Быстрое обнаружение имидаклоприда в яблочном соке с помощью УФ-спектроскопии в сочетании с регрессией опорных векторов и методами отбора переменных

   Ультрафиолетовая (УФ) спектроскопия в сочетании с методами регрессии опорных векторов и отбора переменных использована для количественного определения содержания имидаклоприда в яблочном соке. Экспериментальные УФ-спектры имидаклоприда различных концентраций в яблочном соке предварительно обработаны сглаживанием Савицкого-Голея. Затем переменные признаков выбраны с помощью алгоритмов итеративного сжатия пространства переменных (VISSA), алгоритмов итеративного сохранения информативных переменных (IRIV) и алгоритмов случайной лягушки (RF). Для обнаружения имидаклоприда в яблочном соке созданы модели прогнозирования опорной векторной регрессии с поддержкой роя частиц (PSO-SVR), основанные на переменных признаков и переменных полного спектра. Получено, что модель VISSA-PSO-SVR имеет оптимальную прогностическую эффективность, коэффициент детерминации набора прогнозов Rp² = 0.99933, среднеквадратическая ошибка набора прогнозов RMSEP = 0.0894 мг/л.

1. T. Muyesaier, D. R. Huada, W. Li, L. Jia, S. Ross, C. Des, C. Cordia, T. P. Dung, Int. J. Environ. Res. Public Health, 18, 1112 (2021).

2. C. Adelantado, Á. Ríos, and M. Zougagh, Food Additives & Contaminants A, 35, 1755–1766 (2018).

3. F. F. Si, R. B. Zou, S. S. Jiao, X. S. Qiao, Y. R. Guo, G. N. Zhu, Ecotoxic. Environ. Safety, 148, 862–868 (2018).

4. Q. S. Chen, M. M. Hassan, J. Xu, M. Zareef, H. H. Li, Y. Xu, P. Y. Wang, A. A. Agyekum, F. Y. H. Kutsanedzie, A. Viswadevarayalu, Spectrochim. Acta A: Mol. and Biomolec. Spectrosc., 211, 86–93 (2019).

5. S. Kammoun, B. Mulhauser, A. Aebi, E. A. D. Mitchell, G. Glauser, Environ. Poll., 247, 964–972 (2019).

6. A. Decourtye, J. Devillers, S. Cluzeau, M. Charreton, M. Pham-Delègue, Ecotox. and Environ. Safety, 57, 410–419(2004).

7. Y. D. Wang, J. A. Qin, J. Zhang, Z. Y. Jin, J. Y. Luo, M. H. Yang, J. Pharm. Biomed. Analysis, 219, 114931 (2022).

8. J. Chen, W. T. Zhang, Y. Shu, X.H. Ma, X. Y. Cao, Food Anal. Methods, 10, 3452–3461 (2017).

9. S. Babazadeh, P. A. Moghaddam, S. Keshipour, K. Mollazade, J. Iran. Chem. Soc., 17, 1439–1446 (2020).

10. J. Tursen, T. Yang, L. Bai, D. Q. Li, R. K. Tan, Environ. Sci. Poll. Res., 28, 50867–50877 (2021).

11. B. X. Yang, W. Ma, S. Wang, L. Shi, X. J. Li, Z. Y. Ma, Q. H. Zhang, H. M. Li, Food Chem., 387, 132935 (2022).

12. S. Valverde, A. M. Ares, J. L. Bernal, M. J. Nozal, J. Bernal, Microchem. J., 142, 70–77 (2018).

13. J. M. Luo, S. H. Li, Y. W. Wu, C. H. Pang, X. H. Ma, M. Y. Wang, C. H. Zhang, X. Zhi, B. Li, Microchem. J., 183, 107979 (2022).

14. X. Y. Li, X. W. Kan, Analyst, 143, 2150–2156 (2018).

15. G. Y. Tan, Y. J. Zhao, M. Wang, X. J. Chen, B. M. Wang, Q. X. Li, Food Chem., 311, 126055 (2020).

16. M. Du, Q. Yang, W. M. Liu, Y. Ding, H. Chen, X. D. Hua, M. H. Wang, Sci. Total Environ., 723, 137909 (2020).

17. J. G. Wang, S. L. Yang, Y. R. Cao, Y. H. Ye, J. Phys. Chem. C, 126, 7542–7547 (2022).

18. H. Cao, W.T. Qu, X. L. Yang, Anal. Methods, 6, 3799–3803 (2014).

19. H. Y. Zou, W. L. Zhang, Y. Y. Feng, B. Liang, Anal. Methods, 6, 5865–5871 (2014).

20. R. D. Ji, Y. Han, X. Y. Wang, H. Y. Bian, J. Y. Xu, Z. Z. Jiang, X. T. Feng, Appl. Opt., 60, 10383–10389 (2021).

21. M. X. Zhao, Q. S. Chen, Infrared Phys. Technol., 133, 104827 (2023).

22. J. Kennedy, R. Eberhart, Proc. IEEE Int. Conf. Neural Networks, 4, 1942–1948 (1995).

23. B. C. Deng, Y. H. Yun, Y. Z. Liang, L. Z. Yi, Analyst, 139, 4836–4845 (2014).

24. F. X. Wang, C. G. Wang, S. Y. Song, Foods, 11, 1841 (2022).

25. Y. H. Yun, W. T. Wang, M. L. Tan, Y. Z. Liang, H. D. Li, D. S. Cao, H. M. Lu, Q. S. Xu, Anal. Chim. Acta, 807, 36–43 (2014).

26. F. J. Zhang, L. Shi, L. X. Li, Y. F. Zhou, L. Q. Tian, X. M. Cui, Y. P. Gao, J. Food Process Eng., 45, e14096(2022).

27. H. D. Li, Q. S. Xu, Y. Z. Liang, Anal. Chim. Acta, 740, 20–26 (2012).

28. W. Luo, P. Tian, G. Z. Fan, W. T. Dong, H. L. Zhang, X. M. Liu, Infrared Phys. Technol., 123, 104037 (2022).