基于siPLS的強化生物除磷污泥胞內糖原近紅外分析

李衛華，徐 玲，楊 英，嚴國兵，趙 慶，帥 磊

?

基于siPLS的強化生物除磷污泥胞內糖原近紅外分析

李衛華1,2，徐 玲1,2，楊 英1,2，嚴國兵1,2，趙 慶1，帥 磊1

（1.安徽建筑大學 環境與能源工程學院，安徽 合肥 230601；2.安徽建筑大學 水污染控制與廢水資源化安徽省重點實驗室，安徽 合肥 230601）

為了快速、準確地測定強化生物除磷（EBPR）過程中污泥胞內糖原的含量，采用4種預處理方法分別對污泥近紅外光譜進行預處理，并結合聯合區間偏最小二乘（siPLS）進行變量優選，建立光譜吸光度數據與糖原含量的定量分析模型。結果表明，將一階S-G（Savitzky-Golay）平滑處理后的光譜等分為20個子區間，聯合子區間[10 13 16 19]建立的siPLS模型預測效果最優，預測集的均方根誤差（RMSEP）和相關系數（p）分別達到0.0048、0.9105，且該模型的交互驗證和外部驗證相對分析誤差（RPD）均大于3.0。一階平滑處理后的光譜siPLS模型預測精度高、建模變量少，可實現糖原含量的快速測定。

強化生物除磷；糖原；近紅外光譜；Savitzky-Golay平滑法；聯合區間偏最小二乘

0 引言

強化生物除磷（enhanced biological phosphorus removal，EBPR）是污水生物處理的重要環節，糖原（glycogen）作為強化生物除磷過程中污泥胞內主要的聚合物，在聚磷菌代謝過程中被不斷地循環利用和儲存[1-4]。糖原含量的測定通常采用蒽酮比色法，該操作過程復雜、耗時長、偶然誤差大[5-6]。近年來，紅外光譜分析技術以分析速度快、分辨率高、無損檢驗、成本低等優點被廣泛地應用于污水生物處理的相關領域[7-8]。中紅外技術結合計量學方法定量分析污泥胞內聚合物已有相關報道[9-10]，但目前國內外關于近紅外（near-infrared，NIR）定量分析生物活性污泥胞內糖原含量的相關文獻報道較少。近紅外光譜吸收峰主要來源于含氫基團倍頻和合頻的貢獻，吸收強度弱、譜帶較寬，易受噪聲和背景等非目標因素的影響[11-12]。此外，強化生物除磷污泥是多組分的混合體系，NIR吸收峰來自污泥胞內多種聚合物的貢獻，對單組分信息的提取干擾性強。因此，選擇恰當的多變量數據分析（MVA）方法并對光譜進行有效地預處理是污泥胞內糖原NIR光譜優化模型建立的關鍵。

常見的NIR光譜預處理方法有數據增強算法、多元散射校正、標準正態變換、微分求導、平滑處理等。不同預處理方法的優化效果存在一定差異，需要進行對比分析[13]。目前已有大量報道探討了不同的預處理方法或者預處理方法的不同組合形式對某一種物質NIR光譜定量分析模型的影響。梁家杰等人探討了波段優選對白砂糖NIR定量分析的影響，先后對各波段進行MSC和S-G平滑求導預處理。發現780～1100nm波段一階導數譜的預測精度最高，表明平滑求導參數的合理設置和波段的恰當選擇，可有效改善NIR光譜的分析效果[14]。Ravikanth等嘗試利用NIR超光譜成像技術區分小麥和其中摻雜物，對比分析了5種光譜預處理技術和3種分類算法的各種組合形式對分類模型預測效果的影響，研究表明，當采用k-NN分類算法并對光譜進行SNV預處理時分類精度最高[15]。聯合區間偏最小二乘法（synergy interval partial least squares, siPLS）是一種基于偏最小二乘法（partial least squares, PLS）改進的NIR光譜定標建模方法。該方法有效地壓縮光譜建模變量數，可同時實現最佳建模區間的選擇和待測物質含量的預測，有效過濾噪聲和去除無關信息變量，預測精度和穩健性較PLS優越[16]。Jiang等利用近紅外光譜技術結合siPLS測定小麥秸稈固態發酵過程中的PH值和含水率，PH和含水率NIR光譜建模預測集的RMSEP分別為0.0963、0.0149；相關系數p分別達到為0.9686、0.8684。表明采用近紅外技術快速測定上述工藝參數具有可行性[17]。Wang等利用siPLS對53個不同酒精含量待測樣品的NIR光譜進行定量分析，所建模型的預測精度較高，預測效果較好[18]。本研究擬采用不同的預處理方法對強化生物除磷污泥NIR光譜數據進行預處理，結合siPLS選擇最佳建模區間，建立污泥胞內糖原含量與光譜吸光度數據的定量分析模型。對比分析不同預處理方法對建模預測能力和精度的影響，以期得到污泥近紅外光譜的最佳預測模型，實現污泥胞內糖原含量的快速、準確測定。

1 材料與方法

1.1 實驗裝置、設備和檢測方法

1.1.1 實驗裝置、設備

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

1.1.2 糖原的化學測定

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

1.1.3 污泥樣品的近紅外光譜采集

選用德國布魯克公司生產的MPA型傅里葉近紅外光譜儀，光譜的掃描范圍為12000～4000 cm－1，掃描次數為64次，分辨率為2cm－1。實驗在較干燥的環境中進行，室溫約26℃左右。每次測量前需將顆粒污泥研磨均勻并覆蓋測量專用瓶底部，測量時應先測定背景值，再測污泥樣品光譜數據。每個待測污泥樣品平行測量3次，最終以3次測量的平均值作為該污泥樣品的理想光譜[19]。

1.2 NIR光譜數據的分析方法

1.2.1 NIR光譜預處理方法

綜合考慮NIR光譜吸收峰的特點和污泥樣品組分的構成，擬采用0～1歸一化（normalization）、多元散射校正（multiplicative scatter correction，MSC）、標準正態變換（standard normal variate，SNV）、卷積平滑法（Savitzky-Golay smoothing，S-G）4種預處理方法對污泥胞內糖原的近紅外光譜進行預處理。

1）歸一化（0～1）

不同近紅外光譜儀的量綱單位各異，數據歸一化可以使數據標準化，剔除冗余信息、減小光程對NIR光譜定量建模的影響[13]，是常用的光譜數據增強方法，具體表達式如下：

x＝(x－x,min)/(x,max－x,min) (1)

式中：x為第條光譜第個波長點對應的吸光度數據；x,max為第條光譜所有波長點對應的吸光度數據最大值；x,min第條光譜所有波長點對應的吸光度數據最小值。

2）MSC

在散射系數不變的前提下，NIR光譜漫反射遵守Kubelka‐Munk定律，然而污泥顆粒大小、形狀、分布等因素都會對近紅外光的散射產生一定的影響，致使散射系數發生改變[20]。MSC、SNV是常見的校正散射效應的預處理方法。MSC具體表達式如下：

①最小二乘線性擬合

式中：a、b為擬合系數；e為殘差光譜。

②光譜多元散射校正

經MSC校正后的樣品光譜矩陣MSC為：

MSC＝(－b)/a(3)

3）SNV

假設每條光譜對應的吸光度數滿足正態分布，通過對每條光譜吸光度數據標準化，即光譜矩陣按行標準正態化實現光譜校正[21]。表達式如下：

為經標準正態變換校正后的第個波長點對應的吸光度；為每條光譜吸光度變量總數。

4）S-G平滑法

常用的光譜求導方法有S-G平滑和直接差分求導兩種，S-G平滑處理又被稱作“數字濾波器”，具有平滑處理和微分求導的雙重作用。可有效濾噪、提高信噪比、消除基線和背景等因素對光譜的干擾，是近紅外光譜定標建模常用的預處理方法[14]。表達式為：

①對窗口內的2＋1個吸光度數據點(x,y)進行最小二乘線性擬合：

假設擬合曲線次多項式：

令：

r＝(x)－y；

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

③對()求階導，計算窗口內中心點的階導的導數值。

④每次窗口移動一個數據點，在全光譜范圍內移動，得到平滑光譜和階導數光譜。

1.2.2 NIR光譜建模方法

近紅外光譜中包含大量與待測物質無關的信息變量，適當的光譜信息篩選，將有助于進一步提高優化模型的靈敏度和精度。擬采用N?rgaard等開發的聯合區間偏最小二乘（siPLS）建立NIR光譜定標分析模型，實現變量優選，壓縮變量數。siPLS的基本原理：將NIR光譜建模區間等份，利用自由組合C的原理（一般≤5），從個建模子區間中隨機的選擇個子區間建立糖原含量的PLS定量模型[22]。具體包括校正模型的建立和模型的驗證兩部分。首先對已建立的C個PLS定量分析模型進行自測，以交互驗證均方根誤差（root mean square errors of cross-validation, RMSECV）、相關系數和交互驗證相對分析誤差（relative percent deviation, RPD——SD(standard deviation)/RMSECV）作為自測效果優劣的評價指標，確定最佳校正模型；再利用該校正模型對待測污泥樣品胞內糖原含量進行預測，驗證模型的最終評價指標為預測集均方根誤差（root mean square errors of prediction, RMSEP）、相關系數p和外部驗證相對分析誤差（relative percent deviation, RPD——SD/RMSEP）。

2 實驗結果與討論

2.1 污泥NIR原始光譜解

36個待測污泥樣品的NIR光譜圖如圖1所示，由于污泥樣品的取樣時間點和取樣時反應器運行狀態都不完全相同，待測污泥樣品光譜存在較大差異。波數為9000～12000cm－1的光譜區域不存在明顯吸收峰，推測該波段基本不具有與待測污泥樣品胞內糖原分子結構中化學鍵相關的信息。光譜曲線平滑度較低，基線飄移現象明顯。

圖1 36個污泥樣品原始近紅外光譜圖

2.2 污泥NIR光譜預處理

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

2.3 siPLS建模

2.3.1 污泥樣品校正集和預測集的劃分

有效地劃分校正樣品集和預測樣品集是定量模型建立的前提，本研究共獲得取自7個典型周期的63個待測污泥樣品，隨機選擇其中4個典型周期的36個污泥樣品作為校正集，剩下3個典型周期的27個污泥樣品作為預測集。校正集和預測集中胞內糖原含量的分布情況如表1。

2.3.2 siPLS校正模型的建立

采用siPLS結合預處理后的污泥NIR光譜建立污泥胞內糖原含量的定量分析模型，光譜等份數和聯合子區間數是建模的重要參數，當值一定時，較大則計算量較大且有用信息大量丟失；小則難以有效地變量數壓縮[22]。本研究將整個光譜（4000～12000cm－1）劃分為20個子區間，聯合4個子區間建立局部PLS回歸模型。以交互驗證均方根誤差（RMSECV）和相關系數作為評價指標確定最佳建模子區間，確定最佳siPLS校正模型。并采用相對分析誤差RPD對校正模型進行深入分析，當1.5≤RPD＜2.0，表明模型具有一定的可行性；當2.0≤RPD＜2.5，表明模型可以定量分析；2.5≤RPD＜3.0，表明模型預測效果較好；3≤RPD，表明模型預測效果很好[23-24]。

2.3.3 siPLS校正模型的分析

采用4個典型周期的36個污泥樣品建立校正模型，不同預處理后的NIR光譜建模的預測效果存在一定的差異，污泥樣品的近紅外光譜siPLS校正模型預測結果如表2所示。

由表2可知污泥胞內糖原NIR光譜預測模型校正集的相關系數均大于0.8940，交互驗證均方根誤差均小于0.0058，交互驗證相對分析誤差RPD均大于2.5，說明校正模型相關性較好，利用NIR光譜結合siPLS建模對糖原含量進行定量分析可行性較高。其中一階平滑處理后的siPLS校正模型對定標集的擬合效果最好，圖3為該校正集中測量值和預測值相關性圖，校正集的均方根誤差RMSECV和相關系數分別達到0.0043、0.9292且RPD＞3.3。圖4為該校正模型定標建模的最佳聯合區間，建模區間[10 13 16 19]對應的光譜波數為4389～4775cm－1、5577～5970cm－1、6780～7174cm－1、7984～8377cm－1。NIR光譜的吸收峰來自待測物質分子結構中化學鍵的貢獻，4389～4775cm－1建模波段可能與糖原分子結構中聚合體（?O—H和?O—C）的O—H鍵、C—O鍵伸縮組合頻密切相關。5577～5970cm－1波段的吸收峰可能來源于糖原聚合體分子結構中亞甲基（?CH2）的C—H鍵的一級倍頻（2）貢獻。6780～7174cm－1可能歸屬于糖原分子結構中聚合體（?O—H）的O—H鍵一級倍頻區域（2）[25]。建模的變量數由1037減少為203，壓縮80%光譜數據。有效去除無關信息變量，加快模型預測的速度。

圖2 不同預處理后的污泥近紅外光譜圖

表1 校正集和預測集中污泥胞內糖原含量的分布范圍

2.3.4 siPLS模型驗證

每一種預處理方法對糖原含量的定量分析模型的預測能力都會產生一定影響，不同預處理的NIR光譜siPLS建模預測效果對比分析見表3。

對比分析不同預處理對光譜siPLS建模預測結果的影響，僅有二階S-G平滑和歸一化處理后的NIR光譜siPLS模型的外部驗證RPD值小于2.5，其他預處理后的模型外部驗證RPD值均大于2.5，表明污泥樣品的siPLS模型預測結果較為理想。歸一化預處理后的建模預測集相關系數p＜0.8600，RMSEP達到0.0062，預測效果一般。SNV、MSC預處理后的siPLS建模預測效果較好。而S-G平滑處理建模效果與平滑參數密切相關，當移動窗口內平滑點數、多項式次數不變時，求導階數的增加可能會導致參與建模的噪聲信息也相應增多，從而影響模型預測能力。二階S-G平滑處理后的光譜建模效果較原始光譜差，零階S-G平滑處理的建模效果較好。一階S-G平滑處理后的光譜建模預測效果最佳，預測集的均方根誤差RMSEP和相關系數p分別達到0.0048、0.9105且外部驗證RPD＞3.0。其相關性曲線如圖5所示，除了個別樣品點存在偏差，其他所有數據點預測精度較高，樣品點的分散度較低，均緊密分布在相關性曲線兩側。該模型預測值與實測值的對比分析和殘差分析分別見圖6和圖7。

圖3 一階平滑處理后的光譜siPLS建模校正集中糖原測量值和預測值的相關性

圖4 一階平滑處理后的NIR光譜siPLS建模的最佳子區間

表2 不同預處理后的光譜siPLS校正模型的預測結果

表3 不同預處理后的光譜siPLS建模預測效果的比較

由圖6可知，預測值的變化趨勢同污泥樣品胞內糖原含量的變化趨勢基本保持一致。表明該模型作為EBPR機理研究的便捷手段具有可行性。由圖7可得實測值和預測值的殘差主要集中在±0.008，實測值和預測值的絕對偏差較小，模型預測準確性高。此外，為了進一步論證siPLS預測模型的優越性，建立一階S-G平滑處理后的全光譜PLS預測模型。得到全光譜PLS模型預測集均方根誤差RMSEP和相關系數p分別為0.0082、0.8005。由此可見一階S-G平滑處理后的siPLS建模不僅可以實現變量優化而且大幅度地提高模型的預測能力。

圖5 一階平滑處理后光譜siPLS建模預測集中糖原測量值和預測值的相關性

3 結論

利用聯合區間偏最小二乘（siPLS）建立EBPR污泥NIR光譜吸光度數據與蒽酮比色法測定糖原含量的定量分析模型。對比4種不同預處理方法對NIR光譜建模預測效果的影響。結果顯示，經過一階S-G平滑處理后的光譜建模效果最佳，預測集的均方根誤差RMSEP和相關系數p分別達到0.0048、0.9105且優于全光譜PLS建模的預測精度。siPLS建模的最佳子區間為[10 13 16 19]，變量數壓縮80%。有效去除無關信息變量，加快模型預測速度。由此表明，以siPLS為建模方法并對光譜進行一階S-G平滑處理，可獲得較理想的污泥胞內糖原NIR光譜優化模型。雖然僅涉及污水的強化生物除磷過程，但該方法構建的化學計量學平臺可被推廣應用于污水生物處理的其他相關領域，具有一定的參考價值。

圖6 糖原化學測量值與一階平滑處理后的光譜siPLS建模預測值的比較

圖7 一階平滑處理后光譜siPLS建模預測集中糖原測量值和預測值的殘差分布

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

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

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

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

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

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

[7] 劉宏欣, 張軍, 王伯光, 等. 水質監測中總磷無損的近紅外光譜分析研究[J]. 分析科學學報, 2008, 24(6): 664-666.

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

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

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

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

[10] 李衛華, 嚴國兵, 申慧彥, 等. 強化生物除磷過程中污泥胞內糖原的紅外光譜分析[J]. 環境科學學報, 2015, 35(3): 705-712.

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

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

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

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

[13] 褚小立, 袁洪福, 陸婉珍, 等. 近紅外分析中光譜預處理及波長選擇方法進展與應用[J]. 化學進展, 2004, 16(4): 528-542.

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

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

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

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

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

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

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

[19] 江澤慧, 費本華, 楊忠, 等. 光譜預處理對近紅外光譜預測木材纖維素結晶度的影響[J]. 光譜學與光譜分析, 2007, 27(3): 435-438.

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

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

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

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

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

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

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

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

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

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

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

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

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

O657.33

A

1001-8891(2016)12-1053-08

2016-02-29；

2016-05-11.

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

楊英，博士，教授，碩士生導師。E-mail：yangying5918@163.com。

國家自然科學基金（51378017）；安徽省教育廳科學研究重大項目（KJ2015ZD12）；安徽省高校省級自然科學研究項目（KJ2013A067）；省級質量工程教學研究重點項目（2015jyxm242）。