开发高效廉价的催化剂对于清洁能源经济至关重要, 将氨硼烷的催化水解用于氢能源开发前景广阔。本工作首先采用简单回流法制备BiVO₄纳米片, 再通过浸渍还原法制备出Ru/Fe不同摩尔比的RuFe@BiVO₄催化剂, 并在室温下用于催化氨硼烷水解产氢。通过比较载体BiVO₄、Ru@BiVO₄、Fe@BiVO₄、RuFe@BiVO₄以及无载体的RuFe纳米粒子的催化产氢速率发现, 在所有的催化剂中, Ru₁Fe_0.1@BiVO₄具有最高的催化活性, 非贵金属Fe能显著增强Ru的催化性能, 这与RuFe之间强的电子效应以及RuFe纳米粒子与载体BiVO₄间的双功能效应密切相关, 其活化能(E_a)为43.7 kJ·mol^-1, 转化频率(TOF)为205.4 mol_H2·mol_Ru·min^-1。

在水果的品质检测和分级分选中, 存在不同仪器所建检测模型难以共享的难题。 为此, 以壶瓶枣为研究对象, 利用可见/近红外光谱技术探讨仪器间可溶性固形物含量（SSC）检测模型的传递方法。 首先, 采用美国ASD（Analytical Spectral Device）公司生产的两台仪器采集样本的光谱信息, 采用最小二乘支持向量机（LS-SVM）建立原始光谱、 Savitzky-Golay一阶导数处理、 标准正态变量变换后的SSC检测模型, 预测不同仪器采集的光谱时3种方法的预测能力均较差。 预测同一台仪器的光谱时, 基于原始光谱的主仪器所建模型最优, 预测集的决定系数（R2p）和均方根误差（RMSEP）分别为0.73和1.36%。 在此基础上, 采用Kennard/Stone算法选取标样, 利用专利算法（Shenk’s）、 直接标准化（DS）、 斜率/偏差算法（S/B）进行模型传递。 然后, 根据回归系数提取主仪器（24个）和从仪器（28个）的特征波长, 优选出单一变量（SV）24个、 共性变量（CV）23个、 融合变量（FV）29个, 均涵盖了SSC的主要吸收谱带。 利用优选的变量分别建立主仪器的LS-SVM检测模型, 采用主仪器的预测结果（R2p=0.78~0.80, RMSEP=1.07%~1.13%）明显好于全波段所建模型, 但预测从仪器时RMSEP为6.62%~7.88%, 模型失效。 最后, 基于波长位置偏移和分子振动的吸收特性提出了共性变量优选结合差值补正（CV-MC）、 单一变量优选结合差值补正、 融合变量优选结合差值补正、 共性变量优选结合波长补正算法（CV-WC）进行模型传递, 并与SV-Shenk’s, CV-Shenk’s, FV-Shenk’s, SV-DS, CV-DS, FV-DS, SV-S/B, CV-S/B和FV-S/B进行对比分析。 结果表明, 基于全波段进行模型传递时, 预测结果均较差（R2p=0.03~0.34, RMSEP=2.44%~4.67%）; 基于优选变量所建模型经SV-Shenk’s, CV-Shenk’s, FV-Shenk’s传递后的结果较差, 经其他算法传递后的结果（R2p=0.47~0.73, RMSEP=1.30%~1.90%）好于全波段; 基于共性变量传递后的结果好于单一变量和融合变量, CV-MC结果最佳（R2p=0.73, RMSEP=1.30%）, CV-WC传递后的预测结果（RMSEP=1.62%）与CV-DS和CV-S/B相近。 研究表明, CV-MC和CV-WC均是一种有效模型传递算法, 对建立不同仪器间通用的鲜枣品质检测模型具有重要意义。

近年来水资源短缺问题日益严重， 部分地区由于农业灌溉用水不足导致庄稼减产农民利益受损。 大豆是一种需水量较大的农作物， 一旦水分亏缺将直接影响大豆植株的形态和生长发育， 从而造成大豆品质降低和产量减少。 大豆叶片的水分状况可真实地反映植株水分受土壤水分亏缺的影响程度， 因此， 大豆冠层叶片水分含量的快速获取成为一种需要。 太赫兹辐射在水中的强烈衰减使其成为一种非常灵敏的非接触式探针， 可以快速、 无损地检测叶片含水量。 因此基于太赫兹光谱这一新技术进行大豆冠层叶片含水量的检测研究， 用于实时监测田间大豆的健康状况。 实验选用中黄13号大豆进行栽培， 为尽可能模拟田间不同程度的干旱胁迫状况， 将开花期大豆进行5个不同梯度： 正常供水、 轻度干旱胁迫、 中度干旱胁迫、 重度干旱胁迫、 严重干旱胁迫（分别占田间最大持水量的80%， 65%， 50%， 35%， 20%）的水分灌溉， 每个梯度设置3个重复。 利用人工称重法与便携式土壤水分速测仪结合将土壤含水量调控到各水分梯度要求。 然后， 将实验大豆植株运回实验室并利用透射式太赫兹时域光谱仪进行样本扫描， 每个梯度采集18片冠层叶片， 共90个样本， 以2∶1的比例分为校正集和预测集。 在获取各样本时域光谱数据后， 根据Dorney和Duvillaret提出的模型进行了光学参数的提取， 得到各样本的吸收系数谱以及折射率谱。 定性分析了太赫兹时域光谱、 吸收系数、 折射率随水分胁迫程度不同的变化情况。 实验发现： 随着水分胁迫程度的降低， 时域光谱的峰值呈不断衰减趋势， 且均低于空白参考峰值， 同时有明显的时间延迟。 吸收系数值随干旱胁迫程度的加剧逐渐降低； 折射率值同样随干旱胁迫程度的加剧逐渐降低。 并利用偏最小二乘（PLS）和多元线性回归(MLR)方法定量研究了时域光谱、 吸收系数、 折射率光谱数据与叶片含水率的相关关系。 结果表明， 太赫兹波对大豆叶片水分差异十分敏感， 基于时域光谱最大值和最小值的MLR预测精度最高， 预测集相关性（rp）达-0.939 3， 均方根误差（RMSEP）为0.049 5。 研究表明太赫兹光谱技术应用于大豆冠层叶片含水量观测具有良好的可行性， 为开展大豆冠层含水量信息快速获取， 实现科学节水管理与灌溉决策提供了新的检测手段和实验依据。

为保证食品安全和消费者健康, 无损检测技术广泛应用于果蔬质量检测中。 光谱和图像技术可分别获取果蔬的内部和外部信息, 成为质量检测的有效工具。 为跟踪国内外研究进展并分析研究现况, 从果蔬外部品质(尺寸、 形状、 表面缺陷、 颜色、 纹理等)、 内部品质(内部缺陷、 可溶性固形物、 可滴定酸、 水分、 类胡萝卜素等单一品质及综合品质)、 成熟度、 货架期/贮藏期、 产品溯源、 生长监测、 安全(农药残留、 病虫和细菌侵染、 转基因产品等)检测及光学系统设计等方面综述了光谱和成像技术的应用, 分析了存在的图谱库不完善、 解混处理算法复杂、 高精度和便携式的光学系统开发力度不够、 校正模型的影响因素复杂等问题。 然后, 归纳了发展趋势, 指出了各组分可视化分析及交互作用机理解析、 光与果蔬组织的交互作用机理分析和光学特性参数反演等光学特性分析、 科学合理的综合评价体系的建立、 新算法的应用和多种算法的联合使用、 不同算法的可靠性和稳定性的提高、 稳定和普适模型的建立、 低成本和便携式等光学分析仪器的商品化开发和商业化应用等成为进一步探索的方向, 为基于光谱和成像技术的果蔬质量检测发展提供了参考。

为了实现鲜枣常温贮藏期的硬度实时监测并对贮藏时间进行预测, 建立了室温下壶瓶枣贮藏期的近红外光谱硬度动力学模型。 基于二维相关光谱技术, 分析综合浓度影响下的壶瓶枣敏感波段, 优选的敏感波段为904, 980, 1 072, 1 200, 1 630, 1 941和2 215 nm。 分析不同贮藏天数的壶瓶枣果肉平均硬度, 并拟合出零级反应方程, 模型的相关系数为0.991 3, 标准误差为6.116×10-4。 鲜枣的贮藏过程中, 由于复杂的生理化学反应, 主要物质的含量发生变化, 并通过宏观的信息光谱特征和硬度得以体现。 将敏感波段下的光谱信息和贮藏期的硬度指标进行信息耦合, 建立壶瓶枣果肉硬度的偏最小二乘模型（partial least square, PLS）, 模型的预测精度RP为0.942 7, RMSEP为0.021 0。 进而以敏感波段的吸光度为自变量, 壶瓶枣果肉硬度指标为应变量, 进行多元回归定量分析, 建立近红外光谱硬度动力学模型, 模型的拟合优度即相关系数为0.983 9, 标准误差为0.024 9, 并在此基础上建立壶瓶枣贮藏时间与近红外光谱的线性回归关系。 研究表明, 基于二维相关光谱的硬度动力学模型可以实现对壶瓶枣果肉硬度指标的快速、 无损检测并实现其贮藏时间的预测。

为了建立稳定可靠的鲜枣品质检测模型, 利用光谱和水分补偿方法进行鲜枣内部品质的检测。 首先, 针对鲜枣各品质指标(水分含量、 可溶性固形物含量、 维生素C含量、 蛋白质含量、 硬度值), 采用回归系数法(RC)提取特征波段并建立最小二乘支持向量机(LS-SVM)检测模型, 预测集的决定系数(R2P)均在0.8261以上, 预测均方根误差(RMSEP)均在3.324 9以下。 在提取各项品质指标特征波段的基础上, 剔除其他四项单一品质特征波段中与水分特征波段(包含利用RC法所提取到的水分特征波长和鲜枣中具有明显水分特征的吸收峰)重叠或接近的波段, 并与鲜枣水分含量值进行数据融合建立了各项指标的水分补偿模型。 结果表明, 硬度值的水分补偿模型精度有一定提高, R2P和RMSEP分别为0.830 5和0.055 3； 可溶性固形物含量、 维生素C含量、 蛋白质含量的水分补偿模型精度均有所下降, R2P分别为0.804 1, 0.878 2和0.837 8, RMSEP分别为1.347 3, 0.638 0和3.503 2。 然后, 分析各品质指标间的相关性, 结果表明, 水分含量在0.05水平上与硬度值呈现显著的相关性, 在0.01的水平上与其余三项品质指标之间存在极显著的相关性, 相关性强弱与水分补偿模型的建模结果相互支持。 研究表明, 水分补偿法所建的预测模型可用于鲜枣内部品质的检测, 水分含量与其他四项品质指标之间有相互作用并影响其他品质指标所建立的预测模型。 该研究为进一步探讨光谱检测中各内部品质指标间交互作用的解耦提供了新思路。

采用高光谱成像技术（420～1 000 nm）对山楂的缺陷（表面的损伤以及虫害区域）进行识别研究。 共采摘了134个样品, 包含损伤果46个、 虫害果30个、 损伤及虫害果10个和完好果48个。 考虑到山楂的花萼、 果梗与损伤、 虫害的RGB图像有相似的外观特征, 容易造成误判, 利用高光谱成像系统采集了损伤、 虫害、 完好、 花萼和果梗五个区域一共230个山楂样本的高光谱图像, 并提取相应的感兴趣区域（region of interest, ROI）, 得到了样本的光谱数据。 使用标准归一化（standard normalized variate, SNV）, 卷积平滑（savitzky golay, SG）, 中值滤波（median filter, MF）, 多元散射校正（multiplicative scatter correction, MSC）方法进行光谱预处理, 建立偏最小二乘（partial least squares method, PLS）判别分析模型, 结果表明经过SNV预处理后的预测结果较好。 最后选取SNV作为预处理方法。 应用回归系数法（regression coefficients, RCs）从全波段中提取10条特征波段（483, 563, 645, 671, 686, 722, 777, 819, 837和942 nm）, 利用Kennard-Stone算法将各类样本按照3:1的比例随机分成训练集（173个）和测试集（57个）, 并对其建立最小二乘支持向量机（least squares-support vector machine, LS-SVM）判别模型, 山楂缺陷的正确识别率为91.23%。 然后, 运用主成分分析（principal componentanalysis, PCA）进行10条敏感波段下单波段图像的数据压缩, 分别采用“sobel”算子和区域生长算法“Regiongrow”识别出86个缺陷山楂样本的边缘与缺陷特征区域, 得出单损伤、 单虫害和损伤及虫害样本的识别率分别为95.65%, 86.67%和100%。 研究结果表明: 采用高光谱成像技术可以对山楂的损伤、 虫害、 花萼和果梗进行定性分析和特征识别, 该研究为山楂的缺陷无损检测提供了理论参考。