近日，中国科学院合肥物质院安光所高闽光研究员团队在傅里叶(FTIR)红外光谱分辨率增强研究方面取得新进展，相关研究成果分别以《基于线性预测理论的太阳遥感光谱高分辨率增强方法》和《基于线性预测理论的傅立叶光谱分辨率增强算法》为题发表于SCI期刊MEASUREMENT（SCI二区TOP，IF=5.6）和INFRARED PHYSICS & TECHNOLOGY（SCI二区，IF=3.3）。
FTIR技术以测量速度快、精度高和波段宽的优势，在大气污染监测、食品药品安全检测等诸多领域得到了广泛的应用。然而，由于光谱分辨率的限制，该技术在多组分超痕量物质检测领域面临着挑战，如何在不改变光谱仪结构、不增加仪器重量和体积的前提下有效提高光谱分辨率，成为制约FTIR技术更广泛应用的关键技术难题。
课题组李相贤副研究员和秦玉胜博士生等通过对FTIR光谱仪干涉特性进行深入研究，开发了一种基于线性预测理论的FTIR光谱分辨率增强算法。通过建立前后项线性预测总体最小二乘法估计模型参数并实现噪声抑制，利用滑动窗口技术减小预测误差并实现干涉信号高精度外推，显著提升了FTIR光谱分辨率增强模型的性能，在不改变干涉仪采样基础上，有效增强了FTIR光谱分辨率。
《基于多步线性预测的太阳遥感光谱高分辨率改进》提出了一种基于滑动窗口的干扰信号多步线性预测方法，该方法将滑动窗口与线性预测相结合，实现了光谱分辨率的高质量提升。该方法的主要思想是首先得到干扰信号的自回归（AR）模型，将预测长度划分为多个大小相等的预测窗口，利用自回归模型逐级预测每个窗口的干扰数据。然后，利用预测的干涉数据重新建模，更新 AR 模型参数，再根据新的 AR 模型预测下一个窗口，形成基于滑动窗口的 MSLP 方法，直到完成最后一个窗口的预测，得到所需的干涉信号。经过傅立叶变换后，可获得分辨率更高的光谱信号。通过模拟和实验，MSLP 方法可用于分离低分辨率的气体光谱，实现交叉吸收分离。此外，该方法还可用于重建低浓度气体光谱的吸收特性。
《基于线性预测的傅里叶光谱分辨率增强算法》提出了一种基于线性预测理论的傅里叶光谱分辨率增强算法。该算法由两个主要部分组成。第一步，建立干扰信号的自回归模型（AR）。利用前后向线性预测总最小二乘法和奇异值分解（SVD）估计 AR 模型中的参数，有助于减少奇异值反演造成的假峰值，抑制噪声干扰，并提出干扰信号最小预测误差准则来确定 AR 模型的阶数。第二步，利用 AR 模型进行线性预测。提出了一种基于滑动窗口的干扰信号多步线性预测方法，以提高预测精度。此外，还通过模拟研究了信噪比（SNR）、增强因子和傅里叶变换红外光谱的初始分辨率对算法精度的影响。为了验证该算法的实用性，我们将其用于增强 NH3 的光谱分辨率。然后使用增强光谱进行定量分析，以更好地评估该算法在增强光谱分辨率方面的效果。通过理论、模拟和实际应用，证明了所提出的算法能有效提高光谱分辨率和定量分析的准确性。
基于线性预测理论的FTIR光谱分辨率增强模型
多组分交叉吸收仿真增强示意图
不同分辨率下的实际干涉信号外推比较
FTIR光谱分辨率增强模型识别实际NO和H2O吸收特征
该成果有望进一步拓展FTIR技术在多组分超低浓度痕量物质检测等领域的应用前景。该研究成果得到了国家重点研发计划、国家自然科学基金等项目的资助。
文章链接：
https://doi.org/10.1016/j.measurement.2024.114220
https://doi.org/10.1016/j.infrared.2023.104764
