多孔管状Bi3NbO7电催化剂的简易合成及其在抗高血压药物氨氯地平与氢氯噻嗪同步检测中的应用

为解决作物秸秆工业化高值利用中原料特性实时监测难题，研究人员通过实验室与工业化近红外光谱（NIRS）设备对比，系统优化25种光谱预处理组合与7种变量选择算法，构建了秸秆挥发分（VM）与灰分（Ash）的快速检测模型。研究发现工业化设备对VM预测优于实验室设备（SEVal降低0.08），而Ash预测精度相当；多算法联合优化可提升实验室模型稳定性，为秸秆能源化利用的工业化NIRS应用提供理论与数据支撑。

　　

在全球能源转型与碳中和背景下，作物秸秆作为年产量达8亿吨的可再生资源，其高值化利用（如气化、生物油制备）备受关注。然而，传统分析方法如工业分析（proximate analysis）和热重分析（TGA）存在耗时长、成本高的问题，难以满足工业化实时监测需求。近红外光谱（NIRS）技术虽在实验室环境中表现优异，但工业化设备在噪声、振动等恶劣工况下的性能差异尚不明确，成为制约秸秆能源化产业推广的技术瓶颈。

中国农业大学的研究团队针对这一挑战，采集了全国12省份250份秸秆样本（涵盖水稻、小麦等5类作物），分别使用实验室设备（Bruker MPA II）和工业化设备（SupNIR-2750）获取光谱数据，并测定VM与Ash含量。研究通过系统比较25种光谱预处理组合（如DTD-SG）和7种变量选择算法（如CARS、SPA），结合偏最小二乘回归（PLS）建模，首次揭示了两种设备在秸秆特性检测中的性能差异。关键技术包括：多区域样本队列构建、工业化NIRS设备适应性验证、基于变量重要性（VI）的多算法协同优化策略。

结果部分
全光谱NIRS模型性能：对于VM预测，工业化设备经DTD-SG预处理后SE_Val达0.42，较实验室设备提升12%；Ash预测中两者精度相当（SE_Val≈0.15），表明工业化设备在复杂组分检测中更具优势。

变量选择算法影响：CARS算法使实验室VM模型的R²提高0.11，而工业化Ash模型无需变量选择即可达到最优，说明算法适用性依赖设备-属性组合。

多视角可视化分析：通过变量重要性热图发现，VM特征波段集中于1,100-1,300 nm（C-H键振动），而Ash敏感区在1,900-2,200 nm（矿物基团），为传感器设计提供理论依据。

结论与意义
该研究明确了工业化NIRS设备在秸秆VM检测中的优越性，突破了传统认为实验室设备精度更高的认知局限。通过建立设备-算法-属性的匹配规则，证明多算法集成可提升模型鲁棒性（实验室VM模型SE_Val降低19%），但过度优化可能导致过拟合。研究成果发表于《Microchemical Journal》，为秸秆能源化产业的在线质量监控提供了首个跨设备可比模型体系，推动生物质能技术从实验室走向规模化应用。