). — London: The Royal Society of Chemistry,
1988. — P. 447—449.
610. Siesler H.W. The break-through of near-infrared spectroscopy in the che-
mical industry: Reasons, chances and prospects// Proceedings of Third Interna-
tional Conference of Near Infrared Spectroscopy. Agricultural Research Centre
Publishing, Gembloux (Belgium), 1991. — Vol. 1. — P. 307—316.
611. Silman R., Black L. and Norris K. Assay of solid substrate fermentation by
means of reflectance analysis// Biotechnol. Bioeng. — 1983. — Vol. 25. — P. 603.
612. Sinnaeve G., Dardenne P., Biston R. Predicting of fat, moisture and
solids-not-fat contents of butter by near infrared reflectance spectroscopy/ / Pro-
ceedings of the Third International Conference on Near Infrared Spectroscopy.
Agricultural Research Centre Publishing, Gembloux (Belgium), 1991. — Vol. 1.
— P. 248—257.
613. Slack-Smith T., Fong D. and Douglas S.A.S. The potential applicati-
on of near infrared reflectance to estimate the alcohol extractable matter
content of scoured wool// J. Text. Inst. — 1979. — Vol. 70. — P. 33.
614. Slaughter D.C., Klueter H.H., Mitchell A.D. and Norris K.H. Near
infrared reflectance of ground hog carcass composition// The Proceedings of
the Second International Near Infrared Spectroscopy Conference. — Tokyo, Ja-
pan: Korin Publishing Co., 1990. — P. 125—129.
615. Stark E. Calibration methods for NIRS analysis// In Analytical Applica-
tions of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.). — London: The
Royal Society of Chemistry, 1988. — P. 21—34.
616. Stark E. Data processing for near infrared spectroscopy// The Proce-
edings of the Second International Near Infrared Spectroscopy Conference.
— Tokyo, Japan: Korin Publishing Co., 1990. — P. 38-64.
617. Stark E. Methods for evaluating the performance of a diod array spectro-
fotometer/ / Proceedings of the Third International Conference on Near Infrared
Spectroscopy. Agricultural Research Centre Publishing, Gembloux (Belgium),
1991. — Vol. 1. — P. 44—57.
618. Stark E., Luchter K. and Margoshes M. Near-infrared analysis [NIRA]:
A technology for quantative and qualitative analysis/ / Appl. Spectrosc. Rew.
— 1986. — Vol. 22. № 4. — P. 335—399
619
619. Starr C, Morgan A.G. Smith D. An evaluation of near infrared reflectance
analysis in some plant breeding programmes// J. Agric. Sci. — 1981. — Vol.
97, № 1. — P. 107—118.
620. Starr C., Suttle J., Morgan A.G., Smith D.B. A comparison of sample prepa-
ration and calibration for the estimation of nitrogen, oil and glucosinolate content of
rapeseed by NIRS// J. Agric. Sci. — 1985. — Vol. 104. № 2. — P. 317—323.
621. Steinier J., Termonia Y., Deltour J. Comments on smoothing and diffe-
rentiation of data by simplified least square procedure// Anal. Chem. — 1972.
— Vol. 44, № 11. — P. 1906—1909.
622. Stermer R.A., Pomeranz Y. and McGinty R.J. Infrared reflectance spec-
troscopy for estimation of moisture of whole grain// Cereal Chem. — 1977. —
Vol. 54. — P. 345—351.
623. Stermer R.A., Pomeranz Y. and McGinty R.J. Infrared spectra of milled
rice/ / Trans. ASAE. — 1977. — Pap. 76—3030. — P. 547—549.
624. Stevenson S.G. and Williams P.C. The determination of protein, moistu-
re and oil in diverse cereals, cereal products and oil seeds by NIRS// Cereal
Foods World. — 1978. — Vol. 23. — P. 462.
625. Steverink A.T.G. and Steunenberg H. Determination of composition of
whole rabbits carcasses by means of near-infrared reflectance spectroscopy
(NIRS)// Proceedings of the Third International Conference on Near Infrared
Spectroscopy. Agricultural Research Centre Publishing, Gembloux (Belgium),
1991. — Vol. 1. — P. 637—640.
626. Steverink A.T.G., Steunenberg H. and Waltmann J.K. Determination of
linoleic acid (C18:2w6) content in eggs by means of near-infrared reflectance
spectroscopy (NIRS)// Ibid. — P. 641—646.
627. Suzuki K., McDonald C.E., D’Appolonia B.L. Near-infrared analysis of
bread// Cereal Chem. — 1986. — Vol. 63. — P. 320—325.
628. Szalanczy E. Research into the application of NIR spectroscopy in the
hungarian grain industry/ / In Analytical Applications of Spectroscopy. Creaser
C.S. and Davies A.M.C. (Eds.). — London: The Royal Society of Chemistry,
1988. — P. 82—83.
629. Takeo T. and Okamoto N. Quality control of tea by near infrared reflec-
tance spertroscopy// The Proceedings of the Second International Near Infrared
Spectroscopy Conference. — Tokyo, Japan: Korin Publishing Co., 1990. — P.
157—165.
630. Tanabe I., Okita K., Ikeno H., Tatsubayashi K. and Hisada K. Spectral
analysis of liver disease by using NIR spectroscopy// Ibid. — P. 288—297.
631. Tattersall A.K. Transferring near infrared reflectance calibrations evalua-
tion of protein in wheat// International Symposium on Near Infrared Spectros-
copy. — Melbourne, Australia: Royal Australian Chemical Institute, 1985. — P.
28—30.
632. Taylor R.A. Predicting the moisture content of materials containing oven
sensitive volatiles by NIRS// In Analytical Applications of Spectroscopy. Crea-
ser C.S. and Davies A.M.C. (Eds.). London: — The Royal Society of Chemistry.
— 1988. — P. 158—163.
633. Taylor R.A. Spectral absorption of bound and free moisture in cotton//
Proceedings of the Third International Conference on Near Infrared Spectrosco-
620
py. Agricultural Research Centre Publishing, Gembloux (Belgium), 1991. —
Vol. 1. — P. 355—364.
634. Templeton W.C.Jr., Shenk J.S., Norris K.H., Fissel G.W., Marten G.C.,
Elgin J.H.Jr. and Westerhaus M.O. Forage analysis with near-infrared reflec-
tance spectroscopy — current status and outline of national research project//
Proc. 14th Int. Grassl. Congr. — 1978. — USA, Boulder: Westview Press. — P.
528—531.
635. Thomas D.A., Pyler R.E. Cereal research in brewing: Cereals as primary
brewing ingradients// Cereal Food World. — 1986. — Vol.31, № 9. — P.
678—680.
636. Tincher W.C.and Luk A. NIRS analysis of cotton/polyester yarns//
Text. Chem. Color. — 1985. — Vol. 17. — P. 200—204.
637. Tkachuk R. Protein analysis of whole wheat kernels by near infrared
reflectance// Cereal Foods World. — 1981. — Vol. 26, № 10. — P. 584—587.
638. Tkachuk R. Oil and protein analysis of whole rapeseed kernels by NIR/ /
J. Amer. Oil Chem. Soc. — 1981. — Vol. 58, № 8. — P. 819—822.
639. Tkachuk R. Analysis of whole grains by near-infrared reflectance// Wil-
liams P. and Norris K. (Eds.). Near-Infrared Technology in the Agriculture and
Food Industry. — Americfn Association of Cereal Chemists, Inc. — St. Paul,
Minnesota, USA. — 1987. — P. 233—240.
640. Tkachuk R. and Kuzina F.D. Sulfur as proposed near infrared reflec-
tance standard// Appl. Opt. — 1978. — Vol. 17. — P. 2817—2820.
641. Tkachuk R., Kuzina F.D. Chlorophyll analysis of whole rapseed kernels
by near infrared reflectance// Canad. J. Plant Sci. 1982. — Vol. 62. — P. 875—
884.
642. Tkachuk R. and Low D.P. Near infrared diffuse reflectance standards//
Cereal Chem. — 1978. — Vol. 55, № 6. — P. 981—994.
643. Toohey F.S. Testing of dried milk products by N.I.R// International
Symposium on Near Infrared Spectroscopy. — Melbourne, Australia: Royal Aus-
tralian Chemical Institute, 1985. — P. 114—118.
644. Tsou S.C.S., Hong T.L. and Kan K.K. Application of NIRS as fnass
screening techniques at AVRDC// The Proceedings of the Second International
Near Infrared Spectroscopy Conference. — Tokyo, Japan: Korin Publishing Co.,
1990. — P. 90—99.
645. Tunnell D.A. The use of NIR for product identification// In Analytical
Applications of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.). — Lon-
don: The Royal Society of Chemistry, 1988. — P. 457—461.
646. Usher C.D. and Smith l.D. PICKS programme applied to protein in soya/ /
In Analytical Applications of Spectroscopy. Creaser C.S. and Davies A.M.C. (Eds.).
— London: The Royal Society of Chemistry, 1988. — P. 470—471.
647. Valdes E.V. and Leeson S. Preliminary results on the use of near infrared
reflectance spectroscopy (NIRA) to measure metabolizable energy in poultry
feeds// Proceedings of Third International Conference of Near Infrared Spec-
troscopy. Agricultural Research Centre Publishing, Gembloux (Belgium), 1991.
— Vol. 2. — P. 187—189.
648. Varadi M., A.Toth., K.Kaffka. A new NIT instrument and application
nn«ih:ii»v/ / Ibid — P
r - - Jr • ---- * . - w -----
621
649. Varmuza К. Patern recognition in Chemistry. — Berlin: Springer-Verlag,
1980.
650. Verheggen J., Dardenne P., Thewis A. and Binston R. Application of
near infrared reflectance spectroscopy (NIRS) for predicting chemical compositi-
on, cellulase digestibility of organic matter and energy values of compound feed-
stuffs for ruminants / / Proceedings of Third International Conference of Near
Infrared Spectroscopy. Agricultural Research Centre Publishing, Gembloux (Bel-
gium), 1991. — Vol. 1. — P. 287—290.
651. Vuataz G. Some NIR observations of lactose crystallization in milk pow-
ders during storage// Ibid. — P. 218—233.
652. Wang Y. and Kowalski B.R. Calibration transfer and measurement stabi-
lity of near-infrared spectrometers// Appl. Spectrsc. — 1991. — Vol. 46, № 5.
— P. 764—771.
653. Ward R.G., Smith G.S., Wallace J.D., Urquhart N.S. and Shenk J.S.
Estimates of intake and quality of grazed range forage by near infrared reflectan-
ce spectroscopy// J. Anim. Sci. — 1982. — Vol. 54, № 2. — P. 399—402.
654. Watson C. Near-infrared reflectance spectrophotometric analysis of agricultu-
ral products// Anal. Chem. — 1977. — Vol. 49. — P. 835A.
655. Watson C.A., Carville D., Dikemane E., Daigger G. and Booth G.D.
Evaluation of two infrared instruments for determining protein content of hard
red winter wheat// Cereal Chem. — 1976. — Vol. 53, № 2. — P. 214—222.
656. Watson C.A., Etchevers G., Shuey W.C. Relation between ash and prote-
in contents of flour mill streams determined with the InfraAlyzer and standard
approved methods// Cereal Chem. — 1976. — Vol. 53, № 5. — P. 803—804.
657. Watson C.A., Shueney W.C., Banacik O.J. and Dick J.W. Effect of
wheat class of near infrared reflectance// Cereal Chem. — 1977. — Vol. 54, №
6. — P. 1264—1269.
658. Westerhaus M.O. Instrument operation/ / Marten G.C., Shenk J.S., Barton
F.E. (Eds.). Near Infrared Reflectance Spectroscopy (NIRS): Analysis of Forage
Quality. Agriculture Handbook. № 643. — USA, Washington: United States
Department of Agriculture.— 1989. — P. 24—25.
659. Westerhaus M.O. Equation development// Ibid. — P. 38—39.
660. Westerhaus M.O. Interpretation of regression statistics// Ibid. — P.
39—40.
661. Westerhaus M.O. Validation// Ibid. — P. 40.
662. Westerhaus M.O. Recalibration// Ibid. — P. 41.
663. Westerhaus M.O. Improving repeatability of NIR calibrations across in-
struments / / Proceedings of Third International Conference of Near Infrared
Spectroscopy. Agricultural Research Centre Publishing, Gembloux (Belgium),
1991. — Vol. 2. — P. 671—674.
664. Wetzel D.L. Near-infrared reflectance analysis// Anal. Chem. — 1983.
— Vol. 55, № 12. — P. 1165A—1176A.
665. Wetzel D., Mark H. Spectroscopic cellulose determination as a criterion
of flour purity with respect to bran// Cereal Foods World. — 1977. — Vol. 22,
№ 9. — P. 481.
666. Weyer L.G. The use of derivative nodes in near-infrared spectrosco-
py// in Analytical Applications of Spectroscopy. Creaser C.S and Davies
622
A.M.C. (Eds.). — London: The Royal Society of Chemistry, 1988. — P. 437—
442.
667. Whitfield R.G., Gerger M.E. and Sharp R.L. Near-infrared spectrum
qualification via Mahalanobis distans// Appl. Spectrosc. 41, № 7. — P. 1204—
1213.
668. Wilkin D.R. abd Cowe LA. The detection of infestation in stored products
using NIRS// In Analytical Applications of Spectroscopy. Creaser C.S. and
Davies A.M.C. (Eds.). — London: The Royal Society of Chemistry, 1988. — P.
91—97.
669. Williams P.C. The application of Neotec Grain Quality Analyzer to analy-
sis of cereal grains and oilseeds. I. Premilinary observation. (Abstr)// Cereal
Sci. Today. — 1973. — Vol. 18. — P. 272.
670. Williams P.C. The application of Neotec Grain Quality Analyzer to analy-
sis of cereal grains and oilseeds. II. Technical aspects of operation. (Abstr)//
Cereal Sci. Today. — 1973. — Vol. 18. — P. 272.
671. Williams P.C. Application of near infrared reflectance spectroscopy to
analysis of cereal grains and oilseeds// Cereal Chem. — 1975. — Vol. 52, № 4.
— P. 561—576.
672. Williams P.C. Technical aspects of instituting a protein grading system
at a grain elevator, using near infrared reflectance spectroscope (NIRS)// Ad-
vances in automated analysis. Technicon International Congress 1976. Vol 2.
Industrial Symposia. — Tarrytown, N.Y., USA: — Mediad Inc. — 1977. — P.
118—121.
673. Williams P.C. The economics of near infrared reflectance spectroscopy in
testing grain for protein and moisture// Ibid. — P. 131 —136.
674. Williams P.C. Screening wheat for protein and hardness by near infrared
spectroscopy// Cereal Chem. — 1979. — Vol. 56. — P. 169—172.
675. Williams P.C. A study of grinders used for sample preparation in labora-
tory analysis of grains// Cereal. Food World. — 1984. — Vol. 29, № 12. — P.
770—775.
676. Williams P.C. New applications for near-infrared reflectance (NIR)
spectroscopy// International Symposium on Near Infrared Spectroscopy. —
Melbourne, Australia. Royal Australian Chemical Institute, 1985. — P. 156—
168.
677. Williams P.C. Commercial near-infrared reflectance analyzers// Willi-
ams P. and Norris K. (Eds.). Near-Infrared Technology in the Agriculture and
Food Industry. — St. Paul, Minnesota, USA: American Association of Cereal
Chemists, Inc. — 1987. — P. 107—142.
678. Williams P.C. Variables affecting near-infrared reflectance spectroscopic
analysis// Ibid. — P. 143—167.
679. Williams P.C. Application of near-infrared reflectance and transmittance
spectroscopy in agriculture// Proceedings of the Third International Conference
on Near Infrared Spectroscopy. Agricultural Research Centre, Gembloux (Belgi-
um), 1991. — Vol. 2. — P. 463—473.
680. Williams P.C. Samples, sample preparation and sample selection// Burns
D.A., Ciurczak E.W. (Eds.). Handbook of Near-Infrared Analysis. Practical Spec-
623
troscopy Series. — Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong Kong,
1992. P. 281—315.
681. Williams P.C. and Cordeiro H. Determination of protein and moisture in
Hard Red Wheat by near-infrared reflectance spectroscopy. Influence of degra-
ding factors, dockage and wheat variety// Cereal Food World. — 1981. — Vol.
26. — P. 124—128.
682. Williams P.C., Cordeiro H.M. Effect of calibration practice on correlation
of errors induced in near-infrared protein testing of hard red spring wheat by
growing location and season/ / J. Agric. Sci. — 1985. — Vol. 104. — P. 113—
123.
683. Williams P.C., Cordeiro H.M. and Harnden M.F.T. Analysis of oat bran
products by near-infrared reflectance spectroscopy// Cereal Foods World. —
1991. — Vol. 36, № 7. — P. 571—574.
684. Williams P.C., El-Haramein F.J., Ortiz-Fereira G., Grivastara J.P.
Premilinary observations on the determination of wheat strength by near-infrared
reflectance// Cereal Chem. — 1988. — Vol. 65, № 2. — P. 109—114.
685. Williams P.C., Kramer A. and Ben-Gera I. Quantitative determination
of fat, protein and carbohydrate of soy products with infrared attenuated total
reflectance// J. Food Sci. — 1973. — Vol. 38. — P. 14—17.
686. Williams P.C., MacKenzie S.L. and Starkey P.M. Determination of
methionine in peas by near-infrared reflectance spectroscopy (NIRS)/ / J. Agric.
Food Chem. — 1985. — Vol. 33. — P. 811—815.
687. Williams P.C., Mackenzie S.L. and Starkey P.M. Determination of
methionin in peas by near infrared reflectance spectroscopy (NIRS)//J. Sci.
Food Agric. — 1985. — Vol. 33. — P. 811—815.
688. Williams P.C. and Norris K.H. Effect of mutual interactions on the
estimation of protein and moisture in wheat// Cereal Chem. — 1983. — Vol.
60. — P. 202—207.
689. Williams P. and Norris K. (Eds.). Near-Infrared Technology in the Agri-
culture and Food Industry. Americfn Association of Cereal Chemists, Inc. — St.
Paul, Minnesota, USA, 1987, 330 p.
690. Williams P.C., Norris K.H., Gehrke C.W., Bernstein K. Comparison of
near-infrared methods for measuring protein and moisture in wheat// Cereal
Foods World. — 1983. - Vol. 28, № 2. — P. 149—152.
691. Williams P.C., Norris K.H., Johnson R.L., Standing K., Fricioni R.,
MacAffrey D. and Mercier R. A cooperative study of modern physicochemical
methods for measurement of total nitrogen in hard red spring wheat// Cereal
Foods World. — 1978. — Vol. 23. — P. 544—547.
692. Williams P.C., Norris K.H. and Sobering D.C. Determination of protein
and moisture in wheat and barley by near-infrared transmission// J. Agric. Food
Chem. — 1985. — Vol. 33. — P. 239—244.
693. Williams P.C., Norris K.H. and Zarowski U7.S. Influence of temperature
on estimation of protein and moisture in wheat by near-infrared reflectance//
Cereal Chem. — 1982. — Vol. 59, № 6. — P. 473—477.
694. Williams P.C., Preston K.R., Norris K.H. and Starkey P.M. Determina-
tion of amino acids in wheat and barley by near-infrared reflectance spectrosco-
py/ / J. of Food Sci. — 1984. — Vol. 49, № 1. — P. 17 20.
624
695. Williams P.C. and Sigurdsson J.T. Implications of moisture loss incur-
red during sample preparation/ / Cereal Chem. — 1978. — Vol. 55. — P. 214—
229.
696. Williams P.C. and Sobering D.C. Attempts at standardization of har-
dness testing of wheat. II. The near-infrared reflectance method/ / Cereal Foods
World. — 1986. — Vol. 31. — P. 417—420.
697. Williams P.C. and Sobering D.C. The status of application of NIR
and NIT to prediction of foiling number in hard red spring wheat// Procee-
dings of Third International Conference of Near Infrared Spectroscopy. Agricultu-
ral Research Centre Publishing, Gembloux (Belgium), 1991. — Vol. 2. — P.
517—521.
698. Williams P.C. and Starkey P. Influence of feed ingradients upon the
prediction of protein in animal feed mixes by near-infrared reflectance spectrosco-
py// J. Sci. Food Agric. — 1980. — Vol. 31. — P. 1201—1213.
699. Williams P.C., Stevenson S.G. and Irvine G.N. Testing wheat for prote-
in and moisture with automated digital analyzer// Cereal Chem. — 1978. —
Vol. 55. — P. 263—279.
700. Williams P.C., Stevenson S.G., Starkey P.M. and Hawtin G.C. The
application of near infrared reflectance spectroscopy to protein testing in pulse
breeding programmes// J. Sci. Food Agric. — 1978. — Vol. 29. — P. 285—
292.
701. Williams P.C. and Thompson B.N. Influence of wholemeal granularity
on the analysis of HRS wheat for protein and moisture by near-infrared reflectan-
ce spectroscopy (NIR)// Cereal Chemistry. — 1978. — Vol. 55. — P. 1014—
1037.
702. Williams P.C., Thompson B.N., Wetzel D., McLay G.W. and Lowen D.
Near-infrared instruments in flour mill quality control// Cereal Food World. —
1981. — Vol. 26. — P. 234—237.
703. Winch J.E. and Major H. Predicting nitrogen and digestibility of forages
using near infrared reflectance photometry// Can. J. Plant Sci. — 1981. — Vol.
61. — P. 45—51.
704. Windham W.R. and Coleman S.W. Animal response prediction //
Marten G.C., Shenk J.S., Barton F.E. (Eds.). Near Infrared Reflectance Spec-
troscopy (NIRS): Analysis of Forage Quality. Agriculture Handbook. № 643. —
USA, Washington: United States Department of Agriculture.— 1989. — P. 32—
35.
705. Windham W.R., Mertens D.R. and Barton F.E. Supplements.!. Proto-
col for NIR calibration: Sample selection and equation development and validati-
on// Ibid. — P. 96—103.
706. Windham W.R., Robertson J.A. and Leffler R.G. A comparison among
methods of moisture determination of forages for NIRS calibration and validati-
on// Crop Sci. — 1987. — Vol. 27. — P. 777—783.
707. Woollard D.C. NIR technology within New Zealand dairy industry — its
dramatic impact// International Symposium on Near Infrared Spectroscopy. —
Melbourne, Australia: Royal Australian Chemical Institute, 1985. — P. 95—104.
708. Workman J. Data transformations and sample selection techniques
using near-infrared spectra// Proceedings of the Third International Confe-
625
rence on Near Infrared Spectroscopy. Agricultural Research Centre Publis-
hing, Gembloux (Belgium), 1991. — Vol. 1. — P. 147—153.
709. Workman J.J. NIR Spectroscopy calibration basics/ / Burns D.A., Ciurc-
zak E.W. (Eds.). Handbook of Near-Infrared Analysis. Practical Spectroscopy
Series. — Vol. 13. Marcel Dekker, Inc. New York, Basel, Hong Kong, 1992. —
P. 247—280.
710. Workman J.J., Burns D.A. Commercial NIR instrumentation// Ibid. —
P. 37—51.
711. Wust E. and Rudzik L. Possibilities and problems of a network of infrared
spectrometers in the dairy industry// Proceedings of Third International Confe-
rence of Near Infrared Spectroscopy. Agricultural Research Centre Publishing,
Gembloux (Belgium), 1991. — Vol. 2. — P. 679—685.
712. Yabe R. Near-infrared transmittance application for determining moisture
content of surimi products/ / The Proceedings of the Second International Near
Infrared Spectroscopy Conference. — Tokyo, Japan: Korin Publishing Co., 1990.
— P. 190—195.
713. Yan S.H. and Dufour J.P. Sensory analysis of tea by using near infrared
reflectance spectroscopy// Proceedings of Third International Conference of
Near Infrared Spectroscopy. Agricultural Research Centre Publishing, Gembloux
(Belgium), 1991. — Vol. 1. — P. 286.
714. Yasuhira H., Yokota Y. and Kitamura Y. Application of NIRS analysis in
MISO// The Proceedings of the Second International Near Infrared Spectrosco-
py Conference. — Tokyo, Japan: Korin Publishing Co., 1990. — P. 196—203.
715. Zupan J. Clustering of large data sets. — New York: Wiley and Sons
Publisher, 1982.
626
13. ПРИЛОЖЕНИЯ
Приложение 13.1
МЕТОД БЛИЖНЕЙ ИНФРАКРАСНОЙ*
СПЕКТРОСКОПИИ ОПРЕДЕЛЕНИЯ БЕЛКА
МЕТОД 39-10,
одобренный Американской ассоциацией химиков зерна
(AAC approved method 39-10)
Область применения
Пшеница всех классов.
Аппаратура
1. Инфракрасный спектрофотометр производства Dickey-john Cor-
poration, Pacific Scientific Co, Percon Prufgerate, Technicon Industrial
Systems или эквивалентный. Оператор должен ознакомиться с ин-
струкцией к прибору перед градуировкой или выполнением анализов.
2. Мельница для измельчения проб до размера частиц менее 1 мм.
а. Измельчитель Udy Corporation с ситом 1 мм, Folling Number
модель КТ 3300 с ситом 0,8 мм или равноценный, удовлетворяющий
требованиям.
Ь. Различные типы измельчителей дают неодинаковые результаты
измерений вследствие варьирования в размерах частиц и (или) их
формы. Из этого следует, что всегда используют один и тот же из-
мельчитель как при текущих анализах, так и при градуировке при-
бора.
Методика
1. Градуировка
а. Следуют методике ежедневной проверки прибора в соответствии
с указаниями фирмы-изготовителя.
Ь. Подбирают не менее 40 проб общих по свойствам с анализируемы-
ми, покрывающих весь диапазон содержания белка и влаги предполагае-
мый, в будущих анализах. Рекомендуется, чтобы пробы равномерно
распределялись по всему диапазону содержания белка и влаги.
* Метод ближней инфракрасной спектроскопии для контроля качества самых
разных объектов сейчас введен в число официально принятых во многих странах.
В данном приложении мы приводим лишь несколько основных методик, которые
имеют международное значение и которые не учитывать в своей работе просто
нельзя.
627
с. Размалывают каждую пробу, тщательно перемешивают, помеща-
ют в кювету для измерений и регистрируют первичные оптические
данные при исходной позиции кюветы (0°) и повторно после поворота
на 120°. Тщательное перемешивание пробы существенно для получе-
ния точных результатов.
d. Делают повторные химические анализы всех проб.
е. Рассчитывают градуировочные характеристики по методике, ре-
комендуемой в руководстве по использованию прибора.
f. Подбирают дополнительно 20 проб, охватывающих весь диапазон
содержания белка, и проводят испытание на смещение данных.
g. Если необходимо, корректируют наклон и смещение градуиро-
вочного графика согласно инструкции по работе с прибором.
2. Массовые анализы.
а. Ежедневно перед измерениями проводят проверку прибора со-
гласно рекомендациям фирмы-изготовителя.
Ь. Измельчают каждую пробу таким же образом, как при градуи-
ровке, тщательно перемешивают, помещают в кювету, регистрируют
результаты измерений в двух положениях кюветы: при 0 и 120°.
Примечание
Существенно, чтобы градуировка инфракрасного анализатора про-
водилась на основе фактической влажности проб. Результаты опреде-
ления белка могут выдаваться на основе стандартной влажности с
использованием формулы, заложенной в приборе. Основные источ-
ники погрешностей результатов измерения отражения инфракрасных
лучей рассмотрены в публикациях, приведенных ниже.
Источники
1. Hunt W.H., Fulk D.W., Edler В. and Norris K.H. 1977. Collaborati-
ve study on infrared reflectance devices for determination of protein in
hard red winter wheat, and for protein and oil in soybeans// Cereal
Foods World, 22: 534—536.
2. Hymowitz T., Dudley J.W., Collins F.I. and Brown C.M. 1974.
Estimation of protein and oil concentration in corn, soybeans, and oat
seed by near infrared light reflectance// Crop Sci. 14: 713—715.
3. Watson C.A. 1977. Near infrared reflectance spectrophotometric
analysis of agricultural prodducts/ / Anal. Chem. 49: 835a—840a.
4. Watson C.A., Carville D., Dikmen E., Diagger G. and Booth G.D.
1976. Evaluation of two infrared instruments for determining protein
content of hard red winter wheat// Cereal Chem. 53: 214—222.
5. Williams P.C. 1975. Application of near infrared reflectance spectrosco-
py to analysis of cereal grains and oilseeds// Cereal Chem. 52: 561-576
6. Williams P.C. and Thompson,B.N. Influence of whole meal granula-
rity on analysis of HRS wheat for protein and moisture by near infrared
refkectance spectroscopy (NIR)// Cereal Chem. 55: 1014 1037.
628
Приложение 13.2
РЕКОМЕНДАЦИЯ ICC No 202
(International Association for Cereal Science and Technology
Международное общество по химии зерна)
/. Название
Методика анализа зерна пшеницы и зернопродуктов методом спек-
троскопии отражения в ближней инфракрасной области (NIR).
2. Область применения
Данная методика применима для определения белка и влаги в раз-
молотом зерне и зернопродуктах.
3. Сущность метода
Анализ методом NIR основан на градуировке с использованием со-
ответствующего стандартного метода. Такая градуировка представля-
ет эмпирическую модель, в которой содержание определяемого ком-
понента может быть предсказано линейной комбинацией данных от-
ражения при нескольких длинах волн в уравнении и включает нуле-
вой член. Анализ зерновых методом NIR основан на поглощении энер-
гии специфических длин волн пептидными связями между аминокис-
лотами в молекулах белка, группами ОН молекул крахмала и связя-
ми О—Н молекул воды. Для коррекции фона требуются измерения
при соответствующих длинах волн и соответствующая математичес-
кая обработка данных.
4. Аппаратура
4.1. Фотометр или спектрофотометр для измерения отражения в
ближней инфракрасной области.
Несколько фирм производят различные модели приборов для ближ-
ней инфракрасной области, основанные на принципе п.З. Конкретные
используемые приборы должны отвечать требованиям, указанным в
пп.6.2; 6.3 и 6.4.
4.2. Измельчитель, снабженный ситом с отверстиями от 0,5 до 1,0
мм, например КТ 3100, КТ 120, Kamas SKB 200, Udy Cyclone mill или
Retsch ultracentrifugal mill. (Могут быть пригодны и другие измельчи-
тели.)
4.3. Электронный калькулятор со статистическими функциями или
небольшой компьютер; требуемая мощность компьютера зависит от
типа прибора, а также от того, проводится ли новая градуировка или
оценивается существующая.
629
5, Методика
5.1. Отбор проб
Пробы исследуемого продукта отбирают согласно методу ICC No
101/1.
5.2. Подготовка пробы
Анализ пшеницы с помощью инфракрасного метода требует предва-
рительного измельчения пробы, качество которого зависит от ис-
пользуемого измельчителя. Для всех проб должны быть использова-
ны одни и те же измельчитель и сито. Однообразие техники, тща-
тельное перемешивание размолотой пробы имеют большое значение.
Заметна небольшая, но существенная зависимость отсчетов от темпе-
ратуры, и это необходимо иметь в виду, если температуры прибора
или пробы варьируют более чем ±5°С.
5.3, Считывание результатов измерения отражения инфракрасного
излучения
Работа с прибором должна проводиться согласно инструкции фир-
мы-изготовителя. Особое внимание должно быть уделено всем реко-
мендациям по методике ежедневной проверки прибора, чистоте опти-
ки, встроенного стандарта и измерительной кюветы. Существенным
является однообразие техники загрузки проб.
5.4. Градуировка прибора
Прибор должен быть отградуирован с использованием набора
проб с известным составом, определенным стандартными метода-
ми, например белок методом ICC No 105/1 и влажность методом
ICC No 110/1. Эти пробы должны быть тщательно подобраны
так, чтобы они были представительны для типа материала, кото-
рый должен анализироваться в будущем, а также чтобы они были
равномерно распределены по всему диапазону содержания изучае-
мого компонента.
Способы математической обработки для получения градуировоч-
ных уравнений сложны, и поэтому возможно применение различ-
ных вариантов в зависимости от используемого прибора. Исполь-
зуемая методика должна давать градуировку, которая отвечает тре-
бованиям пп. 6.2; 6.3 и 6.4, когда проводят сравнение со стандар-
тным методом на независимых пробах, используя статистические
критерии, определенные в п. 5.5. Для некоторых моделей прибо-
ров однажды определенные и проверенные градуировочные харак-
теристики могут быть прямо перенесены с одного прибора на дру-
гой прибор той же модели (однако для каждого прибора необходи-
мо определение смещения методом, изложенным в п. 5.5).
5.5. Оценка градуировки
Для проверки градуировки прибора, во-первых, подбирают партию
из не менее чем 20 проб (не тех, что использовались для градуи-
ровки), обеспечивая тот же диапазон содержания, что и при градуи-
630
ровке, и анализируют каждую из них инфракрасным методом и по
стандарту. Сравнивают полученные данные методом наименьших квад-
ратов, принимая данные инфракрасного метода за х, а данные стан-
дартного метода за у.
у = а + Ьх.
Если у. и х. представляют соответственно отдельные результаты
инфракрасного и стандартного методов, то константы уравнения а
и Ь\
, = £ (*, - х)(у,- - у) = х,-у,- - £ х, £ yt
Z(x; -х)2 п£х2-(£х,.)2
а - у - Ьх ,
где х.— результат, полученный инфракрасным методом для пробы i;
у.— результат, полученный методом, взятым для сравнения для
пробы i;
х — среднее результатов, полученных инфракрасным методом;
у — среднее результатов, полученных методом, взятым для срав-
нения;
п — число проб;
X — знак суммирования от 1 до п.
Первая из равнозначных форм уравнения дана как более удобная для
программирования на компьютере, так как она дает меньший фон за
счет погрешностей вследствие округлений, в то время как вторая легче
для ручного расчета при проведении его с осторожностью и сохранени-
ем достаточного числа значащих цифр на промежуточных стадиях.
5.5.1. Проверка скошенности
Рассчитывают величину /-критерия Стьюдента из данных, получен-
ных методом наименьших квадратов, используя формулу, приведен-
ную ниже, для установления, существенно ли значение углового ко-
эффициент b отлично от 1:
t =_____,l~b _
s/ ~ x)2
где s = i ———--------------——5--------- .
V n - 2
Если |/|>2 и точность получаемых данных выходит за пределы,
VIZOOQUULIO П П А ТП ГП О П X Т 1Л ПЛ Р Г\ t J lift О VnODUdLIUCl nizninnun 1J ПЛППЛП
631
о смещении не возникает. В этом случае прибор должен быть
отградуирован заново, что предпочтительно, но альтернативой может
быть корректировка всех коэффициентов уравнения (включая Ко )
умножением на значение Ь, а затем прибавлением а к Ко.
5.5.2. Проверка смещения
Если нет скошенности, проводят проверку смещения, учитывая раз-
ности (инфракрасный метод — метод для сравнения), не забывая
знаков, затем рассчитывают
t = Ydi / п
/Е <2 -(Е<)г7^~'
V п(п - 1)
Если |/| >2 и точность выходит за пределы, указанные в п.6.3, гра-
дуировочное уравнение дает смещение данных и среднюю разность,
d., необходимо вычесть из Ко. Если t меньше 2, Кд не корректируют.
5.5.3. Проверка правильности
Рассчитывают среднеквадратическое отклонение разностей между
результатами инфракрасного метода и метода для сравнения:
Проверку правильности предпочтительно проводить на большом числе
проб, проанализированных за период времени, в течение которого
среднеквадратическое отклонение разности находится в пределах,
указанных в п.6.3. Если, однако, сравниваются результаты анализа
одной партии из 20 проб, то к указанным пределам прибавляется
25%, допуская погрешность определения sd , когда п мало (напри-
мер, правильность для белка в муке становится равной 0,25%).
5.5.4. Проверка сходимости
Рассчитывают среднеквадратическое отклонение результатов при па-
раллельных определениях инфракрасным методом на п пробах:
где dt — разность между результатами в каждой паре параллельных
определений.
Сходимость должна быть проверена с повторным отбором размоло-
той пробы и заполнением кюветы, но в один и тот же день и тем же
оператором. В этих условиях величина должна быть в пределах, ука-
занных в п.6.2.
632
5.6. Выполнение определений
Устанавливают в приборе константы Ко, Kv..„ проводят подготовку
проб, как описано в п.5.2, и снимают отсчеты, как описано в п.5.3.
Значения содержания белка (Р ) и влаги (Mg) в размолотой пробе
зерна пшеницы (или муки) высвечиваются на дисплее прибора.
6. Представление результатов
6.1. Расчет
Влажность, % = М (только для муки),
„ О/ 8 V100
Ьелок, /о от сухого вещества = —s--
У 100-Mg
6.2. Сходимость определений
Среднеквадратическое отклонение параллельных определений (sr,
п.5.5.4) не должно превышать 0,10% для белка или влажности в
размолотом зерне пшеницы или в муке.
6.3. Правильность определения
Среднеквадратическое отклонение разности между инфракрасным
методом и стандартным методом (sd, п.5.5.3) не должно превышать
0,20% для белка в муке и влаги в размолотом зерне и 0,30% для
белка в размолотом зерне.
6.4. Стабильность работы прибора и градуировочных характеристик
Однажды проведенная градуировка, проверенная определением су-
щественности скошенности и смещения, а также подтвержденная ус-
тановлением точности и сходимости, как описано выше, может не
требовать корректировки долгое время. Рекомендуется, однако, что-
бы градуировка проверялась периодически сравнением с данными стан-
дартного метода, и это должно проводиться по крайней мере раз в
сезон и предпочтительно вскоре после уборки урожая.
Приложение 13.3.
ОФИЦИАЛЬНЫЙ МЕТОД
FOSFA
Определение содержания жира, влаги и летучих веществ,
протеина в бобах сои по отражению инфракрасного излучения
Federation of Oils, Seeds and Fats Association
Федерация производителей масел, семян и жиров
1. Введение
Данная методика описывает одновременное определение содержа-
ния жира, влаги и летучих веществ, протеина в бобах сои с использо-
633
ванием специального прибора для измерения отражения инфракрас-
ного излучения. Несмотря на то что данный метод основан на приме-
нении специфического прибора, возможно использование других при-
боров, удовлетворяющих требованиям точности, указанным в п. 7.3.
2, Область применения
Описываемый метод применим к одновременному определению со-
держания жира, влаги и летучих веществ, протеина в бобах сои.
Данные показатели могут быть определены в чистых семенах при
соответствующей градуировке прибора или в пробах в первоначаль-
ном виде (чистые семена плюс загрязнения) при содержании приме-
сей не более 2,0%. Там, где необходимо, проводят точное определе-
ние загрязнений. Где загрязненность более 2%, пробы должны быть
очищены так, чтобы загрязнения не превышали 2%. Метод приме-
ним только в пределах диапазона градуировки.
3. Источники
В данной методике имеются ссылки на следующие публикации:
3.1. ISO 659, 1979 Oilseeds — Determination of oil content.
3.2. ISO 655, 1977 Oilseeds — Determination of moisture and volatile
matter.
3.3. ISO 664, 1977 Oilseeds — Reduction contract sample to samples
analysis.
3.4. FOSFA Official Method — Determination of Nitrogen Content by
Kjelfoss Automatic или
3.5. FOSFA Official Method — Determination of Nitrogen Content by
Kjeldahl.
4, Определения
В данной методике используются следующие определения:
4.1. Содержание жира
Общая масса экстрагируемого вещества, определяемая согласно ме-
тодике, описанной в ISO 659, 1979.
4.2. Влага и летучие вещества
Потеря массы пробы, определяемая согласно методике, описанной
в ISO 665, 1977.
4.3. Содержание протеина
Содержание протеина является 5,71-кратным содержанием азота,
определенным согласно методике, описанной в FOSFA Kjelfoss, или
методом Кьельдаля.
5. Принцип
Пробу размалывают до установленного размера частиц. Измеряют
отражение инфракрасного излучения от пробы с помощью специаль-
ного прибора, точно отградуированного по результатам стандартных
химических методов.
634
6. Аппаратура
Требуются следующие оборудование и аппаратура:
6.1. Лабораторная мельница Hammer 225 мм (8 дюймов) с ситом
0,8 мм.
6.2. Инфракрасный анализатор по отражению, способный облучить
пробу инфракрасным светом, измерить спектр отражения от пробы
и, сравнивая поглощение при определенных длинах волн, рассчитать
требуемые параметры. Могут быть пригодны Tecnicon InfraAlyzer мо-
делей 300 и 400.
7. Градуировка прибора
7.1. Градуировку прибора проводят в соответствии с инструкцией из-
готовителя. Используют не менее 40 проб, перекрывающих предполагае-
мый рабочий диапазон содержания определяемых компонентов.
7.2. Пробы для градуировки должны быть проанализированы на
содержание жира, влаги и летучих веществ, протеина с использовани-
ем стандартных методов, указанных в п. 3. Если требования точности
не удовлетворяют этим методам, результаты должны быть исключены
и анализы повторены. Указания изготовителя прибора могут вклю-
чать методику, по которой некоторые результаты можно «исклю-
чать» из градуировки. Не рекомендуется исключать результаты при
расчетах без твердой уверенности в том, что допущена ошибка при
химическом анализе или при вводе данных для инфракрасного анализа.
7.3. Результаты градуировок должны иметь значение коэффициен-
та множественной корреляции данных стандартных методов и дан-
ных, получаемых на приборе, не менее 0,8. Среднеквадратическое
отклонение от градуировочной линии должно быть не более чем 0,3
для содержания жира, 0,2 для влаги и летучих веществ и 0,4 для
протеина.
7.4. Проверка градуировки
Результаты, полученные для каждой 10-й исследуемой пробы, до-
лжны проверяться анализом стандартным методом, указанным в п. 3,
для того, чтобы быть уверенным, что мельница, инфракрасный ана-
лизатор и т.п. работают удовлетворительно. Если необходимо, долж-
на быть введена поправка на смещение.
8. Отбор и подготовка проб к анализу
8.1. Пробы готовят к анализу в соответствии с ISO 664, 1977.
Если при уменьшении размеров первоначальной пробы отделялись
крупные посторонние включения, это должно учитываться при рас-
четах результатов анализа.
8.2. В зависимости от требований контракта пробы используют для
анализа с загрязнениями или после их отделения. Важно, однако,
удалить загрязнения до уровня не выше 2%.
635
8.3. Установите сито 0,8 мм на молотковую мельницу и присоеди-
ните мешок для сбора пробы на сито.
8.4. Отрегулируйте скорость подачи пробы в измельчитель так,
чтобы 200 г пробы размалывались за 1 — 2 минуты. Существенно,
чтобы скорость подачи не была большей, так как в противном случае
результаты могут быть неудовлетворительными.
8.5. Немедленно помещайте размолотый материал в водонепроница-
емую емкость такой вместимости, чтобы размолотый материал пол-
ностью ее заполнял, не оставляя значительного пространства для
воздуха.
8.6. Между размолом проб тщательно очищают сито и прилегаю-
щие поверхности кистью для удаления прилипших частиц.
8.7. Дают мельнице и приемнику пробы остыть в течение 10 минут
после размола 10 проб. Тщательно очищают молотковую мельницу и
приемник пробы после каждых 20 проб. Если мельница используется
для размола и других материалов, важно тщательно очищать мельни-
цу и приемник пробы независимо от числа проб, размолотых ранее
до использования измельчителя для размола сои. Размер частиц яв-
ляется критичным при использовании метода отражения инфракрас-
ного излучения. Важно, чтобы методика измельчения, описанная выше,
точно соблюдалась, так как в противном случае получаемые резуль-
таты могут быть неудовлетворительными.
9. Методика
9.1. Испытуемая часть
Оставляют измельченный материал во влагонепроницаемой емкости
(см. п. 8.5) не менее чем на 1 час для достижения температуры
помещения.
9.2. Определение
9.2.1. Проводят все измерения согласно инструкции изготовителя
прибора.
9.2.2. Убеждаются, что кювета и окно кюветы тщательно очищают-
ся перед каждым измерением. Удаляют кистью материал с внешних
поверхностей кюветы перед каждым измерением.
9.2.3. Измерения выполняют немедленно после заполнения кюветы.
(Определения не должны проводиться на материале, который нахо-
дится в приборе дольше одного цикла измерения.)
9.2.4. Заполняют кювету снова анализируемым материалом и пов-
торяют определение.
9.2.5. Хранят все пробы перед анализом в прохладном темном мес-
те вдали от солнечных лучей и путей прохождения системы охлажде-
ния прибора.
9.2.6. Избегают резких движений при манипулировании с заполнен-
ной кюветой, так как плотность упаковки материала в кювете имеет
636
большое влияние на результаты всех измерений по методике, исполь-
зующей отражение инфракрасных лучей.
10. Выражение результатов расчетов
Берут значения среднего арифметического двух параллельных из-
мерений и записывают результаты. Если результаты различаются бо-
лее чем на 0,6 для содержания жира, 0,4 для влаги и летучих веществ
и 0,8 — для протеина, определения повторяют.
11. Проверка результатов
Отчет по проверке результатов должен содержать указание на ме-
тод, используемый для получения результатов. Он должен также
содержать указание, какой использован прибор, на какой материал
рассчитаны результаты: чистый или в исходном состоянии.
Должны быть также даны указания на любые отступления от усло-
вий, указанных в стандарте, которые могут повлиять на результаты
определения.
Отчет должен содержать все детали, требуемые для идентификации
анализируемой пробы.
12. Правомочность результатов
Данный метод имеет законную силу только в контрактах FOSFA,
если используемое оборудование для инфракрасного анализа градуи-
руется по методам FOSFA.
Приложение 13.4
Значения /-критерия Стьюдента при различной
доверительной вероятности (Р) и числе степеней
свободы (v)
V Доверительная вероятность, Р
0,50 0,80 0,90 0,95 0,98 0,99 0,998 0,999
2 0,82 1,89 2,92 4,30 6,96 9,92 22,33 31,60
3 0,76 1,64 2,35 3,18 4,54 5,84 10,21 12,94
4 0,74 1,53 2,13 2,78 3,75 4,60 7,17 8,61
5 0,73 1,48 2,02 2,57 3,36 4,03 5,89 6,86
6 0,72 1,44 1,94 2,45 3,14 3,71 5,21 5,96
7 0,71 1,42 1,90 2,36 3,00 3,50 4,78 5,40
8 0,71 1,40 1,86 2,31 2,90 3,36 4,50 5,04
9 0,70 1,38 1,83 2,26 2,82 3,25 4,30 4,78
10 0,70 1,37 1,81 2,23 2,76 3,17 4,14 4,59
11 0,70 1,36 1,80 2,20 2,72 3,11 4,02 4,44
12 0,70 1,36 1,78 2,18 2,68 3,06 3,93 4,32
437
Приложение 13.4 (продолжение)
V Доверительная вероятность, Р
0,50 0,80 0,90 0,95 0,98 0,99 0,998 0.999
13 0,69 1,35 1,77 2,16 2,65 3,01 3,85 4,22
14 0,69 1,34 1,76 2,14 2,62 2,98 3,79 4,14
15 0,69 1,34 1,75 2,13 2,60 2,95 3,73 4,07
16 0,69 1,34 1,75 2,12 2,58 2,92 3,69 4,02
17 0,69 1,33 1,74 2,11 2,57 2,90 3,65 3,96
18 0,69 1,33 1,73 2,10 2,55 2,88 3,61 3,92
19 0,69 1,33 1,73 2,09 2,54 2,86 3,58 3,88
20 0,69 1,32 1,72 2,09 2,53 2,84 3,55 3,85
21 0,69 1,32 1,72 2,08 2,52 2,83 3,53 3,82
22 0,69 1,32 1,72 2,07 2,51 2,82 3,50 3,79
23 0,68 1,32 1,71 2,07 2,50 2,81 3,48 3,77
24 0,68 1,32 1,71 2,06 2,49 2,80 3,47 3,74
25 0,68 1,32 1,71 2,06 2,48 2,79 3,45 3,72
26 0,68 1,32 1,71 2,06 2,48 2,78 3,44 3,71
27 0,68 1,31 1,70 2,05 2,47 2,77 3,42 3,69
28 0,68 1,31 1,70 2,05 2,47 2,76 3,41 3,67
29 0,68 1,31 1,70 2,04 2,46 2,76 3,40 3,66
30 0,68 1,31 1,70 2,04 2,46 2,75 3,38 3,65
60 0,68 1,30 1,67 2,00 2,39 2,66 3,23 3,46
120 0,68 1,29 1,66 1,98 2,36 2,62 3,16 3,37
оо 0,67 1,28 1,64 1,96 2,33 2,58 3,09 3,29
Приложение 13.5.
Число пар значений (п), достаточное для
значимости данного коэффициента корреляции
(г) при различных уровнях доверительной
______________вероятности (Р)______________
Г п Г п
0Д5 0Д9 0Д99 0Д5 Р= 0,99 0Д99
0,01 38407 66503 108903 0,31 40 68 109
0,02 9603 16628 27228 0,32 38 63 102
0,03 4269 7392 12103 0,33 36 60 96
0,04 2403 4159 6809 0,34 34 56 90
0,05 1539 2263 4359 0,35 32 53 85
0,06 1069 1850 3028 0,36 30 50 80
0,07 787 1360 2225 0,37 28 47 75
638
Приложение 13.5 (продолжение)
Г п Г п
0^95 СМЭ9 0/399 0,95 0/39 0/399
0,08 604 1042 1704 0,38 27 44 71
0,09 477 824 1347 0,39 26 42 67
0,10 383 661 1081 0,40 24 40 64
0,11 317 548 896 0,41 23 38 60
0,12 267 462 754 0,42 22 36 57
0,13 228 392 640 0,43 21 34 55
0,14 196 337 550 0,44 20 33 52
0,15 171 295 481 0,45 19 31 49
0,16 151 259 422 0,46 19 30 47
0,17 133 228 373 0,47 18 29 45
0,18 119 204 332 0,48 17 27 43
0,19 107 183 297 0,49 16 26 41
0,20 97 165 270 0,50 16 25 39
0,21 87 149 242 0,51 15 24 37
0,22 80 136 211 0,52 15 23 36
0,23 73 124 202 0,53 14 22 34
0,24 68 114 185 0,54 14 21 33
0,25 62 105 170 0,55 13 20 32
0,26 57 97 157 0,56 13 20 30
0,27 53 90 145 0,57 12 19 29
0,28 49 83 135 0,58 12 18 28
0,29 46 78 125 0,59 11 18 27
0,30 43 73 117 0,60 11 17 26
0,61 11 16 25 0,76 7 10 14
0,62 10 16 24 0,77 7 9 14
0,63 10 15 23 0,78 7 9 13
0,64 10 15 22 0,79 6 9 13
0,65 9 14 21 0,80 6 9 12
0,66 9 14 20 0,81 6 8 12
0,67 9 13 20 0,82 6 8 11
0,68 9 13 19 0,83 6 8 11
0,69 8 12 18 0,84 6 7 10
0,70 8 12 18 0,85 5 7 10
0,71 8 11 17 0,86 5 7 10
0,72 8 11 16 0,87 5 7 9
0,73 7 11 16 0,88 5 7 9
0,74 7 10 15 0,89 5 6 8
0,75 7 10 15 0,90 5 6 8
Научное издание
Крищенко В. П.
БЛИЖНЯЯ ИНФРАКРАСНАЯ СПЕКТРОСКОПИЯ
ЛР 064134 («КРОН-ПРЕСС»)
Подписано в печать с готовых диапозитивов 10.02.97.
Формат 60*90'/|6. Печать офсетная. Бумага газетная.
Гарнитура Таймс. Усл. печ. л. 40. Тираж 3 000 экз.
ООО Издательский Дом «КРОН-ПРЕСС»
103030, Москва, ул. Новослободская, 18, а/я 54
По вопросам реализации обращаться по адресу:
Москва, Огородный проезд, 6
Тел.: 218-30-03, 219-82-14
Посетите магазин «КРОН-ПРЕСС» по адресу:
Москва, ул. Новослободская, 18
Тел. 972-14-23
Отпечатано в типографии ОАО «Внешторгиздат»
Заказ 1125
ISBN 5-232-00507-3