基于光谱分解优化算法的近红外光谱定量分析：消除水分干扰提升烟草中Amadori化合物检测精度

为解决近红外光谱(NIR)中水分强吸收干扰化学物质定量分析的难题，中国烟草总公司郑州烟草研究院团队开发了光谱分解优化算法(SDOA)，通过构建差异光谱矩阵和奇异值分解，有效消除烟草叶片中17种Amadori化合物的水分干扰。研究显示，SDOA处理后光谱一致性显著提升（平均相关系数>0.9999），建立的SDOA-PLS模型预测性能优异（R2达0.8705-0.9859，RPD为2.778-8.423），为烟草加工过程的质量控制提供了可靠技术支撑。

　　

在食品和烟草工业中，Amadori化合物作为美拉德反应的关键中间体，直接影响产品风味品质。然而这些化合物的传统检测方法如高效液相色谱-串联质谱(HPLC-MS/MS)存在耗时长、成本高的缺陷，而近红外光谱(NIR)技术虽具快速无损优势，却因水分(O-H)在NIR区域的强吸收特性，导致微量Amadori化合物（尤其是μg/g级组分）的定量分析严重失真。更棘手的是，烟草加工过程中4%-16%的含水量波动使问题进一步复杂化，现有光谱校正方法如SST（需高精度水分模型）、PDS（参数优化复杂）和EPO（有用信息丢失）均难以满足实际需求。

中国烟草总公司郑州烟草研究院的研究团队创新性地提出光谱分解优化算法(SDOA)。通过采集678份陈化烟叶样本（覆盖13个水分梯度），构建差异光谱矩阵并进行奇异值分解(SVD)，最终建立能精准剥离水分干扰的SDOA-PLS预测模型。关键技术包括：采用Kennard-Stone方法划分训练/验证集；利用Antaris II傅里叶变换近红外光谱仪采集4000-10000 cm^-1范围光谱；结合多元散射校正(MSC)和Savitzky-Golay平滑预处理；通过主成分数优化（g=4）构建水分校正矩阵。

研究结果显示三大突破性进展：

1. 光谱一致性提升：SDOA处理后不同含水量样本的光谱相关系数从0.9903提升至>0.9999，PCA分析显示PC1方差从1.017降至0.0062，水分干扰被有效抑制。

2. 模型性能优化：针对16种易受干扰的Amadori化合物（除高含量的Fru-Pro外），SDOA-PLS模型的R²达0.8705-0.9859，RPD为2.778-8.423，其中μg/g级化合物如Fru-Gln的预测偏差降低33.3%。

3. 水分稳定性验证：ANOVA证实经SDOA校正后，不同含水量样本的预测值无显著差异（P>0.05），解决了传统方法需严格控水的行业痛点。

这项发表于《Journal of Agriculture and Food Research》的研究，通过算法创新实现了NIR技术在复杂水分条件下的精准定量。特别值得注意的是，SDOA通过数学分解而非物理除湿来消除干扰，既保留了Amadori化合物的特征光谱（如羟基/羧基/胺基的氢键信息），又避免了样本前处理带来的分析误差。该技术为烟草工业在线质量监控提供了新范式，其核心思想也可拓展至食品、药品等含水体系的微量成分检测领域，具有重要的产业应用价值。