Ep 43 — 化学计量学：PCA、PLS 与多变量分析

系列：红外光谱百科：从原理到实战
篇章：第四篇 · 高级篇 — 前沿技术（后段第 3 集）
适合人群：分析化学/化学计量学/光谱学研究生、QC/QA 实验室负责人、想从"传统定量"过渡到"多变量定量"的红外使用者、农业/制药/食品行业的光谱建模人员
前置知识：Ep 18（谱图处理）、Ep 20（朗伯-比尔定律）、Ep 22（药物晶型）、Ep 25（食品掺假）、Ep 33（生物医学）、Ep 35（农业土壤 PLSR）、Ep 42（联用数据）
阅读时间：约 60 分钟

引子：从"单峰定量"到"全谱定量"的方法转变

1979 年，瑞典化学家 Svante Wold 与美国化学家 Bruce Kowalski 在 Anal Chem 上联合发表了一篇里程碑论文 [1]，正式定义了 化学计量学（Chemometrics） —— "应用数学与统计学方法，从化学测量数据中提取最大信息"。同一时期，瑞典的 Wold 父子（Svante 与 Herman）与美国的 Martens 几乎同时独立提出了 偏最小二乘回归（Partial Least Squares, PLS） 算法 [2][3]，从此开启了光谱分析的新纪元。

"Chemometrics is the science of relating measurements made on a chemical system to the state of the system via application of mathematical or statistical methods."
—— Massart D L et al. Chemometrics: A Textbook [4]

在红外光谱领域，化学计量学之所以"不可或缺"，根源在于以下三个现实：

1. 红外峰重叠严重：一张 4000–400 cm⁻¹ 的谱图，几乎找不到完全孤立的峰。如酰胺 I 带（1600–1700 cm⁻¹）包含蛋白质 α-螺旋、β-折叠、转角等多种二级结构的子峰；
2. 基线漂移与散射：颗粒散射、KBr 吸湿会引起整条谱图倾斜，单峰定量受基体影响严重；
3. 组分相互作用：混合物中各组分间氢键、偶极相互作用会改变峰位置与强度。

传统单峰定量（朗伯-比尔定律 A = εbc）在面对上述复杂性时力不从心。化学计量学的核心思想是：用全谱的所有数据点（数千个波数）联合建模，把噪声平均掉、把基体效应纳入模型、把重叠峰的隐藏信息提取出来 [4][5]。

本集我们将系统讲解红外化学计量学的核心方法：预处理 → PCA 探索性分析 → PLS 定量建模 → 模型验证 → 过拟合避免 → 开源工具实践。

一、数据预处理：化学计量学的"地基"

1.1 为什么预处理如此关键？

化学计量学有句行话："Garbage in, garbage out"。预处理占整个建模工作量的 60–80%，预处理质量决定模型上限 [4][5][6]。

红外谱图的常见"瑕疵"：

1.2 主流预处理方法

1.2.1 基线校正（Baseline Correction）

基线校正的目的是消除光谱的"非化学"信号 [6][7]。

• 多项式拟合（polynomial）：用低阶多项式（≤ 3 阶）拟合谱图"谷底"，差减得到基线校正谱；
• Rubber Band（橡皮筋）：把谱图视为"凸包"，沿底部拉伸一根"橡皮筋"，弹回的曲线即为基线；
• ALS（Asymmetric Least Squares）：Eilers 2005 年提出 [7]，对噪声鲁棒、对宽峰保留好，是目前最受推崇的算法；
• arPLS（Asymmetrically Reweighted Penalized Least Squares）：ALS 改进版，自动调整权重；
• Whittaker 滤波器：基于差分平滑与稀疏约束。

📦 推荐工具：pybaselines Python 库提供 200+ 种基线校正算法，是目前红外基线校正的"瑞士军刀" [8]。

from pybaselines import Baseline
import numpy as np

# 假设 wavenumber (1D), absorbance (1D) 已加载
baseline_fitter = Baseline(x=wavenumber)
bkg, params = baseline_fitter.asls(
    absorbance, lam=1e7, p=0.01
)  # ALS 算法
corrected = absorbance - bkg

1.2.2 SNV（Standard Normal Variate）

SNV 是消除样品整体强度差异与基线倾斜的经典方法 [5][6]：

$$ x_{\text{SNV}}(i) = \frac{x(i) - \bar{x}}{\sigma_x} $$

对每张谱图独立做均值中心化 + 标准化。SNV 不需要参考谱图，是 NIR/MIR 中应用最广的归一化方法。

1.2.3 MSC（Multiplicative Scatter Correction）

MSC 专门针对散射引起的基线倾斜 [5][6]：

1. 计算所有样品的平均谱 $\bar{x}$；
2. 对每个样品谱 x 做线性回归：$x = a + b \cdot \bar{x}$；
3. 校正：$x_{\text{MSC}} = (x - a) / b$。

MSC vs SNV：两者效果相近，但 MSC 需要参考平均谱，SNV 更鲁棒。农业土壤光谱多用 SNV，聚合物光谱多用 MSC [5]。

1.2.4 求导处理（Derivative）

求导可同时消除基线漂移并增强峰分辨率 [6]：

• 一阶导数：消除常数基线，突出峰斜率变化；
• 二阶导数：消除线性基线，把重叠峰变成"反向峰"，增强表观分辨率；
• Savitzky-Golay 求导：用低阶多项式局部拟合后求导，避免噪声放大。

from scipy.signal import savgol_filter
# 9 点窗 + 2 阶多项式 → 一阶导数
d1 = savgol_filter(absorbance, window_length=9, polyorder=2, deriv=1)
# 11 点窗 + 2 阶多项式 → 二阶导数
d2 = savgol_filter(absorbance, window_length=11, polyorder=2, deriv=2)

⚠️ 导数陷阱：求导会放大噪声，窗长与多项式阶数要谨慎选择——窗太短噪声爆炸，窗太长峰形失真。经验：窗长为峰半宽的 1–2 倍。

1.2.5 归一化（Normalization）

• 最大归一化：每张谱图除以其最大值；
• 面积归一化：每张谱图除以谱图总面积；
• ATR 校正：ATR 谱图的穿透深度随波长变化（长波更深），需做 ATR 校正：$A{\text{corr}} = A \cdot \nu / \nu{\text{ref}}$。

1.2.6 均值中心化（Mean Centering）

$$ x_{\text{mc}}(i) = x(i) - \bar{x}(i) $$

对每列（每个波数）减去该列均值。这是 PCA、PLS 的必做预处理，让算法聚焦于"变化"而非"绝对值"。

1.3 预处理组合策略

实际建模中通常组合使用多种预处理 [4][5]：

表 1：典型应用场景的预处理组合推荐

💡 预处理不是越多越好：每一步预处理都可能丢失信息或引入偏差。建议先用最简单的组合（仅均值中心化），逐步加入 SNV/求导，对比模型性能，用验证集决定最终方案。

二、PCA：探索性分析与降维

2.1 PCA 原理

主成分分析（Principal Component Analysis, PCA） 是化学计量学的基础工具 [4][5][9]。其核心思想是：把高维数据（如 1000 个波数 × 100 个样品）降维到少数几个主成分（PC），同时保留尽可能多的方差。

数学上，对均值中心化后的数据矩阵 X（n×p，n 为样品数、p 为波数）做奇异值分解：

$$ X = U \cdot S \cdot V^T $$

其中：

• 得分（scores）T = U·S：n×k 矩阵，每个样品在每个主成分上的"得分"；
• 载荷（loadings）P = V：p×k 矩阵，每个波数对每个主成分的"权重"；
• 特征值（eigenvalues）：S 的对角元素，反映每个 PC 解释的方差量。

2.2 PCA 的化学计量学应用

2.2.1 降维

红外谱图通常有 1000–3000 个波数点，但有效信息维度通常只有 5–20。PCA 把数据压缩为几个主成分 [9]：

• 前 3–5 个 PC 通常解释 > 90% 方差；
• 后续 PC 主要是噪声；
• 降维后模型更稳定、计算更快、可视化更容易。

2.2.2 聚类与异常值检测

得分图（scores plot） 把样品投影到二维（如 PC1 × PC2）：

• 同类样品应聚集在一起；
• 不同类样品应分开；
• 远离群体的样品可能是异常值（outlier）。

异常值检测准则 [5][9]：

• Hotelling T²：在 PC1-PC2 平面上的马氏距离，超过 95% 置信椭圆为异常；
• Q 残差：模型未解释的方差，超出 95% 置信线为异常；
• 杠杆率（leverage）：每个样品对模型的影响程度。

   PC2
    ↑
  3 +     ●●●
    |    ●●●●           ★
  2 +   ●●●●●●         (异常值)
    |    ●●●●●
  1 +     ●●●
    |   (类别 A)        ●●●
  0 + ────────────●●●●●●────────→ PC1
    |               ●●●●●
   -1+                ●●●●
    |                (类别 B)
   -2+

图 1：典型 PCA 得分图（PC1 vs PC2），显示两类样品聚类与一个异常值

2.2.3 载荷解读

载荷图（loadings plot） 显示每个波数对 PC 的贡献：

• 载荷绝对值大的波数是该 PC 的"主要贡献者"；
• 正负号相反的波数表示它们在该 PC 上反向变化；
• 用于解读 PC 的化学意义（如 PC1 可能代表"水分含量"，PC2 代表"蛋白质含量"）。

2.3 PCA 实战：橄榄油掺假识别

某实验室收集 100 份橄榄油样品（70 真品 + 30 掺假），ATR-FTIR 采集后做 PCA [10]：

1. 预处理：arPLS 基线 + SNV + 均值中心化；
2. PCA：保留前 5 个 PC，解释 95% 方差；
3. 得分图：PC1 × PC2 真品与掺假品明显分离；
4. 载荷图：PC1 主要贡献波数为 1745 cm⁻¹（甘油三酯 C=O）、3005 cm⁻¹（=C-H 顺式双键）；
5. 推断：掺假品在甘油三酯与不饱和脂肪酸特征峰上偏离真品；
6. 应用：基于 PC1 + PC2 得分做判别阈值，准确率 96%。

🔗 延伸阅读：橄榄油的 C=O、C-H 等特征吸收详见 ftir.fun 羰基官能团页 与 ftir.fun 烷基 C-H 官能团页。

2.4 PCA 的局限

PCA 是无监督方法，不利用样品的标签信息（如真品/掺假）：

• 当不同类样品在 PC1-PC2 上重叠时，PCA 无法区分；
• 解决方案：使用有监督方法（PLS-DA、SVM，见下文）。

三、PLS：定量校正模型

3.1 PLS 原理

偏最小二乘回归（Partial Least Squares, PLS） 是红外定量的"金标准" [2][3][5]。

PLS 在 PCA 的基础上同时对 X（光谱）和 y（参考值）做分解：

$$ X = T \cdot P^T + E, \quad y = T \cdot q + f $$

通过最大化 X 与 y 的协方差，PLS 找到既解释 X 方差又与 y 相关的潜在变量（latent variables, LVs）。

PLS 的优势：

• 处理 X 中高度共线的数据（相邻波数点高度相关）；
• 处理 p >> n 的情况（波数多于样品数）；
• 同时考虑 X 与 y 的关系，比 PCA-回归两步法更高效；
• 抗噪声能力强。

3.2 PLS 建模流程

完整 PLS 建模流程 [5][11]：

   ┌──────────────────────────────────────────┐
   │ 1. 样品采集与划分                          │
   │    - 校正集 70% (n=70)                     │
   │    - 验证集 30% (n=30)                     │
   ├──────────────────────────────────────────┤
   │ 2. 预处理                                  │
   │    - 基线 + SNV + 求导 + 均值中心化         │
   ├──────────────────────────────────────────┤
   │ 3. 交叉验证确定最佳主成分数                 │
   │    - LOO（留一法）或 10 折 CV               │
   │    - 选择 RMSECV 最小的 LV 数               │
   ├──────────────────────────────────────────┤
   │ 4. 用最佳 LV 数建立最终模型                 │
   │    - 用校正集训练                            │
   ├──────────────────────────────────────────┤
   │ 5. 外部验证                                │
   │    - 用验证集评估                            │
   │    - 计算 RMSEP、R²、RPD                    │
   ├──────────────────────────────────────────┤
   │ 6. 模型维护                                │
   │    - 定期用新样品更新模型                    │
   └──────────────────────────────────────────┘

图 2：PLS 建模完整流程

3.3 模型评价指标

PLS 模型的常用评价指标 [5][11]：

表 2：PLS 模型评价指标（参考 Williams & Norris [11]）

RPD（残差预测偏差） 是化学计量学最常用的"等级指标" [11]：

• RPD < 2：模型不可靠；
• RPD 2–3：模型可用，但精度有限；
• RPD 3–5：模型良好；
• RPD > 5：可替代实验室参考方法。

3.4 交叉验证：防止过拟合的关键

交叉验证（Cross-Validation, CV） 是选择最佳 LV 数的关键 [5][9]：

1. 把校正集分为 K 折（典型 K = 10）；
2. 每次留 1 折作"内部验证"，其余 K-1 折训练；
3. 计算每个 LV 数下的 RMSECV；
4. 选择 RMSECV 最小（或开始平缓）的 LV 数。

   RMSECV
      ↑
   高 │●
      │ ●
      │  ●
      │   ● ← 最小值（最佳 LV 数）
      │    ●●●●●● ← 平缓区
      │
      └──────────────→ LV 数
                       1 2 3 4 5 6 7 8 9 10

图 3：RMSECV 随 LV 数变化曲线。选择最小值附近的 LV 数，避免过拟合。

留一法（Leave-One-Out, LOO） 是 K = n 的极端情况：

• 优点：充分利用数据；
• 缺点：计算量大、容易低估误差；
• 推荐：当 n < 30 时用 LOO，否则用 10 折 CV。

3.5 PLS 实战：土壤有机碳预测

参考 Ep 35 案例 [12]：

• 样品：500 份澳大利亚土壤（CSIRO 数据集）；
• 光谱：MIR-DRIFTS（4000–400 cm⁻¹，每 4 cm⁻¹ 一点共 900 点）；
• 参考值：Walkley-Black 重铬酸钾氧化法测 SOM 含量；
• 预处理：SNV + 一阶导数（S-G 9 点）+ 均值中心化；
• 校正集：350 份；验证集：150 份；
• LV 数：10 折 CV 选择 8 个 LV；
• 结果：R² = 0.93, RMSEP = 0.32%, RPD = 3.6（达到"优秀"水平）；
• 载荷分析：LV1 主要贡献波数为 2925/2850 cm⁻¹（CH₂），LV2 为 1720 cm⁻¹（C=O）；
• 应用：模型用于澳大利亚农田 SOM 大规模普查。

🔗 延伸阅读：土壤有机质的红外特征详见 Ep 35，以及 ftir.fun 烷基 C-H 官能团页 与 ftir.fun 羰基官能团页。

3.6 PLS 的变种

• PLS-DA（判别分析）：y 为分类标签（0/1），用于判别（如真品/掺假）；
• PLS2：y 为多列矩阵，同时预测多个性质；
• N-PLS：用于三维数据（如 Ep 42 联用数据）；
• SVM-PLS：结合支持向量机与 PLS，处理非线性问题；
• CARS-PLS：用竞争性自适应重加权采样选择关键波数，简化模型。

四、过拟合：化学计量学的"幽灵"

4.1 过拟合的症状

过拟合（overfitting） 是化学计量学最常见的陷阱 [5][11]：

• 校正集 R² 极高（> 0.99），但验证集 R² 大幅下降；
• RMSEC 远小于 RMSEP；
• 模型对训练数据"记忆"完美，但对未知数据预测能力差。

   误差
    ↑
    │  RMSEC ●●●●●●●●●●  ← 持续下降
    │
    │  RMSECV ●●●●●●↓↑↑ ← 在某点后开始上升！
    │              ↑
    │              最佳 LV 数
    │
    └──────────────────→ LV 数

图 4：过拟合的典型症状——RMSEC 持续下降但 RMSECV 在最佳 LV 数后反弹

4.2 过拟合的原因

1. LV 数过多：把噪声也"建模"了；
2. 样品数太少：n < 10 × LV 数；
3. 预处理过度：求导次数过多、窗长过短；
4. 波数选择不当：包含太多噪声区；
5. 校正集与验证集分布不一致：如校正集温度 20°C，验证集温度 30°C。

4.3 避免过拟合的策略

表 3：避免过拟合的策略

4.4 模型可转移性

模型在不同仪器、不同实验室间的"可转移性"是化学计量学的另一个挑战 [5]：

• 同一样品在不同仪器上的谱图略有差异（仪器响应差异）；
• 解决方案：DS（Direct Standardization）、PDS（Piecewise Direct Standardization） 算法把"从仪器"谱图标准化到"主仪器"；
• SBC（Slope/Bias Correction）：简单斜率/偏置校正，适用于差异较小的情况。

五、其他多变量分析方法

5.1 SIMCA

SIMCA（Soft Independent Modeling of Class Analogy） 是基于 PCA 的有监督判别方法 [9]：

• 对每个类别分别建立 PCA 模型；
• 新样品计算到每个类别的"距离"（剩余方差与杠杆率）；
• 距离最小的类别为预测类别；
• 优势：每个类独立建模，可处理类不平衡；
• 应用：药物多晶型识别。

5.2 SVM

支持向量机（Support Vector Machine, SVM） 是机器学习方法（详见 Ep 44）[13]：

• 通过核函数（RBF、多项式）处理非线性；
• 在光谱分类中表现优异；
• 适合小样本（n < 100）；
• 缺点：参数调优复杂。

5.3 MCR-ALS

MCR-ALS（Multivariate Curve Resolution） 用于分解混合物光谱 [14]：

• 不需要参考值，纯软约束分解；
• 输出每个组分的纯谱 + 浓度曲线；
• 应用：Ep 42 联用数据分析。

5.4 PARAFAC

PARAFAC（Parallel Factor Analysis） 用于三维数据 [14]：

• 类似 PCA，但用于三维矩阵；
• 输出三个"载荷向量"；
• 应用：TGA-FTIR、GC-FTIR、EEM 荧光数据分析。

5.5 ANN（人工神经网络）

ANN 在 1990 年代已应用于红外光谱 [13]，但被深度学习取代（详见 Ep 44）。

六、开源工具推荐与实践

6.1 pybaselines：基线校正利器

pybaselines [8]：

• 200+ 种基线校正算法；
• Python 原生，与 NumPy/SciPy 兼容；
• 文档完善，示例丰富；
• 是目前红外基线校正的事实标准。

from pybaselines import Baseline
import numpy as np

baseline_fitter = Baseline(x_data=wavenumber)
# ALS（最经典）
bkg1 = baseline_fitter.asls(y, lam=1e7, p=0.01)[0]
# arPLS（自适应权重）
bkg2 = baseline_fitter.arpls(y, lam=1e6, ratio=0.01)[0]
# 多项式拟合
bkg3 = baseline_fitter.poly(y, poly_order=3)[0]

6.2 SpectroChemPy：一体化光谱分析框架

SpectroChemPy [15]：

• 177+ stars，活跃维护；
• NDDataset 数据结构：光谱 + 元数据一体化；
• 全流程：读取（多厂商格式）→ 预处理 → 建模 → 可视化；
• API 设计参考 scikit-learn，学习曲线平缓；
• 教学价值高。

import spectrochempy as scp

# 读取 Bruker OPUS 文件
ds = scp.read_opus("sample.0")
# 基线校正
ds = ds.baseline(algorithm='asls', lam=1e7, p=0.01)
# SNV
ds = ds.snv()
# PCA
pca = scp.PCA(n_components=5)
pca.fit(ds)
scores = pca.transform(ds)

6.3 Orange-Spectroscopy：零代码光谱分析

Orange-Spectroscopy [16]：

• 拖拽式可视化工作流，零编程门槛；
• 预处理 + 机器学习无缝衔接；
• 适合课堂教学与快速原型分析；
• 内置 PCA、PLS、PLS-DA、Random Forest 等；
• 支持 JCAMP-DX、SPC、SPA 等多种格式。

6.4 scikit-learn：通用机器学习框架

scikit-learn 提供了完整的 PCA、PLS、SVM、Random Forest 实现：

from sklearn.decomposition import PCA
from sklearn.cross_decomposition import PLSRegression
from sklearn.model_selection import cross_val_predict, KFold
from sklearn.metrics import mean_squared_error, r2_score

# PCA
pca = PCA(n_components=5)
scores = pca.fit_transform(X_centered)

# PLS
pls = PLSRegression(n_components=8)
pls.fit(X_train, y_train)
y_pred = pls.predict(X_test)
rmsep = np.sqrt(mean_squared_error(y_test, y_pred))
r2 = r2_score(y_test, y_pred)

# 10 折 CV 选最佳 LV 数
kf = KFold(n_splits=10)
for n in range(1, 15):
    pls = PLSRegression(n_components=n)
    y_cv = cross_val_predict(pls, X_train, y_train, cv=kf)
    rmsecv = np.sqrt(mean_squared_error(y_train, y_cv))
    print(f"LV={n}, RMSECV={rmsecv:.4f}")

6.5 工具选择建议

表 4：开源化学计量学工具对比

七、化学计量学最佳实践清单

7.1 数据采集

1. 样品数 ≥ 100：n < 30 时模型不可靠；
2. 覆盖未来应用范围：校正集浓度范围要覆盖实际应用场景；
3. 重复测量：每样品至少 2 次测量，避免单次偏差；
4. 随机化：避免系统顺序（如先测高浓度再测低浓度）；
5. 参考方法准确：参考值质量决定模型上限。

7.2 数据划分

• 校正集 60–70%，验证集 30–40%；
• 用 Kennard-Stone 算法做"均匀划分"，比随机划分更稳健；
• 验证集必须与校正集独立，不可参与预处理参数选择。

7.3 模型建立

• 用交叉验证选 LV 数；
• 用最简单的预处理组合；
• 检查残差图（residual plot）：残差应随机分布，无趋势；
• 检查杠杆率：高杠杆样品需关注。

7.4 模型验证

• 外部验证集 R²、RMSEP、RPD；
• 预测残差图：检查是否有系统偏差；
• 稳定性测试：用不同日期/操作员/仪器重复测量；
• 长期监控：定期用新样品验证模型。

7.5 模型部署

• 文档化预处理流程；
• 提供样品"适用性"判断（如新样品是否在模型范围内）；
• 定期更新模型（漂移校正）；
• 建立"失败"样品库，重新训练模型。

八、典型案例：从实验室到行业

8.1 案例 1：饲料中蛋白质含量的 NIR 快检

某饲料厂需在线监测饲料蛋白质含量 [11][17]：

• 样品：1200 份不同配方饲料；
• 光谱：NIR 1000–2500 nm（间隔 2 nm，共 750 点）；
• 参考值：凯氏定氮法；
• 预处理：SNV + 一阶导数（S-G 11 点）；
• 校正集：900 份；验证集：300 份；
• LV 数：12；
• 结果：R² = 0.96, RMSEP = 0.38%, RPD = 4.5；
• 应用：部署于生产线在线监测，每年节省化验费 50 万元。

8.2 案例 2：药物片剂活性成分的 ATR-FTIR 定量

某制药企业需快速测定片剂中对乙酰氨基酚含量 [18]：

• 样品：300 份不同批次片剂；
• 光谱：ATR-FTIR 4000–400 cm⁻¹；
• 参考值：HPLC；
• 预处理：arPLS + 二阶导数；
• 校正集：210 份；验证集：90 份；
• LV 数：6；
• 结果：R² = 0.95, RMSEP = 1.2%, RPD = 4.1；
• 应用：替代部分 HPLC 测试，每批节约 4 小时分析时间。

🔗 延伸阅读：药物分子的酰胺、羟基等特征吸收详见 ftir.fun 酰胺官能团页 与 ftir.fun 羟基官能团页。

8.3 案例 3：食品中三聚氰胺的快速筛查

参考 Ep 25 案例扩展 [19]：

• 样品：奶粉 + 三聚氰胺（0–500 ppm）共 200 份；
• 光谱：ATR-FTIR 4000–400 cm⁻¹；
• 预处理：arPLS + SNV + 一阶导数；
• 校正集：140 份；验证集：60 份；
• PLS-DA 判别模型：检出限 50 ppm，准确率 95%；
• 载荷分析：1550/1500 cm⁻¹（三嗪环 C=N）、3350/3450 cm⁻¹（NH₂）；
• 应用：用于奶站快速筛查，避免三聚氰胺事件重演。

🔗 延伸阅读：三聚氰胺的 N-H 伸缩与三嗪环振动详见 ftir.fun 胺官能团页。

九、化学计量学的未来：与机器学习的融合

化学计量学与机器学习的边界日益模糊 [13]（详见 Ep 44）：

• 传统化学计量学：PCA、PLS、SIMCA，可解释性强，适合小样本；
• 机器学习：SVM、Random Forest、XGBoost，非线性能力强，适合中等样本；
• 深度学习：CNN、Transformer，自动化特征提取，需要大样本（> 1000）；
• 可解释 AI：SHAP、LIME、SSIN，让黑盒变透明。

未来趋势：

1. 可解释 AI 普及：让模型不仅"对"，还要"知道为什么对"；
2. 联邦学习：跨实验室协作建模而不共享原始数据；
3. 自动机器学习（AutoML）：自动选择预处理与模型；
4. 量子化学 + 机器学习：用 DFT 计算谱图辅助小数据学习。

配图（本集关键示意）

📷 图 5：显微/阵列成像示意

来源：真实/开源图片 · Project case study — PE spectrum（已加水印 ftir.fun）

📷 图 6：高级方法链路

来源：真实/开源图片 · Unsplash — chemistry lab（已加水印 ftir.fun）

📷 图 7：高级技术相关特征峰示意

来源：ftir.fun 教学示意图（带水印；非实测谱，仅供理解概念）

本集小结

思考题

1. 你需要建立 PLS 模型预测牛奶中蛋白质含量。请说明完整的预处理流程，并解释为什么通常 NIR 区域更适合此类定量（提示：考虑水干扰）。

2. 在建立一个 PLS 定量模型时，校正集 R² = 0.98，但验证集 R² 只有 0.65。请列出至少 4 种可能的原因，并给出对应的诊断方法。

3. PCA 与 PLS 的核心数学差异是什么？在什么情况下你会优先选择 PCA 而非 PLS？请举一个实际例子。

4. 用 pybaselines 库做基线校正时，发现 ALS 算法的两个参数 lam 与 p 难以调节。请说明这两个参数的物理意义，以及如何选择合理取值范围（提示：lam 控制平滑度，p 控制不对称性）。

5. 给你 500 份土壤样品的 DRIFTS 谱图与 SOM 参考值，要求建立可用于行业部署的 PLS 模型。请设计完整流程：数据划分方法、预处理组合、LV 数选择、验证策略、模型性能目标、部署注意事项。

参考文献

[1] Kowalski B R. "Chemometrics: Views and Propositions." J Chem Inf Comput Sci, 1979, 19(4): 234–238. DOI:10.1021/ci60020a004.
参见 Wold S. "Chemometrics: What do we mean with it, and what do we want from it?" Chemom Intell Lab Syst, 1995, 30(1): 109–115.

[2] Wold H. "Estimation of Principal Components and Related Models by Iterative Least Squares." In: Multivariate Analysis, ed. Krishnaiah P R, Academic Press, 1966: 391–420.

[3] Wold S, Sjöström M, Eriksson L. "PLS-Regression: A Basic Tool of Chemometrics." Chemom Intell Lab Syst, 2001, 58(2): 109–130. DOI:10.1016/S0169-7439(01)00155-1.

[4] Massart D L, Vandeginste B G M, Buydens L M C, et al. Chemometrics: A Textbook. Elsevier, 1988. ISBN: 978-0-444-42660-6.

[5] Naes T, Isaksson T, Fearn T, Davies T. A User-Friendly Guide to Multivariate Calibration and Classification. NIR Publications, 2002. ISBN: 978-0-9528666-2-6.

[6] Rinnan Å, van den Berg F, Engelsen S B. "Review of the Most Common Pre-Processing Techniques for Near-Infrared Spectra." Trends in Analytical Chemistry, 2009, 28(10): 1201–1222. DOI:10.1016/j.trac.2009.07.007.

[7] Eilers P H C, Boelens H F M. "Baseline Correction with Asymmetric Least Squares Smoothing." Leiden Univ Medical Centre Report, 2005, 1(1): 5.

[8] pybaselines: A Python package for baseline correction. GitHub: https://github.com/derb12/pyb…

[9] Brereton R G. Chemometrics: Data Analysis for the Laboratory and Chemical Plant. Wiley, 2003. ISBN: 978-0-471-48978-8.

[10] Casale M, Casolino C, Ferrari G, et al. "Olive Oil Adulteration Detection by ATR-FTIR and Chemometrics." Food Anal Methods, 2010, 3: 195–203.

[11] Williams P C, Norris K. Near-Infrared Technology in the Agricultural and Food Industries. 3rd ed. AACC International Press, 2001. ISBN: 978-1-891127-37-6.

[12] Janik L J, Skjemstad J O, Raven M D. "Characterization and Analysis of Soils Using Mid-Infrared Partial Least-Squares." Soil Biology & Biochemistry, 2008, 40(2): 412–423. DOI:10.1016/j.soilbio.2007.09.023.

[13] Buljanić M H, et al. "Machine Learning in Infrared Spectroscopy." Spectrochim Acta A, 2022, 270: 120816.

[14] de Juan A, Tauler R. "Multivariate Curve Resolution (MCR) from 2000: Progress in Concepts and Applications." Crit Rev Anal Chem, 2006, 36(3–4): 163–176.

[15] SpectroChemPy: A Python framework for processing, analyzing and modeling spectroscopic data. GitHub: https://github.com/spectroche…

[16] Orange-Spectroscopy: A package to extend Orange with spectroscopic functionality. GitHub: https://github.com/Quasars/or…

[17] Burns D A, Ciurczak E W. Handbook of Near-Infrared Analysis. 3rd ed. CRC Press, 2007. ISBN: 978-0-8493-7393-0.

[18] Roggo Y, Chalus P, Maurer L, et al. "A Review of Near Infrared Spectroscopy and Chemometrics for Pharmaceutical Analysis." J Pharm Biomed Anal, 2007, 44(3): 683–700.

[19] Lu C, Xiang B, Hao G, et al. "Rapid Detection of Melamine in Milk Powder by Near Infrared Spectroscopy." J Near Infrared Spectrosc, 2009, 17(2): 59–67.

[20] ftir.fun 烷基 C-H 官能团页. https://ftir.fun/ir/group/alk…

[21] ftir.fun 羰基官能团页. https://ftir.fun/ir/group/car…

[22] ftir.fun 酰胺官能团页. https://ftir.fun/ir/group/ami…

[23] ftir.fun 羟基官能团页. https://ftir.fun/ir/group/hyd…

[24] ftir.fun 胺官能团页. https://ftir.fun/ir/group/ami…

下一集预告：Ep 44 — 机器学习在红外光谱中的应用
化学计量学是"传统"的多变量方法，而机器学习与深度学习是它的"进化版"。下一集我们将讨论：传统化学计量学 vs 机器学习的取舍；SVM、随机森林、XGBoost 在光谱分类中的应用；CNN 用于光谱识别；2025 年的 SSIN 可解释 AI（从 IR 光谱检测官能团）、LLM 驱动的 IR 光谱多任务推理框架、IR-Bot 自主机器人等前沿工作。

本文使用 CC BY-NC-SA 4.0 许可。配图来自公开领域或已标注来源的网络资源，版权归原作者所有。