石油烃类污染物进入土壤后会随着时间逐步迁移到土壤深层。传统的土壤石油烃检测方法因自身的局限性，无法及时快速地检测深层土壤中的石油烃质量分数。为快速检测深层土壤中的石油烃类污染物，提出了一种基于紫外诱导荧光的石油烃原位检测技术，利用280 nm的深紫外发光二极管（LED）作为激发光源、光电倍增管（PMT）作为信号检测器完成对土壤中石油烃质量分数的探测。实验结果表明，该检测技术能够实现对不同土壤类型（红壤、黄壤、黑土和湖底淤泥土）中各类机油（汽油机油、柴油机油和空压机油）的定量检测，检测结果的平均相对误差（RE）小于10.00%，平均相对标准偏差（RSD）小于4.00%，土壤中各类石油烃的检出限均小于136 mg/kg，完成单个样本测量仅需2.0 s。

荧光法作为一种非侵入性测量手段,能够实现水体藻类初级生产力的快速测量。然而在目前初级生产力荧光动力学分析中,藻类光合尺寸单元通常采用固定值,导致初级生产力测量结果发生偏差,特别是水体存在蓝藻时尤为明显。光合尺寸单元定义为光合反应中心浓度与叶绿素浓度的比值。为获得准确的水体藻类光合尺寸单元以提高初级生产力测量结果的准确性,利用激发荧光光谱分析水体蓝藻和其他真核藻占比,以此为基础对混合藻样品光合尺寸单元进行校正,并提出一种基于光合尺寸单元校正的荧光法藻类初级生产力测量方法。纯种样品和混合样品初级生产力比对测试实验结果表明:纯种蓝藻、绿藻、甲藻样品的初级生产力测量误差由校正前的38.8%、14.3%、13.2%下降至3.9%、4.1%、5.2%;混合样品初级生产力最大和平均测量误差由校正前的20.4%、15.2%下降至4.5%、5.2%。该结果证明,所提校正方法可有效解决光合尺寸单元使用固定值带来的初级生产力测量偏差问题,为提高水体藻类初级生产力测量结果的准确性提供了重要参考。

多环芳烃是具有致突变、 致癌和致畸作用的一类持久性有机污染物, 广泛分布在大气、 水、 土壤等不同环境介质中。 多环芳烃一旦进入土壤便会长期存留于其中, 土壤成为环境中多环芳烃的重要储藏库和最终归宿。 土壤中的多环芳烃可以通过多种途径进入人体, 对人类健康造成威胁。 因此, 对土壤中多环芳烃的监测十分必要。 当前, 传统的土壤多环芳烃检测方法过程繁琐、 费时, 不利于污染场地多环芳烃的大范围快速检测, 而基于激光诱导荧光光谱技术的土壤多环芳烃检测法能够快速识别、 检测土壤中的有机污染物。 多环芳烃类物质具有易挥发, 可被紫外光降解等特性, 实验中紫外激光能量的选择至关重要, 本文利用实验室搭建的266 nm激光诱导荧光系统, 以蒽、 芘、 菲为研究对象, 探究不同激光能量下多环芳烃分解和荧光光谱的变化特性。 结果表明, 当激光的能量密度变化时, 荧光中心峰位置未发生偏移, 但蒽、 芘、 菲三种多环芳烃荧光峰处最大强度的相对标准偏差随激光能量密度的下降呈现出先下降后上升的趋势: 当能量密度为8.54 mJ·cm-2时, 三种物质在10次光谱测量结果的相对标准偏差均为最大, 蒽、 芘、 菲三种物质的荧光峰强度相对标准偏差分别在1.72, 1.00和1.47 mJ·cm-2的能量密度下达到最小值；蒽、 芘、 菲在100 s时, 分解率分别达到59.3%, 69.8%和63.6%, 在较高的能量下, 蒽、 芘、 菲三种物质发生了较快的分解, 芘相比于其他两种多环芳烃类物质更易发生光降解和热分解等作用, 荧光峰强度相对标准偏差也高于蒽与菲；蒽在激光能量密度为1.72 mJ·cm-2时, 10 s时的分解率已经接近于0, 100 s时分解率仅为12.8%, 荧光峰强度相对标准偏差达到最低, 当激光能量密度降至0.88 mJ·cm-2时, 蒽在100 s内的分解几乎可以忽略不计；对于芘而言, 当激光能量密度降至1.00 mJ·cm-2以下时, 分解作用基本趋于一致, 100 s时分解率在47.3%~47.4%；而对于菲而言, 当激光的能量密度低于1.47 mJ·cm-2后, 分解率不再随激光能量密度的降低而明显下降, 在100 s时的分解率在36.8%~38.6%；在低能量密度土壤中芘与菲下仍发生分解作用。

首先采用藻类荧光产率模型,以荧光饱和参数Eσ作为饱和激发光强的判断标准,提出了一种激发光强自适应方法,以准确获取不同藻类的光合荧光参数。结果表明,7种藻经自适应调整后可快速而稳定地获得饱和激发光强,调整结果的相对标准偏差均小于2.5%。然后利用激发光强自适应的可变光脉冲诱导荧光(TPLIF)技术测量了7种藻的有效光吸收截面σPSII,并分析了不同门类藻的σPSII差异。最后采用TPLIF技术测量了不同生长时期的小球藻样品,记录了其荧光参数Fv/Fm值和变化趋势,并将其与光合活性分析仪Fast-Ocean的测量结果进行对比,结果发现两者测得的Fv/Fm值保持一致,相关系数为0.9939。本研究为不同生长时期(生长状态差异明显)、不同种类藻光合荧光参数的准确测量提供了有效的饱和激发手段。

采用荧光分光光度计直接获取土壤中多环芳烃(PAHs)的三维荧光光谱,并利用非平滑非负矩阵分解(nsNMF)对其进行解析,结果表明,非负矩阵分解(NMF)能够从混叠光谱中提取出单一多环芳烃的荧光光谱信号。在随机初始值下,nsNMF优于基于交替式非负最小二乘的标准非负矩阵分解(NMF/ANLS),解析光谱与参考光谱的相似系数均在0.824以上。特别是在农田土壤中,菲和蒽的解析光谱与标准参考光谱的相似系数分别由0.758、0.845(NMF/ANLS)提高到0.907、0.913(nsNMF)。三维荧光光谱结合nsNMF能够实现土壤多环芳烃组分的快速识别。

随着我国经济的迅速发展, 石油制品需求量与日俱增, 伴随着工农业生产活动, 大量石油制品进入土壤, 造成严重的土壤石油污染。 土壤中的石油污染物会对植物生长产生危害, 并通过食物链威胁人类健康,因此需对土壤中的石油污染物进行现场、 快速检测。 激光诱导荧光技术（Laser-Induced fluorescence, LIF）具有检测速度快、 灵敏度高、 可现场检测等优点, 但在检测土壤中有机污染物时, 面临着荧光光谱重叠严重等问题。 为了研究土壤中机油和柴油混合物荧光信号的重叠特性, 制备了10种含有不同浓度机油、 柴油混合物的土壤样品。 通过搭建LIF实验系统, 获取不同混合浓度的机油和柴油的荧光光谱, 对油类荧光光谱进行了最大值归一化处理, 建立土壤中机油、 柴油混合光谱的反演关系, 以最小残差平方和为指标, 使用迭代逼近算法计算出土壤荧光光谱中柴油和机油样品的荧光贡献率。 分别使用了全谱法和截取特征光谱两种方法计算机油和柴油的荧光贡献率。 全谱法是在混合油样的全波段光谱（200~600 nm）范围进行迭代逼近, 截取特征光谱方法是在截取油样光谱（330~460 nm）段进行迭代逼近。 （330~460 nm）范围内包含了混合油样的所有光谱特征。 用计算出的机油的荧光贡献率与机油样品浓度做线性拟合时发现, 截取特征光谱法的拟合系数R为0.989, 优于全谱法的0.923。 分别用全谱法、 截取特征光谱法计算出的荧光贡献率以及归一化机油、 柴油光谱合成混合油归一化光谱, 与实际归一化混合光谱比较, 截取特征光谱法计算的平均相对误差为3.38%, 优于全谱的8.79%, 其原因是全谱法比截取特征光谱法引入了更多的噪声信号, 所以在计算油类荧光贡献率时产生了较大的误差。 选取机油和柴油归一化光谱上300, 350, 400, 450和500 nm等 5个位置的荧光强度与归一化混合油光谱做多元线性回归拟合, 计算出平均相对误差为10.31%。 结果表明截取特征光谱方法优于多元线性回归方法； 土壤中机油和柴油的荧光贡献率与自身的浓度之间成良好的线性关系, 说明在土壤中机油和柴油混合后各自的化学性质保持稳定, 在土壤中的荧光信号重叠特性是线性叠加的。 这种这种方法同样可以用于其他石油类混合物的解离。 通过该研究提高了LIF技术在土壤中石油烃类污染物定性与定量检测的准确性。 为土壤中石油烃现场快速检测提供了方法支撑。

石油的勘探开发遍布我国各地区, 其产品的应用与工农业生产和人民日常生活密不可分。 石油及石油制品在使用过程中泄漏到土壤中不断累积, 会破坏生态环境。 激光诱导荧光（LIF）是检测土壤中石油烃类有机污染物的重要方法。 激光脉冲能量是LIF的重要实验参数, 对检测灵敏度, 稳定性有显著影响。 为探究土壤中石油烃的激光诱导荧光信号随激发光脉冲能量变化的特性, 以机油为例, 在实验室制备了机油浓度为0.5%～6%的土壤样品, 使用Nd∶YAG激光器作为激发光源, 通过改变266 nm激光的脉冲能量, 获取不同能量密度下油污土壤的荧光光谱。 实验结果表明, 土壤和土壤中机油的荧光光谱强度随激光脉冲能量的增加而增加, 但增加到一定程度后增幅明显减小。 原因是虽然激光能量密度逐渐增强荧光强度也在增强, 土壤中单位面积的有机物含量有限, 部分有机质已经被光解, 有机物被激发的荧光趋于饱和。 在适当的能量密度下, 土壤中机油的荧光强度与其浓度有良好线性关系。 实验发现, 随着激光能量密度的减小, LIF系统测量机油的平均相对误差先减小后增大, 其原因是, 当激光能量密度小于一定范围时, 信号的信噪比随之减小, 因此测量的平均相对误差逐渐增大; 当激光能量密度大于一定范围时, 虽然信号的信噪比随之增大, 但已经逐渐超出系统最佳的测量范围, 所以测量的平均相对误差逐渐增大。 当激光能量密度在2.4～4.0 mJ·cm-2时, 土壤中机油的荧光强度随激光脉冲能量密度线性增强, 且对机油浓度的测量误差均小于2.5%, 检测限在200～300 mg·kg-1之间。 当能量密度大于4.0 mJ·cm-2时, 机油的荧光强度增幅显著降低, 测量误差也随之增大。 因此, 兼顾LIF测量土壤中机油的平均相对误差和测量检测限, 激光脉冲能量选择2.4～4.0 mJ·cm-2较优。 所述方法也可扩展其他土壤中石油烃荧光信号检测。

塑料具有成本低、 质量好, 可塑性强等优点被广泛用于生产生活等领域, 但废弃塑料处置不当容易引发二次污染。 回收再利用有望成为解决废弃塑料污染问题的关键手段, 其前提是对废料的准确分选。 传统分选手段耗费时间, 效率低下, 难以实现废弃塑料的快速、 经济、 有效分类。 激光诱导荧光技术是一种快速灵敏的光谱检测技术。 具有操作简便, 检测效率高, 样品使用量小等优点常被应用于水体、 土壤中油类, 多环芳烃等有机污染物的快速识别与定量分析。 利用激光诱导荧光技术可以快速采集不同塑料的荧光光谱, 结合相应的模式识别算法, 可实现塑料材质的快速准确识别。 实验采集了8种塑料(ABS, HDPE, PA66, PLA, PP, PET, PS, PVC)共358组激光诱导荧光光谱, 依据特征峰信息构建358×10的光谱矩阵。 利用主成份分析法削减原光谱矩阵中的线性相关量, 提高数据精度。 结果显示前3个主成分的累计方差贡献值达98.085%, 足以表征原光谱矩阵的主要信息。 将降维的主成分PC1, PC2, PC3作为输入进行光谱分类, 其中同种塑料光谱聚合度高, 元素构成不同的塑料如PA66, PLA, HDPE和PVC的光谱分离度较好, 而元素构成相同的塑料如PET和PLA的光谱分离度较差。 PCA算法并不能准确的对未知塑料进行识别。 BP-神经网络具有收敛速度快, 预测精度高等特点被广泛用于模式识别和分类研究。 将经PCA算法得到的简化特征矩阵作为BP-神经网络算法的输入集, 其中随机抽取256组数据作为BP-神经网络算法模型的训练集, 剩余的102组数据作为模型检测集。 BP神经网络的隐藏层设定值为1, 激活函数选择双极性Sigmoid函数, 输出层为8种塑料样品。 识别结果显示, 102组数据中只有一组HDPE光谱数据被错识为PS, 其余101组数据全部正确识别。 8种塑料荧光光谱的综合识别准确率达到99%。 研究结果表明激光诱导荧光技术结合BP-神经网络算法可实现不同材质塑料的快速准确识别。 为实现废弃塑料的自动化智能分选, 降低回收成本, 减少废弃塑料危害提供新的参考。