在采用偏最小二乘适合全谱解析的因子分析技术时一般不需要对波长范围进行选择，但在建模前，如果对建模的光谱谱区进行选择，将有利于减少噪声影响，提高运算效率和模型的稳定性。研究表明，采用全谱建立校正模型时，不仅计算工作量大，而且校正模型的预测精度未必能达到最佳值。波长选择可以从得到的光谱中提取最有效的光谱信息，提高校正模型的精度，增强校正模型的预测能力，且简化了运算。因此，波长选择是建立稳定可靠的校正模型的重要手段。

波长选择的物理依据和意义可以从以下方面来看，从光谱本身看：有些波段样品的有效光谱信息很弱，不能提供与样品结构有关的信息；有些波段光谱信息存在线性相关的现象，光谱信息中有冗余；有些波段光谱与样品的组成或性质之间缺乏相关关系；有些波段光谱数据通常存在严重的重叠现象，使得这些波长处的光谱信息的灵敏度较差，直接影响模型的预测精度。由于仪器或检测器件本身不够稳定，使得扫描的光谱往往带有噪声，且每个谱区的噪声水平不一致，有些波段的信噪比较低，光谱质量差，如果利用全谱建模，不可避免的引入了噪声，降低了模型的精度。从计算量上看，波长选择减少了参与建模的波长点数，降低了建模和预测运算时间，提高了测量速度。从被测对象本身看，每一种组分都会在某一段或者某几段谱区对近红外光谱有较强的吸收，此即该组分的特征谱区，而在特征谱区外，该组分的吸收很弱，因此在建模时，从全谱中挑选出与样品待测组分响应大的光谱区间建模是十分必要的。

图3-1所示为第一组毒死蜱浓度为3.23～10mg/kg的混合溶液（毒死蜱、甲醇及水）样品的近红光全谱图。图3-2所示为近红外光谱交叉验证预测值与化学值。

图3-1 第一组样品毒死蜱、甲醇及水的混合溶液近红外光全谱图

图3-2 第一组样品近红外光谱交叉验证预测值与化学值

表3-1为第一组样品毒死蜱、甲醇及水的混合溶液中毒死蜱含量校正与预测结果。

表3-1 第一组样品毒死蜱、甲醇及水的混合溶液中毒死蜱含量校正与预测结果

通过选择建模的最佳光谱预处理方法、谱区范围，使用交互验证法确定主因子数为4。对第一组样品数据采用二阶导数（Second Derivative），17点平滑做预处理，毒死蜱对光谱信息贡献量最大的谱区范围是7502.2～5446.3cm^-1。

图3-3所示为第二组毒死蜱浓度为3.13～11.1mg/kg的混合溶液（毒死蜱、维生素C、蔗糖，甲醇及水）样品的近红外全谱图，图3-4所示为近红外光谱交叉验证预测值与化学值，表3-2毒死蜱、蔗糖、维生素C、甲醇及水的混合溶液中毒死蜱含量校正与交叉验证误差结果。

表3-2 第二组样品毒死蜱、蔗糖、维生素C、甲醇及水的混合溶液中毒死蜱含量校正与交叉验证误差结果

(www.daowen.com)

对第二组样本数据采用一阶导数（First Derivative），21点平滑做预处理，毒死蜱对光谱信息贡献量最大的谱区范围是9998.3～7497.9cm^-1和5778.3～5442.8cm^-1，主因子数为5。回归统计方法均采用偏最小二乘方法。

图3-3 第二组样品毒死蜱、蔗糖、维生素C及甲醇和水的溶液的近红外光全谱图

图3-4 第二组样品近红外光谱交叉验证预测值与化学值

图3-5所示为第三组毒死蜱浓度为0.005～0.1mg/kg的混合溶液（毒死蜱、维生素C、蔗糖，甲醇及水）样品的近红外全谱图，图3-6所示为近红外光谱交叉验证预测值与化学值。

图3-5 第三组样品毒死蜱、蔗糖、维生素C及甲醇和水溶液的近红外光全谱图

图3-6 第三组样品近红外光谱交叉验证预测值与化学值

不对数据实行预处理，毒死蜱对光谱信息贡献量最大的谱区范围是7240.4～9088.1cm^-1和5323.3～6102.9cm^-1，使用交互验证法确定主因子为8。回归统计方法采用偏最小二乘（partial least squares，PLS）法。表3-3为混合溶液中毒死蜱含量校正与预测结果。

表3-3 第三组样品毒死蜱、蔗糖、维生素C、甲醇及水的混合溶液中毒死蜱含量校正与预测结果