1、秸稈的熱化學(xué)工程特性是秸稈能源化利用的重要特性，為了探討秸稈熱化工特性的快速檢測(cè)方法，本課題采集不同地區(qū)不同品種的水稻、小麥、玉米、油菜共計(jì)188個(gè)秸稈樣品，參照國(guó)家標(biāo)準(zhǔn)測(cè)定了樣品的元素分析指標(biāo)、高/低位熱值和工業(yè)分析指標(biāo)，應(yīng)用反射和透射光譜技術(shù)，通過(guò)傅里葉近紅外光譜儀、高光譜反射和透射成像系統(tǒng)3種方式分別獲取秸稈的近紅外光譜、可見(jiàn)/近紅外反射光譜以及可見(jiàn)/近紅外透射光譜信息，采用偏最小二乘算法(PLS)分別建立3種方式下的秸稈熱化學(xué)工

2、程特性指標(biāo)的定量分析模型，比較3種光譜采集方式下光譜的不同預(yù)處理方法、變量選取算法所建模型的優(yōu)劣，確定各指標(biāo)的最優(yōu)檢測(cè)模型。本研究主要內(nèi)容包括：
　?、磐ㄟ^(guò)比較高光譜反射、透射及近紅外光譜檢測(cè)元素的定標(biāo)效果，確定了基于高光譜反射技術(shù)的元素分析指標(biāo)(C、N、H、S、O)模型最優(yōu)。光譜最優(yōu)預(yù)處理方法分別為.:C元素為無(wú)預(yù)處理(None);N元素為去趨勢(shì)變換(Detrend);H元素為多元散射校正結(jié)合標(biāo)準(zhǔn)化(MSC+Autoscale)

3、;S元素為一階導(dǎo)數(shù)結(jié)合標(biāo)準(zhǔn)化(FD+Autoscale);O元素為去趨勢(shì)變換結(jié)合均值中心化(Detrend+Mean Center)。確定競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣算法(CARS)為最優(yōu)變量選擇算法，對(duì)各個(gè)元素定量分析模型進(jìn)行優(yōu)化，參與建模的變量數(shù)顯著下降，且模型的穩(wěn)定性和預(yù)測(cè)性能均有提升。N、O元素的模型最優(yōu)，N元素采用24個(gè)變量建立模型，驗(yàn)證集相關(guān)系數(shù)（Rp）為0.923，均方根誤差（RMSEP）為0.196％，相對(duì)分析誤差(RPD)為

4、3.11;O元素僅采用10個(gè)光譜變量建立模型，驗(yàn)證集相關(guān)系數(shù)（Rp）為0.876，均方根誤差（RMSEP）為1.015％，相對(duì)分析誤差(RPD)為2.32。N、O元素的模型可用于實(shí)際應(yīng)用，C、H、S元素CARS-PLS模型預(yù)測(cè)效果不理想。
　?、仆ㄟ^(guò)比較高光譜反射、透射及近紅外光譜檢測(cè)熱值的定標(biāo)效果，確定了基于近紅外光譜技術(shù)的熱值分析指標(biāo)（高位熱值、低位熱值）模型最優(yōu)。最優(yōu)光譜預(yù)處理方法分別為:高位熱值為多元散射校正結(jié)合一階導(dǎo)數(shù)及

5、S-G平滑(MSC+FD+S-G smooth);低位熱值為多元散射校正結(jié)合一階導(dǎo)數(shù)(MSC+FD)。高位熱值校正集相關(guān)系數(shù)（Rc）為0.904，均方根誤差（RMSEC）為291 J·g-1，交互驗(yàn)證相關(guān)系數(shù)(Rcv)為0.859，交互驗(yàn)證均方根誤差(RMSECV)為348 J·g-1，驗(yàn)證集相關(guān)系數(shù)（Rp）為0.908，均方根誤差（RMSEP）為328 J·g-1，平均偏差(Bias)為34.616 J·g-1，相對(duì)分析誤差(RPD)

6、為2.22，所建立的高位熱值定量分析模型可用于定量分析;低位熱值校正集相關(guān)系數(shù)(Rc)為0.869，均方根誤差(RMSEC)為315 J·g-1，交互驗(yàn)證相關(guān)系數(shù)(Rcv)為0.822，交互驗(yàn)證均方根誤差(RMSECV)為363 J·g-1，驗(yàn)證集相關(guān)系數(shù)（Rp）為0.850，均方根誤差（RMSEP）為365 J·g-1，平均偏差(Bias)為34.979 J·g-1，相對(duì)分析誤差(RPD)為1.94。結(jié)果表明，所建立的定量分析模型可用

7、低位熱值的估測(cè)，模型精度還可進(jìn)一步提高。
　　⑶比較了高光譜反射、透射及近紅外光譜檢測(cè)工業(yè)分析指標(biāo)的模型效果，確定了基于反射高光譜成像技術(shù)的工業(yè)分析指標(biāo)（灰分、水分、揮發(fā)份、固定碳）模型最優(yōu)。最優(yōu)光譜預(yù)處理方法分別為:灰分為多元散射校正結(jié)合標(biāo)準(zhǔn)化(MSC+Autoscale);水分為標(biāo)準(zhǔn)正態(tài)變量校正結(jié)合標(biāo)準(zhǔn)化(SNV+Autoscale);揮發(fā)份為一階導(dǎo)數(shù)結(jié)合均值中心化(FD+Mean Center);固定碳為標(biāo)準(zhǔn)正態(tài)變量校正結(jié)合