同步熒光法同時(shí)測(cè)定溶解態(tài)的菲與2-乙基菲

劉洋之,楊承虎,朱亞先,張　勇,3*

(1.近海海洋環(huán)境科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，廈門(mén)大學(xué)　環(huán)境與生態(tài)學(xué)院，福建　廈門(mén)　361102；2.廈門(mén)大學(xué)

化學(xué)化工學(xué)院　化學(xué)系，福建　廈門(mén)　361005；3.漳州職業(yè)技術(shù)學(xué)院，福建　漳州　363000)

?

同步熒光法同時(shí)測(cè)定溶解態(tài)的菲與2-乙基菲

劉洋之1,楊承虎1,朱亞先2,張勇1,3*

(1.近海海洋環(huán)境科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，廈門(mén)大學(xué)環(huán)境與生態(tài)學(xué)院，福建廈門(mén)361102；2.廈門(mén)大學(xué)

化學(xué)化工學(xué)院化學(xué)系，福建廈門(mén)361005；3.漳州職業(yè)技術(shù)學(xué)院，福建漳州363000)

摘要：將同步熒光法結(jié)合人工神經(jīng)網(wǎng)絡(luò)(ANN)和支持向量回歸(SVR)用于混合體系中熒光光譜重疊的菲(Phe)和2-乙基菲(2-EP)兩組分的同時(shí)測(cè)定。通過(guò)三維同步熒光法結(jié)合平行因子(PARAFAC)分析尋得Phe和2-EP的特征波長(zhǎng)差Δλ為118 nm。在220～280 nm范圍內(nèi)，以31個(gè)波長(zhǎng)處熒光強(qiáng)度值作為模型的輸入變量用于建立ANN和SVR模型。結(jié)果顯示，ANN模型分析Phe和2-EP預(yù)測(cè)樣本的回收率分別為92.5%～104.9%和96.1%～104.3%，預(yù)測(cè)均方根誤差(RMSEP)分別為2.08和2.95；SVR模型分析預(yù)測(cè)樣本的回收率分別為98.2%～101.3%和94.9%～104.2%，RMSEP分別為0.74和2.42。實(shí)際水樣的加標(biāo)回收實(shí)驗(yàn)顯示，基體簡(jiǎn)單的礦泉水中兩種模型均取得滿(mǎn)意結(jié)果；而基體復(fù)雜的湖水中樣品預(yù)測(cè)值較實(shí)際值低，且SVR模型比ANN的預(yù)測(cè)性能更加穩(wěn)健，泛化能力更強(qiáng)。將同步熒光法結(jié)合SVR模型應(yīng)用于Phe和2-EP單獨(dú)及混合狀態(tài)下與腐植酸(HA)相互作用的研究，結(jié)果顯示混合體系中Phe和2-EP與HA的結(jié)合系數(shù)均小于各自單組分體系，表明Phe和2-EP之間存在競(jìng)爭(zhēng)吸附。

關(guān)鍵詞：同步熒光法；菲；2-乙基菲；人工神經(jīng)網(wǎng)絡(luò)(ANN)；支持向量回歸(SVR)

目前有關(guān)多環(huán)芳烴(Polycyclic aromatic hydrocarbons,PAHs)環(huán)境行為和毒理學(xué)的研究大多針對(duì)母環(huán)PAHs(Parent PAHs)開(kāi)展[1]，但已有研究結(jié)果表明，忽略烷基PAHs(Alkyl PAHs)的存在對(duì)PAHs進(jìn)行環(huán)境風(fēng)險(xiǎn)評(píng)價(jià)將會(huì)顯著低估其值[2]。實(shí)際環(huán)境中Parent PAHs與Alky PAHs共同存在且會(huì)進(jìn)一步代謝轉(zhuǎn)化，為科學(xué)有效地評(píng)價(jià)水環(huán)境中PAHs的毒性效應(yīng)，有必要建立同時(shí)測(cè)定Parent PAHs與Alky PAHs的分析方法。

多年來(lái)，Parent PAHs的分析方法不斷改進(jìn)[3-5]，但僅有少數(shù)有關(guān)Alkyl PAHs的檢測(cè)報(bào)道[6]，所用氣相色譜-質(zhì)譜(GC-MS)法成本高、耗時(shí)長(zhǎng)、前處理過(guò)程復(fù)雜，且萃取法破壞了目標(biāo)化合物在水環(huán)境中的原始賦存狀態(tài)。相對(duì)于常規(guī)熒光法，同步熒光法因具有選擇性好等優(yōu)點(diǎn)而被用于環(huán)境樣品中多組分PAHs的分析檢測(cè)[7]。另一方面，化學(xué)計(jì)量學(xué)方法在多組分PAHs分析中的應(yīng)用也日益受到重視。屈薇薇等[8]使用熒光法結(jié)合人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network,ANN)對(duì)蒽和芘進(jìn)行同時(shí)測(cè)定，取得滿(mǎn)意結(jié)果。Larrechi等[9]利用平行因子(Parallel factor analysis,PARAFAC)分析法研究了4種Parent PAHs的光降解行為。

本文以菲(Phe)和2-乙基菲(2-EP)分別代表Parent PAHs和Alkyl PAHs，利用同步熒光法結(jié)合ANN和支持向量回歸(Support vector regression,SVR)，嘗試建立了同時(shí)測(cè)定Phe和2-EP的分析方法，并用于實(shí)際水樣的測(cè)定及其與腐植酸(Humic acid,HA)相互作用的研究。以期為Parent PAHs與Alkyl PAHs的環(huán)境行為及生物有效性評(píng)價(jià)提供方法基礎(chǔ)。

1實(shí)驗(yàn)部分

1.1儀器與試劑

Cary Eclipse熒光分光光度計(jì)(Varian,USA)，1.0 cm石英比色皿，Cary-50紫外可見(jiàn)分光光度計(jì)(Varian,USA)，KQ3200型超聲波清洗器(150 W,昆山市超聲儀器有限公司)。

Phe(純度> 98%,Aldrich,USA)，2-EP(純度>99%,Aldrich,USA)，HA(Technical grade Aldrich,USA)，乙醇(分析純，上海振興化工一廠)，實(shí)驗(yàn)用水為Milli-Q水，實(shí)際水樣來(lái)自廈門(mén)大學(xué)翔安校區(qū)內(nèi)湖水及商品礦泉水。

1.2實(shí)驗(yàn)方法

表1　訓(xùn)練樣本及預(yù)測(cè)樣本的濃度設(shè)置

準(zhǔn)確稱(chēng)0.10 g Phe和2-EP分別配制成1.0 g·L-1乙醇儲(chǔ)備液，采用逐級(jí)稀釋法分別配成400 μg·L-1的Phe和2-EP工作液，避光儲(chǔ)存于4 ℃冰箱中。配制14個(gè)不同濃度比的兩組分混合溶液作為訓(xùn)練樣本(Sample No.:1～14)[6]，另取3個(gè)人工合成樣品為預(yù)測(cè)樣本(Sample No.:15～17)。具體濃度配比如表1所示。

三維熒光光譜掃描：激發(fā)波長(zhǎng)200～350 nm，發(fā)射波長(zhǎng)330～450 nm，步距均為2 nm；三維同步熒光光譜掃描：激發(fā)波長(zhǎng)220～280 nm，步距均為2 nm；同步熒光光譜掃描：Δλ=118 nm，激發(fā)波長(zhǎng)范圍為220～280 nm。激發(fā)狹縫為10 nm，發(fā)射狹縫為5 nm。實(shí)驗(yàn)數(shù)據(jù)在Matlab中進(jìn)行PARAFAC及ANN分析，在Libsvm軟件包中進(jìn)行SVR分析。

2結(jié)果與討論

2.1同步熒光波長(zhǎng)差Δλ的選擇

由圖1可知，單組分Phe和2-EP的三維熒光和三維同步熒光光譜嚴(yán)重重疊，因此傳統(tǒng)熒光法無(wú)法實(shí)現(xiàn)Phe和2-EP混合組分的同時(shí)檢測(cè)。同步熒光法具有簡(jiǎn)化譜圖、提高選擇性等優(yōu)點(diǎn)[10]，且與三維熒光法相比能縮短分析時(shí)間。利用PARAFAC解析三維同步熒光光譜，可獲取Phe和2-EP的一個(gè)特征差異Δλ。對(duì)17個(gè)樣本的三維同步熒光數(shù)據(jù)采用一組分PARAFAC分析，得到激發(fā)波長(zhǎng)和Δλ載荷(如圖2)，從圖中可觀察到Δλ為118 nm時(shí)，Δλ載荷最高，說(shuō)明118 nm可作為Phe和2-EP混合組分的特征Δλ。

圖2　激發(fā)波長(zhǎng)和Δλ載荷Fig.2　Excitation wavelength and Δλ loading

表2　同步熒光光譜法的分析特性(Δλ=118 nm)

2.2工作曲線(xiàn)、精密度與檢出限

分別配制一系列不同濃度的單組分Phe和2-EP溶液，Δλ為118 nm，以激發(fā)波長(zhǎng)248 nm處的熒光強(qiáng)度值(I)對(duì)其濃度(x,μg/L)作圖，結(jié)果見(jiàn)表2。

分別配制9份50 μg·L-1的Phe和2-EP單組分溶液，測(cè)定其熒光值，計(jì)算得到Phe和2-EP的相對(duì)標(biāo)準(zhǔn)偏差(n=9)分別為1.0%和0.94%。同時(shí)測(cè)定10份Milli-Q水的熒光值，以其3倍標(biāo)準(zhǔn)的偏差除以工作曲線(xiàn)的斜率，計(jì)算得到Phe和2-EP檢出限分別為0.21 μg·L-1和0.30 μg·L-1。

2.3 ANN建模分析

本實(shí)驗(yàn)使用包含一個(gè)隱含層的三層反向傳播網(wǎng)絡(luò)。以220～280 nm范圍內(nèi)所測(cè)波長(zhǎng)點(diǎn)對(duì)應(yīng)的熒光強(qiáng)度值作為輸入變量，將對(duì)應(yīng)樣品濃度作為輸出變量。因此，輸入層和輸出層的節(jié)點(diǎn)數(shù)分別為31和2。隱含層節(jié)點(diǎn)數(shù)需不斷調(diào)整以適應(yīng)不同問(wèn)題和數(shù)據(jù)集的復(fù)雜性[11]。參考Kolmogorov定理，根據(jù)經(jīng)驗(yàn)公式初步確定隱含層節(jié)點(diǎn)數(shù)范圍[12]。設(shè)置最大訓(xùn)練次數(shù)為5 000，誤差目標(biāo)值為10-4,以均方誤差(Mean square error,MSE)性能分析函數(shù)評(píng)估ANN性能。不斷改變網(wǎng)絡(luò)參數(shù)，當(dāng)隱含層節(jié)點(diǎn)數(shù)為7，隱含層和輸出層傳遞函數(shù)分別為tansig和purelin函數(shù)，訓(xùn)練函數(shù)為trainlm函數(shù)時(shí)，模型誤差最小，預(yù)測(cè)性能最佳。為保證網(wǎng)絡(luò)穩(wěn)定并提高收斂速度，模型運(yùn)行前對(duì)數(shù)據(jù)進(jìn)行歸一化處理，隨后再反歸一化獲取實(shí)際值。

表3中Phe和2-EP的預(yù)測(cè)值均為10次隨機(jī)訓(xùn)練結(jié)果的平均值。Phe和2-EP訓(xùn)練樣本的預(yù)測(cè)回收率分別為94.6%～104.7%和91.4%～105.9%，校正均方根誤差(Root mean square error of calibration,RMSEC)分別為1.23和1.40，相關(guān)系數(shù)(r2)分別為0.998 0和0.999 1。Phe和2-EP預(yù)測(cè)樣本的預(yù)測(cè)回收率分別為92.5%～104.9%和96.1%～104.3%，預(yù)測(cè)均方根誤差(Root mean square error of prediction,RMSEP)分別為2.08和2.95，相關(guān)系數(shù)(r2)分別為0.997 4和0.982 2。

表3　訓(xùn)練樣本及預(yù)測(cè)樣本的回收率結(jié)果

2.4SVR建模分析

采用Libsvm(Library for support vector machine)[13]進(jìn)行回歸分析，其特點(diǎn)是簡(jiǎn)單、易使用，并能快速有效地進(jìn)行支持向量機(jī)(Support vector machine,SVM)模式識(shí)別和回歸，所采用的算法是序列最小優(yōu)化算法[14]。本文采用Vapnik提出的ε-SVR模型[15]。SVR有不同的核函數(shù)類(lèi)型，如徑向基核函數(shù)RBF、多項(xiàng)式核函數(shù)、二層神經(jīng)網(wǎng)絡(luò)核函數(shù)及線(xiàn)性核函數(shù)，其中RBF核函數(shù)能減少訓(xùn)練過(guò)程的復(fù)雜性，使用最為廣泛[16]。通過(guò)對(duì)不同核函數(shù)建模分析，顯示RBF核函數(shù)的效果最好，所以本文選取RBF核函數(shù)進(jìn)行ε-SVR分析。

首先將數(shù)據(jù)縮放到[0,1]之間，并對(duì)數(shù)據(jù)進(jìn)行歸一化處理。懲罰因子C、核寬度參數(shù)γ及ε是建立ε-SVR模型的3個(gè)最重要參數(shù)。該參數(shù)在很大程度上決定了算法的學(xué)習(xí)和泛化能力，所以需尋找合適的參數(shù)值以提高SVR預(yù)測(cè)精度。本文采用網(wǎng)格搜索法結(jié)合留一交叉驗(yàn)證法尋找最佳參數(shù)值，采用交叉驗(yàn)證過(guò)程可有效避免過(guò)擬合問(wèn)題[13]。對(duì)于Phe，尋得C，γ及ε的最優(yōu)參數(shù)值分別為1 024，0.031 3和0.5，2-EP的對(duì)應(yīng)值分別為1 024，0.125和1。

選用RBF核函數(shù)為最優(yōu)參數(shù)值，采用兩個(gè)SVR模型分別對(duì)Phe和2-EP建模分析。如表3所示，Phe和2-EP訓(xùn)練樣本的預(yù)測(cè)回收率分別為95.0%～105.5%和79.4%～123.1%，RMSEC分別為1.42和1.72，相關(guān)系數(shù)(r2)分別為0.997 2和0.998 5。Phe和2-EP預(yù)測(cè)樣本的預(yù)測(cè)回收率分別為98.2%～101.3%和94.9%～104.2%，RMSEP分別為0.74和2.42，相關(guān)系數(shù)(r2)分別為0.999 5和0.988 1。

2.5實(shí)際水樣中Phe與2-EP的測(cè)定

為驗(yàn)證兩種模型方法的準(zhǔn)確性，取礦泉水和湖水(過(guò)0.22 μm濾膜)兩種不同基體的實(shí)際水樣，分別向水樣中加入Phe 和2-EP。采用上述條件對(duì)基體樣品和加標(biāo)樣品進(jìn)行同步熒光掃描，并采用ANN和SVR進(jìn)行建模分析。湖水含有一定量的溶解性有機(jī)質(zhì)(Dissolved organic matter,DOM)，部分DOM有吸收和熒光，建模前需扣除基體熒光信號(hào)，并進(jìn)行內(nèi)濾校正[17]。表4為實(shí)際水樣的預(yù)測(cè)結(jié)果，礦泉水對(duì)熒光信號(hào)測(cè)定無(wú)干擾，所以?xún)煞N模型的預(yù)測(cè)值與真實(shí)值一致。湖水樣中預(yù)測(cè)值比加標(biāo)值低(除ANN模型下2-EP樣品外)，可能與DOM對(duì)Phe和2-EP的結(jié)合有關(guān)，且基體復(fù)雜樣品中SVR模型比ANN模型的預(yù)測(cè)性能更加穩(wěn)健。由表3結(jié)果同樣可以看出，盡管ANN模型的RMSEC比SVR模型小，但RMSEP較SVR模型大，表明SVR模型的泛化能力比ANN強(qiáng)。因?yàn)?，ANN以傳統(tǒng)統(tǒng)計(jì)學(xué)為基礎(chǔ)，需有大量數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，而SVR以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)，能較好解決小樣本、非線(xiàn)性和局部極小點(diǎn)等問(wèn)題。由表4可知，熒光法結(jié)合化學(xué)計(jì)量法的回收率結(jié)果與固相萃取(SPE)聯(lián)合氣相色譜(GC)法的結(jié)果基本一致，但熒光法較SPE-GC法的操作簡(jiǎn)單，無(wú)需額外有機(jī)溶劑，且不改變PAHs原始賦存狀態(tài)，可實(shí)現(xiàn)快速原位檢測(cè)。

表4　實(shí)際水樣的回收率結(jié)果

2.6Phe及2-EP與腐植酸(HA)結(jié)合能力的測(cè)定

熒光猝滅法因快速、靈敏及非破壞性等優(yōu)點(diǎn)被廣泛用于PAHs與HA結(jié)合能力的研究[18]。通常將有機(jī)碳?xì)w一化結(jié)合常數(shù)(KOC)作為衡量PAHs與HA結(jié)合能力強(qiáng)弱的重要指標(biāo)。利用文獻(xiàn)所述KOC計(jì)算方法[19]，分別將50 μg·L-1Phe和2-EP加至HA溶液(2 mg·L-1DOC)中，利用同步熒光法結(jié)合SVR模型研究Phe和2-EP單獨(dú)及共存狀態(tài)下與HA的結(jié)合能力。如表5所示，同步熒光法結(jié)合SVR模型與傳統(tǒng)熒光猝滅法所得lgKOC無(wú)顯著差異，且2-EP與HA的結(jié)合能力比Phe大，這與2-EP的辛醇水分配系數(shù)lgKOW大于Phe的lgKOW有關(guān)?；旌象w系中Phe和2-EP的結(jié)合能力均小于單組體系，表明Phe和2-EP之間存在競(jìng)爭(zhēng)吸附。

表5　Phe和2-EP單組分及兩組分與腐殖酸的結(jié)合常數(shù)

*no data

3結(jié)論

利用同步熒光法結(jié)合ANN和SVR模型可實(shí)現(xiàn)混合溶液中光譜嚴(yán)重重疊的Phe和2-EP兩組分的同時(shí)測(cè)定。對(duì)于基體復(fù)雜水樣，SVR模型比ANN模型的預(yù)測(cè)性能更加穩(wěn)健。相比于SPE-GC法，所建方法操作簡(jiǎn)便，為原位快速同時(shí)測(cè)定水溶液中Phe和2-EP的濃度提供了一種新思路。利用同步熒光法結(jié)合SVR模型可測(cè)定Phe和2-EP單獨(dú)及共存時(shí)與HA的結(jié)合常數(shù)。該方法有望用于原位研究微生物對(duì)溶解態(tài)Parent PAHs及Alkyl PAHs兩組分共存時(shí)降解過(guò)程及其生物毒性(如青鳉魚(yú))評(píng)價(jià)，為進(jìn)一步認(rèn)識(shí)PAHs的生態(tài)風(fēng)險(xiǎn)提供了一種新方法。

參考文獻(xiàn)：

[1]Mastral A M,Callen M S.Environ.Sci.Technol.,2000,34(15)：3051-3057.

[2]Barron M G,Holder E.Hum.Ecol.RiskAssess.,2003,9(6)：1533-1545.

[3]Chen J N，Cai Z Q，Zhu Y X，Zhang Y.Chin.J.Anal.Chem.(陳佳寧，蔡宗群，朱亞先，張勇.分析化學(xué))，2008,36(3)：301-305.

[4]Gao R，Rao Z，Guo X C，Huang Y，Li X J.J.Instrum.Anal.(高冉，饒竹，郭曉辰，黃毅，李曉潔.分析測(cè)試學(xué)報(bào))，2014,33(5)：539-544.

[5]Zheng X Y，He L J，Zhang K G，Jiang X M，Xiang G Q，Liu J P.J.Instrum.Anal.(鄭小焱，何麗君，張凱歌，江秀明，向國(guó)強(qiáng)，劉建平.分析測(cè)試學(xué)報(bào))，2014,33(5)：566-571.

[6]Wenzel K D,Vrana B,Hubert A,Schuurmann G.Anal.Chem.,2004,76(18)：5503-5509.

[7]Cai Z Q，Lu Z B，Zhu Y X，Hong L Y，Zhang Y.Chin.J.Anal.Lab.(蔡宗群，鹿貞彬，朱亞先，洪麗玉，張勇.分析試驗(yàn)室)，2006,25(4)：61-64.

[8]Qu W W，Shang L P，Li X X，Liu J.Spectrosc.SpecrtalAnal.(屈薇薇，尚麗平，李曉霞，劉晶.光譜學(xué)與光譜分析)，2010,30(10)：2780-2783.

[9]Bosco M V,Larrechi M S.Talanta,2007,71(4)：1703-1709.

[10]Sun Y H，An H Y，Jia X L，Wang J.Spectrosc.SpecrtalAnal.(孫艷輝，安海洋，賈小麗，王娟.光譜學(xué)與光譜分析)，2012,32(10)：2726-2729.

[11]Yusaf T F,Buttsworth D R,Saleh K H,Yorsif B F.Appl.Energ.,2010,87(5)：1661-1669.

[12]Wang F，Liu Y，Wang X F，Zhang C，Cao Q，Zhang F，Deng S，Chen Y W，Wang L G.Environ.Chem.(王凡，劉宇，王相鳳，張辰，曹晴，張凡，鄧雙，陳育武，王立剛.環(huán)境化學(xué))，2014,33(1)：93-99.

[13]Hsu C W,Chang C C,Lin C J.A Practical Guide to Support Vector Classification,2010[2015-05-10].http://www.csie.ntu.edu.tw/～cjlin/.

[14]Wang C Y，Shi X F，Li W D，Ren W W，Zhang J L.J.Instrum.Anal.(王春艷，史曉鳳，李文東，任偉偉，張金亮.分析測(cè)試學(xué)報(bào))，2014,33(3)：289-294.

[15]Vapink V N.StatisticalLearningTheory.New York：Wiley Interscience,1998：272-291.

[16]Filgueiras P R,Alves J C L,Poppi R J.Talanta,2014,119：582-589.

[17]Zhang Y，Zhong L，Du J，Chen J Y，Dong X Q，Li C M.Spectrosc.SpecrtalAnal.(張穎，鐘莉，杜靜，陳金玉，董曉倩，李春美.光譜學(xué)與光譜分析)，2014,4(1)：116-121.

[18]Gauthier T D,Shane E C,Guerin W F,Selltz W R,Grant C L.Environ.Sci.Technol.,1986,20(11)：1162-1166.

[19]Hur J,Lee B M,Shin K H.Chemosphere,2014,111：450-457.

歡迎訂閱歡迎投稿歡迎刊登廣告

《分析測(cè)試學(xué)報(bào)》

國(guó)內(nèi)刊號(hào): CN 44-1318/TH國(guó)際標(biāo)準(zhǔn)刊號(hào): ISSN 1004-4957

國(guó)際刊名化代碼 CODEN: FCEXES郵發(fā)代號(hào): 46-104

國(guó)外代號(hào): BM 6013廣告經(jīng)營(yíng)許可證:440000100186

《分析測(cè)試學(xué)報(bào)》是由中國(guó)廣州分析測(cè)試中心、中國(guó)分析測(cè)試協(xié)會(huì)共同主辦的全國(guó)性學(xué)術(shù)刊物，中文核心期刊。刊登質(zhì)譜學(xué)、光譜學(xué)、色譜學(xué)、波譜學(xué)、電化學(xué)、電子顯微學(xué)等方面的分析測(cè)試新理論、新方法、新技術(shù)的研究成果，介紹新儀器裝置及在生物、醫(yī)藥、化學(xué)化工、商檢、食品檢驗(yàn)等方面實(shí)用性強(qiáng)的實(shí)驗(yàn)技術(shù)。適合科研院所、高等院校、檢測(cè)機(jī)構(gòu)、醫(yī)藥、衛(wèi)生以及廠礦企業(yè)分析測(cè)試工作和管理人員閱讀。

經(jīng)過(guò)多年的發(fā)展，本刊已成為國(guó)內(nèi)知名的化學(xué)類(lèi)核心期刊。2015年，本刊的影響因子為1.227，在全國(guó)化學(xué)類(lèi)刊物排名中位列第4名，被引頻次每年遞增約30%，稿源豐富，基金論文比超過(guò)70%。近幾年，本刊刊發(fā)的論文被CA(美國(guó)化學(xué)文摘)收錄率達(dá)94%，2006年引文頻次在CA千種表中國(guó)部分中列第38名，并被國(guó)際上其它知名的數(shù)據(jù)庫(kù)如日本科技文獻(xiàn)速報(bào)、俄羅斯文摘、英國(guó)分析文摘(AA)、《質(zhì)譜公報(bào)》等收錄。入選2012年度“中國(guó)國(guó)際影響力優(yōu)秀學(xué)術(shù)期刊”；進(jìn)入由全國(guó)8000種期刊遴選出的500種科技期刊組成的“中國(guó)科技期刊精品數(shù)據(jù)庫(kù)”；本刊是中國(guó)學(xué)術(shù)期刊綜合評(píng)價(jià)數(shù)據(jù)庫(kù)(CAJCED)統(tǒng)計(jì)刊源；中國(guó)科技論文統(tǒng)計(jì)源期刊(中國(guó)科技核心期刊)；《中國(guó)科學(xué)引文數(shù)據(jù)庫(kù)》來(lái)源期刊；中國(guó)期刊全文數(shù)據(jù)庫(kù)(CJFD)收錄期刊；《中國(guó)核心期刊(遴選)數(shù)據(jù)庫(kù)》收錄期刊；《中國(guó)學(xué)術(shù)期刊(光盤(pán)版)》全文收錄期刊；《中國(guó)期刊網(wǎng)》全文收錄期刊；《中國(guó)學(xué)術(shù)期刊文摘(中、英文版)》源期刊。

本刊為月刊， 國(guó)內(nèi)外公開(kāi)發(fā)行。大16開(kāi)，單價(jià)：18.00元/冊(cè)，全年216元。請(qǐng)?jiān)谌珖?guó)各地郵局訂閱。 未在郵局訂到者可直接向本編輯部補(bǔ)訂。 補(bǔ)訂辦法： 請(qǐng)從郵局匯款至廣州市先烈中路100號(hào)《分析測(cè)試學(xué)報(bào)》編輯部，郵編： 510070，寫(xiě)明訂戶(hù)單位、詳細(xì)地址、收刊人姓名、郵編及補(bǔ)訂份數(shù)(全年或某期)， 電話(huà)：(020)87684776或37656606，http://www.fxcsxb.com(可在線(xiàn)投稿)，E-mail:fxcsxb@china.com。

Simultaneous Determination of Dissolved Phenanthrene and 2-Ethylphenanthrene in Aqueous Solution by Synchronous FluorescenceLIU Yang-zhi1,YANG Cheng-hu1,ZHU Ya-xian2,ZHANG Yong1，3*

(1.State Key Laboratory of Marine Environmental Science of China(Xiamen University),College of Environment and Ecology,

Xiamen361102,China；2.Department of Chemistry,College of Chemistry and Chemical Engineering,Xiamen

University,Xiamen361005,China；3.Zhangzhou Institute of Technology,Zhangzhou363000,China)

Abstract：A method was developed for the simultaneous determination of phenanthrene(Phe)and 2-ethylphenanthrene(2-EP) in water by synchronous fluorescence spectroscopy combined with artificial neural network(ANN) and support vector regression(SVR).The characteristic wavelength offset(Δλ)is 118 nm by adopting three dimensional synchronous fluorescence spectroscopy with parallel factor analysis(PARAFAC).In range of 220-280 nm,the fluorescence intensities at 31 wavelengths were regarded as input variables for ANN and SVR models analysis.The results showed that the recoveries of Phe and 2-EP prediction samples were in the ranges of 92.5%-104.9%and 96.1%-104.3%,respectively,obtained by ANN model,while the recoveries of Phe and 2-EP were 98.2%-101.3%and 94.9%-104.2%,respectively by utilizing SVR model.The prediction root mean square errors(RMSEP)of Phe and 2-EP were 2.08 and 2.95 with ANN model,meanwhile they were 0.74 and 2.42 with SVR model,respectively.Recovery experiments by standard addition in actual water samples demonstrated that a satisfactory result was obtained with the two models for mineral water(simple matrix).However,predictive values were lower than the actual values for lake water(complex matrix),in which the performance of SVR model was more steady,and had stronger generalization ability than ANN model.Moreover,the synchronous fluorescence spectroscopy coupled with SVR was used to simultaneously calculate the binding coefficients of Phe and 2-EP with humic acid(HA)in a mixture solution.The result showed that the bonding capabilities of Phe and 2-EP in the mixed systems are both less than those in single component system,which indicated that there is a competing absorption existing between Phe and 2-EP.

Key words：synchronous fluorescence spectroscopy;phenanthrene(Phe);2-ethylphenanthrene(2-EP);artificial neural network(ANN);support vector regression(SVR)

中圖分類(lèi)號(hào)：O657.3；O625.15

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1004-4957(2015)12-1366-06

doi：10.3969/j.issn.1004-4957.2015.12.006

通訊作者：*張勇，博士，教授，研究方向：環(huán)境化學(xué)，Tel：18959288685，E-mail：yzhang@xmu.edu.cn

基金項(xiàng)目：國(guó)家自然科學(xué)基金(21177102，21075102)；國(guó)家海洋局海洋溢油鑒別與損害評(píng)估技術(shù)重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金(201405)

收稿日期：2015-05-10；修回日期：2015-05-25