Проверка текста на водность: тошноту и водность, посчитать количествово символов и частотность слов, все для белого SEO

30.06.2021 alexxlab

Содержание

Что значит водность текста? Сколько должно быть воды в статье?

Вода или водность – процент отношения незначимых или стоп-слов к общему количеству слов в тексте. Величина рассчитывается специальными программами, разработанными для seo анализа. Показатель водности используется для оценки информативного качества статьи: чем выше процент, тем хуже.

Плюс эта величина, наряду с уникальностью, учитывается при ранжировании сайта в поисковых системах. Чем меньше показатель, тем выше оценивается статья роботами поисковиков. Поговорим о том, что относится к воде, как определить ее %, какие существуют нормы и как добиться оптимальной водности?

Содержание статьи

Водой считаются:

местоимения;
вводные слова;
предлоги;
подряд идущие синонимы;
незначимые слова;
объемные связки;
лишние прилагательные;
и другие стоп-слова, которые можно опустить без потери смысла.

Сколько должно быть воды

Жестких требований к % водности нет. К тому же, невозможно написать текст вообще без воды. Ведь в результате у вас получится сухой статистический отчет, который никто не будет читать. Небольшое содержание воды естественно. Тем не менее, если при написании вы будете использовать слишком много стоп-слов и витиеватых оборотов, то важная информация может за ними затеряться, и читатель покинет сайт.

Где проверить текст на воду

Процент водности рассчитывается специальными сервисами, осуществляющими seo анализ текста. У каждой программы своя интерпретация количества воды, которая считается оптимальной. Рассмотрим три самых популярных сервиса и определяемые ими нормы:

№	Название	Количество воды			Ссылка на проверку онлайн
№	Название	Нормальное	Повышенное	Высокое	Ссылка на проверку онлайн
1	Адвего	До 60%	65% и более	75% и выше	http://advego. ru/text/seo/top/
2	Текст ру	До 15%	От 15% до 30%	Свыше 30%	http://text.ru/seo
3	Истио	30-60%	Более 65%	100%	http://istio.com/rus/text/analyz/

Как видно из таблицы, показатель водности в каждом сервисе для анализа текста свой. Для наглядности проверим один и тот же материал разными программами и сравним результаты. В качестве примера я возьму вступление к одной из своих информационных статей, выполненной на заказ для сайта клиента:

Результаты проверки количества воды:

Адвего – 63%;
Текст ру – 12%;
Истио – 33%.

Алгоритм проверки Адвего показал небольшое превышение естественного уровня водности, остальные цифры вписываются в норму. Значит, несмотря на разброс абсолютной величины по процентной шкале, все программы примерно одинаково оценивают тексты. Для проверки можно пользоваться любым сервисом, не забывая учитывать его распределение водности.

Как проверить воду: инструкция

Я обычно пользуюсь проверкой Адвего. В этой программе при seo анализе, кроме водности, удобно смотреть и другие показатели (академическую тошноту, семантическое ядро статьи с частотностью ключевых слов, стоп-слова и т.д.). Они так же играют важную роль в оценке качества материала. Поэтому разберем, как проверить воду с помощью сервиса Адвего:

Заходим на главную страницу сайта advego.ru. Справа, в верхнем углу, нажимаем закладку «SEO-анализ текста».

Копируем материал в специальное поле и нажимаем кнопку «Проверить».

Появляется большая таблица с разными показателями. Нас интересует процент водности вначале и список стоп-слов с частотностью вхождения в самом конце.

Остается только проанализировать цифры и скорректировать материал.

Как убрать воду

Снизить % водности несложно. Нужно удалить максимальное количество стоп-слов, которые определила программа, но без потери смысла. Попробуем отредактировать отрывок из статьи и уменьшить этот показатель до минимума:

Удаляем стоп-слова, определенные программой, плюс слова, которые можно опустить без потери информации.

Проверяем еще раз – итоговая водность нашего примера получилась 59,7%. Вступление по объему уменьшилось почти в 2 раза. При желании можно еще убрать прилагательные и вводные конструкции. Правда, тогда текст будет больше похож на краткий набор фактов, а не на вступление к информационной статье с элементами рассказа.

Вот так просто копирайтеры снижают водность. На мой взгляд, не стоит усердствовать, загоняя показатели в жесткие рамки. Если % не зашкаливает, и читать статью легко и приятно, то ничего не стоит править. Если же вам трудно следить за мыслью, и информация с трудом воспринимается, то обязательно нужно проверить воду и избавиться от лишнего.

Примечание:

Первоначальная водность этой статьи составила 67%. Для блога, где предполагается более свободная форма изложения материала, чем в информационных текстах, допустимо количество воды до 70%. Но желательно анализировать семантическое ядро (ТОП-10 слов) и убирать слова-паразиты. В моем случае, это «много». После вычитки и корректировки итоговый процент снизился до 65% – допустимая норма.

10 сервисов проверки качества текста (водность, тошнота …)

Один из главных трендов в сфере контент-менеджмента последних лет — автоматизация всего: и процесса работы копирайтера, и ее проверки, и даже корректирования результатов его работы.

Мы выбрали 10 сервисов. Взяли свой текст, который порадовал нас во всех отношениях (посещаемость, переходы, количество обращений, продажи), и проверили его в каждой из систем.

Результаты были лестными: нашу заметку признали качественной по ряду параметров: водность, читабельность, спамность.

Были и казусы: один из сервисов посчитал, что наш текст — это и не текст вовсе, а просто набор букв, а другой, что он слишком «водянистый», «заспамленный». Хотя читателей и наших новых клиентов, полученных благодаря этому тексту, подача информации вполне устроила.

Впрочем, обо всем по порядку.

1y.ru

Бета-версия анализатора качества контента. Анализ проводится на базе закона Ципфа, то есть качество текста в данном случае определяется на основании соответствия частоты употребления слов в естественной речи и тексте.

Результат выдается в двух окнах: в одном — график, в другом — частота использования отдельных слов и рекомендации по корректировке.

Скриншоты проверки текста:

Сервис оценил качество нашего текста на «удовлетворительно» и указал, какие слова, по его мнению, встречаются чаще, чем следует.

Что хорошо? Быстро, удобно, наглядно.

Что плохо? Сервис не умеет анализировать тексты длиннее 5 тысяч слов.

Непонятно, что такое эти «читательа» и прочие странные вещи, которые сервис считает синонимами употребленных в тексте слов. Впрочем, мы помним, что перед нами — бета-версия.

pr-cy.ru

Еще один анализатор текста по закону Ципфа с рекомендациями по коррекции частоты встречающихся слов. То есть принцип оценки — тот же, что у предыдущего сервиса.

Скриншот результата проверки текста:

Этот сервис счел, что предложенный для анализа текст выглядит естественно, и высоко оценил его качество.

Что хорошо? Очень наглядно, удобно, с таблицей соответствия и рекомендациями. Есть возможность анализировать текст со страницы сайта, просто указывая ссылку.

Предельный объем текста — 15 тысяч слов. Анализирует также тошноту текста.

Что плохо? Ничего плохого не замечено. Но мы видим, что этот анализатор дал нашему тексту более высокую оценку по сравнению с предыдущим. Может быть, он нам льстит?

istio.com

Сервис, который умеет анализировать текст по многим параметрам и искать орфографические ошибки. Нас будет интересовать функция проверки водности, то есть слов, которые не несут полезной информации.

Оптимальным считается показатель водности менее 30%, максимальный предел — 60%.

Скриншоты результата проверки текста:

На первом скриншоте мы видим выделенные слова и фразы, которые сервис назвал «водой», и нельзя сказать, что ход его мыслей всегда очевиден.

А на втором скриншоте, где анализатор собрал совокупные данные по тексту, мы видим, что его водность определена в 44%. Это достаточно много, то есть наш текст, по результатам этого анализа, нуждается в существенной корректировке.

Что хорошо? Удобно и быстро. Вставляем текст, выбираем нужный параметр анализа, получаем результат. Не нужно вставлять текст всякий раз заново, если нужно проанализировать разные параметры.

Заодно с водностью сервис анализирует тошноту, показывает наиболее часто используемые слова, адекватно определяет тематику текста.

Что плохо? Нам трудно поверить, что в тексте действительно 44% воды. Мы, скорее, склонны усомниться в адекватности алгоритмов работы сервиса. Тем более что все прочие сервисы показали водность в два-три раза ниже.

textmarket.net

Сервис проверки водности и тошноты со встроенным текстовым редактором. Мы помним, что водность — это слова и обороты, которые не несут информационной нагрузки. А тошнота — это частота слов или фраз, употребляемых в тексте.

На уровень тошноты влияют и ключевые фразы, используемые в тексте для поисковой оптимизации, и любые другие повторяющиеся слова. По уровню тошноты судят о «натуральности» текста и уровне его оптимизации под поисковые запросы. Максимально допустимый коэффициент тошноты текста «для людей» — 7%, оптимальный — 4–6%.

Скриншот результата проверки текста:

Этот сервис полагает, что уровень «воды» в нашем тексте – вполне допустимый, а вот показатель тошноты — на верхнем пределе. Тут же нам показали первую пятерку наиболее употребляемых слов — сразу понятно, над чем нужно поработать, если мы хотим снизить этот показатель.

Что хорошо? На странице с анализатором даются развернутые объяснения понятий водности и тошноты текста и советы по трактовке полученных цифр.

В анализаторе можно включить текстовый редактор с богатой функциональностью, так что можно заниматься редактированием и прочей работой над тестом, не покидая страницы. Размер поля ввода можно регулировать.

Предоставляет информацию о количестве символов в тексте и пяти наиболее используемых словах.

Что плохо? Нет предметных рекомендаций по корректировке водности конкретного текста.

text.ru

Сервис проверки текстов по многим параметрам, включая уникальность, проверку орфографии, выделение ключевых слов. Нас интересует функция анализа водности и спамности (частоты употребления определенного слова или фразы).

Скриншоты результата проверки текста:

Этот сервис считает, что «воды» в нашем примере мало. А вот слово «уникальность» (его анализатор выделил самым темным цветом) мы повторяем слишком часто, поэтому здесь получился высокий процент заспамленности текста.

Также сервис полагает, что можно пореже использовать и другие слова, которые он выделил более светлой заливкой: «техническая», «смысловая», «текст». Так что, если мы хотим снизить показатель спамности, сервис рекомендует заменить эти слова синонимами или вовсе от них избавиться, поработав над формулировками.

Что хорошо? Дает развернутый анализ текста, выделяет часто употребляемые слова отдельно и в группы. По клику на кнопках «Подробнее» под результатами соответствующих проверок выделяет цветом те фрагменты в тексте, которые считает проблемными.

По клику на «?» предоставляет подробные определения каждого параметра в целом и относительно данного текста в частности.

Что плохо? «Думает» довольно долго. Намного дольше всех предыдущих сервисов.

Попутно с водностью и спамностью он по собственной инициативе проверяет орфографию, и это у него получается плохо – авторам определенно нужно позаботиться о пополнении словаря сервиса (стопорится на словах «инфографика», «Интернет-маркетинг» и так далее)

contentmonster.ru

Сервис, осуществляющий поиск стоп-слов и подсчет их процентного соотношения к общей длине текста. Стоп-слова — это всё то, что не несет самостоятельной смысловой нагрузки, но без чего не бывает связных текстов: предлоги, частицы, междометия, причастия, союзы, а также некоторые наречия, существительные и глаголы.

Слишком большое количество таких слов затрудняет восприятие текста и увеличивает его водность.

Скриншот результата проверки текста:

Сервис выделил только несколько вводных слов и определил общее их количество в 1% с хвостиком, то есть счел, что в этом смысле у нашего текста проблем нет.

Что хорошо? Информативно и просто, по результатам проверки сервис показывает общий процент стоп-слов и подсвечивает их.

Что плохо? Предельный объем текста — 10 тысяч символов.

test-the-text.ru

Сервис проверки текстов, написанных в информационном стиле, главными характеристиками которого являются четкость, предметность, объективность, лаконичность. Тексты, написанные в этом стиле, должны нести полезную информацию и легко читаться.

При помощи данного сервиса тексты проверяются на соответствие информационному стилю, а в качестве бонуса даются рекомендации по корректировке.

Скриншот результата проверки текста:

Сервис уверен, что наш пример не имеет отношения к информационным текстам, определив его качество в 0%. Также он выделил большое количество стоп-слов, не обойдя вниманием наречия и усиливающие определения.

Что хорошо? При клике на подсвеченных словах даются пояснения: что именно в этом фрагменте выглядит спорным, как можно перефразировать оборот, усилить аргументацию, конкретизировать «слабые» места.

Попутно с анализом качества сервис подсчитывает и выделяет стоп-слова, причем очень придирчиво, с запасом.

Что плохо? Нет возможности выделить отдельно стоп-слова. Раз уж сервис умеет их подсчитывать, почему бы не добавить функцию их просмотра отдельным списком?

Качество текста – 0%? Тут явно что-то не так! Может быть, у нас не лучший в мире информационный текст, но этот сервис считает, что он вообще не информационный и не текст.

glvrd.ru

Сервис проверки качества контента. Находит в текстах канцеляризмы (конструкты и словосочетания, характерные для официально-делового стиля, но не для литературной речи), выделяет «воду», отмечает перебор запятых и другие «некрасивости».

Скриншот результата проверки текста:

Никаких оценок сервис не дает, он лишь указывает на неудачные, с его точки зрения, обороты. Впрочем, он и называется сервисом проверки, а не оценки. Поэтому мы не поняли, понравился ему наш текст или нет. Зато хорошо поняли, как можно его улучшить.

Что хорошо? Очень скрупулезный анализ. Сервис подчеркивает фрагменты, которые, по его мнению, нуждаются в корректировке. По клику на слове дает обоснование, почему считает оборот неудачным, предлагает варианты замены и заметки на близкие темы.

Что плохо? Сама специфика такого анализа не предполагает «цифровых» выражений качества текста, но все-таки их не хватает. Иначе после работы над текстом не с чем сравнить получившийся вариант.

vaal.ru

Анализатор эмоциональности текста, написанного на русском или украинском языке. Это не онлайн-сервис, а скачиваемая программа.

Скриншот результата проверки текста:

Все в мире относительно. Мы постарались принять как комплимент оценку «тихий и медлительный», а «нежный» нам даже понравился. Но все-таки, кажется, анализатор хочет сказать, что предложенный пример не способен вдохновлять на подвиги.

Что хорошо? Любопытна сама возможность анализа эмоциональности текста. Есть возможность скачать библиотеку .dll, с которой можно будет оценивать тексты прямо в MS Word.

Что плохо? Нет онлайн-версии. Не указывается, какие именно слова или обороты влияют на эмоциональную окраску текста, поэтому непонятно, что делать с полученной информацией.

quittance.ru

Сервис проверки стилистики текста. Определяет наличие тавтологий (необоснованных повторений, тождественных смысловых конструктов) и близко расположенных слов, сходных по смыслу или имеющих похожее звучание.

Скриншот результата проверки текста:

Опять же, тут нет никаких оценок, только указание на проблемные места. Мы их увидели, как и то, что их немного. Чему и порадовались, сочтя испытание благополучно пройденным.

Что хорошо? Очень полезная возможность, если вам надо добиться максимального благозвучия текста. Помогает «причесать» текст после долгой работы над ним, когда глаз «замыливается».

Что плохо? Не всегда очевидно, какие из подсвеченных слов коррелируют между собой. Нет возможности растянуть поле ввода и увидеть весь текст без скроллинга.

Мораль

Выше было много справедливой критики. Мы увидели, как некоторые программы в пух и прах раскритиковали текст, который принес отличный результат.

Некоторые сервисы уже хорошо справляются с проверкой орфографии и пунктуации и даже пытаются анализировать стилистику. Кто знает, возможно, в обозримом будущем они сделают работу копирайтеров проще, а оценку их труда — гораздо точнее.

Автора автора

10 сервисов для оценки качества текстов — Офтоп на vc.ru

Впрочем, обо всем по порядку.

Скриншоты проверки текста:

Что хорошо? Быстро, удобно, наглядно.

Что плохо? Сервис не умеет анализировать тексты длиннее 5 тысяч слов.

Скриншот результата проверки текста:

Этот сервис счел, что предложенный для анализа текст выглядит естественно, и высоко оценил его качество.

Предельный объем текста — 15 тысяч слов. Анализирует также тошноту текста.

Слова-паразиты, вводные фразы, шаблонные обороты — все это «вода». Некоторое ее количество есть в любом тексте, и само по себе это не является проблемой, но до определенного порога. Оптимальным считается показатель водности менее 30%, максимальный предел — 60%.

Скриншоты результата проверки текста:

Скриншот результата проверки текста:

Предоставляет информацию о количестве символов в тексте и пяти наиболее используемых словах.

Что плохо? Нет предметных рекомендаций по корректировке водности конкретного текста.

Скриншоты результата проверки текста:

Что плохо? «Думает» довольно долго. Намного дольше всех предыдущих сервисов.

Слишком большое количество таких слов затрудняет восприятие текста и увеличивает его водность.

Скриншот результата проверки текста:

Что плохо? Предельный объем текста — 10 тысяч символов.

Скриншот результата проверки текста:

Попутно с анализом качества сервис подсчитывает и выделяет стоп-слова, причем очень придирчиво, с запасом.

Скриншот результата проверки текста:

Мораль

Чтобы написать колонку для ЦП, ознакомьтесь с требованиями к публикуемым материалам.

Программы и сервисы для проверки текстов

Автоматические сервисы и инструменты для проверки текста — шпаргалка для копирайтера

Не секрет, что наполнение сайта качественным контентом — это один из “столпов” успешного маркетинга. Именно полезные, читабельные тексты удерживают клиентов на сайте, побуждают их к совершению необходимых действий. Но без учета каких-либо четких критериев качество текста было бы слишком субъективным понятием, так что в сфере копирайтинга уже давно появились такие термины как уникальность, водность, заспамленность и т.д. И, соответственно, онлайн-сервисы для определения этих критериев. Под “качественным текстом” часто понимают лишь отсутствие грубых ошибок. На деле же, чтобы текст было легко и интересно читать, копирайтеру необходимо учитывать массу разных параметров. Вот основные из них:

Заспамленность. Если каких-либо слов в тексте слишком много, то при его прочтение вы не раз вспомните поговорку о “масле масляном”. Чаще всего эта проблема возникает с ключевыми словами, но здесь важно соблюсти баланс. Иногда для обозначения заспамленности используется термин “тошнота”.
Количество воды. Под “водой” понимаются общие слова и фразы, не несущие смысловой нагрузки.
Количество стоп-слов. Стоп-слова или шумовые слова — это различные связующие элементы текста (союзы, предлоги и т.д.), не имеющие собственной смысловой нагрузки. Стоп-слова игнорируются поисковыми системами, и это важно учитывать при расчете других параметров (к примеру, заспамленности).
Отсутствие каких бы то ни было ошибок (орфографических, стилистических, пунктуационных, грамматических и т.д.) — это альфа и омега копирайтинга.

ТОП-10 сервисов для копирайтера

Качество текста определяют множество различных показателей, потому на сегодняшний день существуют самые разные сервисы, позволяющие оценить качество текста. Ниже будут приведены те из них, которые, по моему мнению, являются самыми оптимальными и адекватными. Все они достаточно разноплановые, что позволяет оценить текст с разных сторон.

text.ru

По отношению к этому сайту максимально точной будет фраза “не баян, а классика”. Это простой, удобный сервис, определяющий уникальность, заспамленность, количество воды, отлавливающий орфографические ошибки. Что до уникальности, то здесь проверка достаточно “лайтовая”, и если ваш текст не набрал хотя бы 85-90% — уникальности по text.ru, то ему однозначно нужны правки. Очень-очень нужны правки. Что до водности и заспамленности, то тут все очень здраво и адекватно, так что если вам удалось добиться >15% по воде и >40% по заспамленности, то текст наверняка не пестрит бессмысленными оборотами и вводными словами, не перегружен повторяющимися словосочетаниями. Орфография же у text.ru достаточно топорная и часто принимает за ошибки вполне правильные выражения.

Advego.ru

Второй сервис, о котором хотелось рассказать. Сразу отмечу, что Advego — это биржа копирайтинга, предоставляющая как пользователям, так и гостям различные инструменты проверки — SEO-показателей, уникальности, и т.д. В программе Advego Plagiatus, которую биржа предлагает для проверки уникальности, несомненным плюсом является возможность вручную устанавливать количество слов для шингла и фразы. Своей “золотой серединой” я считаю показатель 4 для обоих критериев, но в этом смысле на вкус и цвет… SEO-анализ у Advego достаточно подробный и адекватный. Единственный показатель, принцип подсчета которого кажется мне не вполне грамотным — это показатель воды, т.к. в “водность” учитываются все предлоги, союзы, и частицы, без которых текст превратится в набор слов. На text.ru это организовано куда более грамотно.

Monster Antiplagiat Pro

Этот сервис для проверки уникальности был разработан биржей contentmonster.ru и предназначен для внутреннего использования заказчиками и исполнителями биржи. В день предоставляется 5 бесплатных проверок, все последующие платные. Что до самой проверки, то она на “монстре” достаточно жесткая. Откровенно говоря, показателя 100% на этом сервисе мне не удавалось добиться никогда =) Но этого обычно и не требуется:показатель 90-95% уже говорит о том, что текст более чем пригоден.

Сontent-Watch.ru

Удобный и лаконичный сервис для проверки уникальности текста или информации на сайте. Несмотря на то, что многие новички считают этот сервис слишком “суровым”, проверка content-watch достаточно адекватная: откровенно посредственный текст она сразу же отсеет, а к хорошему излишних придирок обычно не бывает. Хотя, конечно, бывало всякое: был случай, когда проверка посчитала неуникальными исключительно ключевые слова. Но тут уж оставалось либо смириться с чуть более низким показателем уникальности, либо жертвовать наименее частотным ключом.

Glvrd.ru

“Главред” — это сервис, любимый многими за то, что здесь учитываются не только такие численные показатели как заспамленность, количество воды и стоп-слов, но и стилистические особенности. Оценивается художественная ценность текста, наличие штампов, канцеляризмов, фраз с размытой смысловой нагрузкой. Также можно отдельно проверить синтаксис — для этого есть отдельная вкладка.

eText Antiplagiat

Еще один сервис, хорошо зарекомендовавший себя среди заказчиков и копирайтеров. Его плюсы: возможность управления глубиной проверки, наличие экспресс-проверки, проверки на рерайт, SEO-анализа и даже такой полезной плюшки как проверка картинок. Минусы: проверка в режиме онлайн доступна только пользователям, зарегистрированным на бирже. Всем остальным придется скачивать программу.

Istio.com

Неплохой и очень удобный сервис для комплексного SEO-анализа текста. Здесь можно будет проследить статистику по отдельным словам (притом можно проследить их частотность не только в общем тексте, но и в ядре), оценить тошноту текста, водность, выделить ключевые слова. Также доступна так называемая карта слов, на которой можно визуально оценить “рейтинг” слов, составленный по показателям частотности. Визуалы заценят.

Typograf

Отличный сервис для тех, у кого часто “замыливается” взгляд, и мелкие нюансы знаков препинания ускользают от внимания. Здесь наконец решена проблема дефисов и тире, а это многого стоит!

Language Tool

Простой, удобный и лаконичный сервис для проверки текста на орфографические, грамматические и стилистические ошибки. Все, что нужно сделать — это скопировать текст в окошко и нажать “проверить”. Текст с ошибками будет подсвечен, а при нажатии вам будет приведено описание ошибки и будет предложена замена.

translate.meta.ua/orthography/

Сервис для проверки орфографии, позволяющий протестировать текст на трех языках: русском, украинском и английском. Очень удобная штука для тех, наполняет контентом сайты на нескольких языках — все можно проверить, так сказать, “не отходя от кассы”. Важно отметить, что каждый сервис в чем-то индивидуален, потому важно учитывать особенности каждого из них и, по возможности, проверять текст на нескольких ресурсах, а не на каком-то одном.

На каких параметрах стоит заострить внимание

Проще будет сказать, на каких показателях его заострять не стоит. А, если серьезно, учитывать надо, по возможности, все: и уникальность, и заспамленность, и количество воды, и наличие приевшихся штампов. Если не удерживать приемлемые показатели по каждому из этих параметров, то текст будет сложным к восприятию, нечитабельным, скучным. Потому выделить какой-то один показатель, на который надо делать особый упор, нельзя. Важно сохранять баланс.

Новое и хорошо забытое старое — какие интересные сервисы появились за последние нескольких лет

Большинство хорошо известных и используемых сервисов для проверки текстов существуют уже достаточно давно, как минимум 3-4 года. Если говорить о новинках, то многие из них еще не успели себя зарекомендовать, стать лучше и интереснее “предшественников”. Но все еще впереди)

Можно ли создать хороший текст, опираясь на сервисы автоматической проверки

Много копий сломано при обсуждении того, можно ли при помощи автоматических проверок получить хороший текст. По моему мнению, вовсе не обязательно, что текст, прошедший проверки на нескольких сервисах, будет оригинальным и интересным. Но если текст этих проверок не прошел, то пиши пропало: обилие бессмысленных фраз, штампов, лишних оборотов, орфографических ошибок может “убить” даже самую интересную идею. Так что хорошие показатели уникальности, тошноты, воды и других параметров — условие необходимое, но недостаточное. И основная роль автоматических сервисов проверки в том, чтобы вычислить эти показатели быстро и точно. Они колоссально экономят время — как при написании текста, так и при составлении ТЗ. Ведь конкретные цифры — это гораздо проще и понятнее, чем расплывчатые формулировки.

Выводы и рекомендации

В создании качественного контента всегда остается место импровизации, но не стоит забывать и о сухих цифрах. Как ни странно, именно от этих цифр зачастую зависит, насколько легко ваш текст будет восприниматься людьми. Так что после написания обязательно “прогоните” текст через несколько сервисов проверки — это поможет сделать его максимально эффективным, интересным и полезным.

Вода в тексте — определение термина. SEO-википедия

Определение

Водность текста – это соотношение так называемых стоп-слов и смысловых фраз. Стоп-словами называют незначительные, не несущие смысловой нагрузки по теме слова и связки, самыми частыми из которых являются союзы и предлоги, а также вводные слова: “естественно”, “конечно”, “между тем”.

Нормы уровня водности

Показатель воды в тексте имеет свои нормальные пределы, это связано со стилистикой. Низкий уровень воды говорит о том, что текст, возможно, сухой, канцелярский, неудобочитаемый. Высокий показатель водности указывает на то, что статья бессмысленна, нерелевантна потенциальным поисковым запросам.

Проверить уровень воды в тексте можно с помощью сервисов Адвего Плагиатус, где нормой считается уровень в 55-65%, или Текст.ру с нормальным показателем в 70-80%, а также другими, менее популярными программами.

Проверка данного текста на Текст.ру показала нормальный уровень водности

Как бороться с водой в тексте?

Высокий показатель водности говорит о том, что статья написана, грубо говоря, ни о чём, либо стоп-слова встречаются настолько часто, что отвлекают читателя от сути изложенного. Это одновременно является стилистической ошибкой, снижает удобочитаемость и отражается на ранге страницы в выдаче поисковика. Понижение происходит, потому что система считает тексты, в которых воды больше, чем значимых смысловых фраз, нерелевантными.

Мы провели эксперимент с этим же текстом, увеличив его водность добавлением водных слов, текст стало трудно читать и очень сложно вычленить содержащуюся в нем информацию:

В этот же текст были добавлены вводные слова к уже имеющимся. Показатель водности увеличился, а текст стало невозможно читать.

Поэтому нужно учиться избавляться от лишних фраз, вычитывать тексты перед публикацией и ни в коем случае не “добивать объём” или “разбавлять спам” бессмысленной водой.

Чтобы снизить высокий показатель, из текста нужно убрать всё, без чего он не лишится смысла. Например:

Писать не “яблоня – это дерево…” или “яблоня является деревом…”, а “яблоня – дерево семейства розовых”.
Устранить лишние вводные “между прочим”, “кстати говоря”, “бытует мнение”.
Постараться сократить количество союзов “и”, “также”, заменив их запятыми.

Также может помочь замена абстрактных обозначений конкретными: не “иногда”, а “дважды в год”, не “многие”, а “40% пользователей”. В таких случаях стоит использовать достоверную информацию.

Почему нельзя занижать показатель воды?

Тексты создаются для людей, которые привыкли общаться, соблюдая нормы речи. Многие так называемые стоп-слова призваны делать паузы в тексте, позволяя осмыслить прочитанное, или указывают на важность сказанного, например “важно помнить, что…”, “хотя…, но вместе с тем…” – указывая на контрасты.

Текст должен оставаться благозвучным, публицистическим. Только в инструкциях и справочных статьях приветствуется сухое изложение материала. В развлекательном контенте нередко приветствуется юмор, игривый слог, что допускает повышение водности текста.

Мы продолжили эксперимент над этиим текстом, максимально удалив из него вводные фразы, предлоги и союзы, снизили воду в тексте до 1%. После такой обработки текст превратился в практически бессмысленный набор фраз:

Текст при снижении водности до 1%

Таким образом, в технических, медицинских, юридических и прочих узкоспециализированных текстах допускается низкий уровень водности. В информационных и новостных статьях, описаниях товаров показатель воды должен быть средним, в пределах нормы. В развлекательном, юмористическом и некоторых видах художественного контента допускается высокий уровень воды.

При оптимизации коммерческих текстов стоит следить за балансом спама по ключевым фразам и бессмысленными словами, то есть водой в тексте.

СЕО-анализ текста — как проводится, какие сервисы использовать, что такое тошнота текстов

Текст – это основной инструмент продвижения большинства сайтов. Чтобы он хорошо работал и приносил пользу, его стоит писать, придерживаясь определенных правил. Сейчас мало просто включить нужные слова, необходимо не переборщить с их количеством. Есть также и другие параметры оценки статей: водность, тошнота, частотность, стоп-слова и прочее.

Правила написания статей:

Ключевые слова должны быть органично вписаны;
Не допускается противоречить правилам русского языка;
Необходимо грамотно форматировать текст;
Плотность ключевых фраз должна быть около 3-5%, не более;
Дополнительно нужно в каждой статье использовать минимум по одной картинке;
Текст должен быть полезен.

За использование автоматически сгенерированного текста можно и вовсе угодить в бан и вылететь из поиска.

Для чего нужен СЕО-анализ текста?

СЕО-анализ текста позволяет оценить контент по разным факторам. Его обычно проводят с помощью разных онлайн-сервисов в рамках аудита сайта, эти программы просчитывают показатели заспамленности, водности, выводят частоту употребления тех или иных слов. Автоматическая проверка помогает быстро выявить слабые места любой статьи. А поскольку ее осуществляет программа, то шанс ошибки из-за человеческого фактора минимален.

Преимущества СЕО-анализа текста онлайн

Не нужно на свой компьютер устанавливать дополнительное ПО.
Проверка занимает минимум времени.
Множество сервисов и алгоритмов подсчета разных факторов, есть сайты, которые выставляют комплексный балл.
Возможность редактирования текста в форме, чтобы подогнать его под нужные параметры.
Подсветка проблемных участков.
При наличии API можно проверять тексты пакетно, что позволяет экономить время.

Онлайн-программы для СЕО-анализа текста

Программа «Адвего» для СЕО-анализа текста показывает статистику текста, считает частоту употребления слов, определяет стоп-слова. Сервис также позволяет выявить возможные ошибки написания слов.

Пример анализа отрывка из «Википедии» про историю написания романа «Война и мир» выглядит следующим образом:

Недостаток этого сервиса в том, что он не позволяет подсветить проблемные места. Например, нельзя увидеть участки статьи, которые он отнес к воде. На https://text.ru/seo и https://glvrd.ru есть такая возможность. Если провести на «Адвего» СЕО-анализ текста онлайн и на сайте Text.ru, то результаты будут разными. Например, в первом случае вода – 75%, во втором – 17%. Считается, что нормальное соотношение воды по Адвего – до 60%, по Text.ru – до 15%. Таким образом, обе проверки показали, что показатель превышен.

Важно: такие инструменты используются только для анализа текстов, написанных для продвижения сайта. Они не подойдут для художественной литературы!

Тошнота текста

Важный показатель любого текста – это тошнота. В «Адвего» этот параметр может быть классическим и академическим. В первом случае – это традиционная заспамленность (наличие повторяющихся слов). Во втором – речь идет о соотношении повторений слов к общему объему текста. При использовании одних и тех же конструкций нужно всегда соблюдать баланс. Чересчур частое употребление одинаковых слов и словосочетаний может привести к наложению фильтра. Страницы с переспамленным текстом часто надолго выпадают из выдачи.

Проводить СЕО-анализ текста стоит после написания статьи и перед выкладкой на сайт. Эта мера позволит вовремя обнаружить некачественный контент. Также нужно проверять уникальность статьи, ее грамотность, наличие ключевых фраз, оценивать стиль изложения и полноту ответа на запрос. Следует убирать лишние повторы, причем как слов, так и абзацев (смысловые повторы). Если уже одна мысль была описана, не стоит ее повторять (исключение – если нужно на нее сослаться или вы решили продолжить тему и это соответствует плану статьи).

Если у автора текстов минимальный опыт в написании статей, он может свершать массу ошибок. Частая беда – это использование водных конструкций и слов, которых можно избежать. Например, «таким образом», «так же как и», «не только, но и», «для тех кто», «для того чтобы» и т.д. Если тексты изобилуют такими словосочетаниями, у них будет выше показатель водности. А чем он больше, тем меньше ценность для читателя. Однако если исключить все водные словосочетания, то текст станет скучным, неудобным для чтения. Вот поэтому и существуют для каждого показателя, по которому проводится СЕО-анализ текста, оптимальные значения, в параметры которых лучше вписываться.

Водность текста

Водность текста – это процент содержания в нем ничего не значащих, не несущих полезной информации слов (стоп-слов). Максимально допустимым показателем водности можно считать 60%.

Что считается стоп-словами?

Местоимения (я, мы, вы, ты, он, она, который, и т. д.) и местоименные наречия (где, куда, откуда и др.)
Союзы (и, или, а и пр.)
Междометия (ой! ай-яй-яй! ух ты! и т. д.)
Предлоги (на, в, под и т.п.)
Частицы (ведь, же, разве, только и пр.)
Сокращения (все использованные выше и др. )
Обращения (уважаемые читатели, дорогие покупатели…)
Вводные слова (как правило, нельзя не отметить, причем, кажется, наверное, может быть…)

Этот список можно продолжить еще необъятным перечнем прилагательных и наречий, которые многие копирайтеры используют «для красного словца» или для увеличения объема текстов.

Конечно, статьи с нулевой водностью читаются очень тяжело – это сухие, безликие тексты (чаще всего, технические). Но и те, в которых много воды, читать не намного приятнее. Приведем конкретные примеры:

Водность текста 100%

Вот это да! Как быстро все вокруг стало невероятно великолепным теперь для меня! У меня никогда больше, наверное, не будет такого, как сегодня, когда мое «Я» стало менее важным, чем что-то другое. Ещё недавно мне никто не был нужен, я хотел быть один. А теперь я могу, наконец, думать о тебе и знать, что ты для меня – самое главное. Теперь у меня есть ты, и я понимаю: лучшее, что можно сделать – это быть с тобой рядом!

Как видите, текст абсолютно «ни о чем». К сожалению, подобные «авторские» работы часто можно встретить в сети Интернет и, что ещё хуже, в магазинах статей текстовых бирж.

Водность текста – 0%

Иваненко Павел Анатольевич. Место рождения – Иркутск. Образование – Национальный Исследовательский Иркутский государственный технический университет. Специальность — Конструкторско-технологическое обеспечение машиностроительных производств. Иностранные языки – французский, немецкий, английский. Любвеобилен. Характер – мягкий, податливый. Холост. Предпочитает интернет-общение. Носит одежду пастельных тонов. Злоупотребляет алкоголем. Коммуникабельный, ответственный, вежливый, доброжелательный, занудный.

Всё — по делу, информативно и лаконично. Напоминает досье Вермахта :). Зато абсолютно без воды.

Водность текста – 2%

Обратите внимание – в последнем предложении второго варианта текста о Павле Анатольевиче всего лишь добавлено слово «скучный». Именно оно дало 2% водности. Догадайтесь, почему? Сверить ответ можно будет в конце урока…

Влияние водности текстов на ранжирование в ПС

Если на сайте размещен текст с очень высокой водностью, роботы поисковых систем признают страницу не релевантной запросам (см. урок «Релевантность текста запросам»). Успешное продвижение такой страницы станет невозможным.

Как уже говорилось в предыдущих уроках, SEO-копирайтинг — это не только умение работать с ключевыми словами. Это навыки написания текстов, которые интересны и полезны людям. Текстов, которые будут с удовольствием читать, а потом делиться полученной информацией и ссылками. Качественные SEO-статьи создают самый главный фактор продвижения – поведенческий. Если вы начнете писать такие работы, то очень скоро станете «дорогостоящим» и востребованным копирайтером.

Вывод

Чтобы снизить водность текста, забудьте о фразах «на сегодняшний день», «на самом деле», «как правило», «ни для кого не секрет» и прочих выражениях, набивших оскомину у интернет-пользователей и не несущих смысловой нагрузки. Не позволяйте своим статьям раздуваться от ваших пространных размышлений, избегайте тавтологии и повторения одних и тех же словесных конструкций на расстоянии менее чем 3 предложения. Даже если слова не имеют общего корня – им достаточно быть синонимами, чтобы стать стоп-словами.

Кстати, именно поэтому слово «скучный» было определено как не имеющее значения и стало причиной повышения водности текста. Оно является синонимом слова «занудный».

Если вы пока не умеете определять водность текста по ощущениям от его прочтения, пользуйтесь сервисом http://istio.com/rus/text/analyz/. Водность там указывается в таком виде: X/Y, где X – количество стоп-слов в тексте, а Y – процент водности. Например, показатель 30/38 означает, что в тексте 30 не несущих смысловой нагрузки слов, и они составляют 38% от обезвоженного текста (обезвоженный текст получают после отбрасывания всех стоп-слов).

Содержание воды | Мет-л-Чек

ASTM E-1417 требует, чтобы содержание воды в смываемых водой пенетрантах и липофильных эмульгаторах составляло менее 5 процентов. Перечисленные аналитические методы для измерения этого процента — это ASTM D-95 и модифицированный метод Карла Фишера, описанный в приложении 1 ASTM E-1417. Недавно мы получили запрос относительно того, является ли стандартный метод Карла Фишера приемлемой альтернативой модифицированному методу. . Стандартный метод Карла Фишера описан в ASTM D 6304-04a.

Анализ формулировки стандарта ASTM E-1417, параграф 7.8.2.5, гласит:

Содержание воды — необходимо проверять с интервалами, указанными в Таблице 1, в соответствии с Методом испытаний D-95 или методом Карла Фишера, как описано в Приложении A1.

Затем текст приложения A1 гласит:

A1.1 Область применения и применение — Эта модифицированная волюметрическая процедура Карла Фишера является практической альтернативой методу испытаний D-95 для неразбавленных гидрофильных эмульгаторов и загрязнения воды применяемыми липофильными эмульгаторами и пенетрантами метода А.

Можно было поиграть в словесные игры с формулировкой спецификации и прийти к выводу, что цель спецификации заключалась в том, чтобы включить как обычный автоматизированный метод Карла Фишера, так и модифицированный ручной метод, но это, вероятно, не было в умах тех, кто написал спецификацию. Однако при рассмотрении обычного метода становится очевидным, что он равен по точности модифицированному методу, и единственное существенное отличие состоит в том, что модифицированный метод не требует покупки и использования автоматизированного оборудования.По нашему мнению, нет никаких причин, по которым обычный метод Карла Фишера не может использоваться для удовлетворения требований ASTM E-1417, и что для его включения требуется лишь небольшая редакция текста. Мы сделали это предложение Комитету E-07 и предполагаем, что необходимые изменения будут внесены в надлежащее время в соответствии с процедурами ASTM.

Подробнее о содержании воды

ASTM E-1417 и, возможно, другие спецификации, требуют периодического анализа использованного водосмываемого пенетранта на содержание воды.Анализ должен выполняться с использованием метода ASTM D-95 или метода Карла Фишера, описанного в Приложении A1 к ASTM E-1417. Недавно мы получили вопрос о том, были ли результаты в процентах по объему или в процентах по весу. Ответы на это можно найти в документации по спецификациям. Расчет по Приложению A1 (параграф A1.5) производится путем деления веса используемого титранта на вес образца, что дает массовый процент воды. Вес титранта рассчитывается в окончательном уравнении путем умножения использованного объема титранта на коэффициент, переводящий объем в вес.Эта константа «титра» предоставляется титрантом.

Уравнение выглядит следующим образом: Вес% воды = 100 X объем титранта X значение титра в граммах на мл, деленное на вес образца.

Метод ASTM D-95 рассчитывает массовый или объемный процент, в зависимости от того, был взят образец по массе или по объему.

Тестирование и интерпретация ваших результатов — Публикации

Все в вашей воде

Общественные системы водоснабжения в Северной Дакоте сотрудничают с Департаментом качества окружающей среды Северной Дакоты (NDDEQ) , чтобы обеспечить соблюдение правил безопасной воды, установленных Законом о безопасной питьевой воде Агентства по охране окружающей среды (EPA). Эти правила не распространяются на частные колодцы.

Владелец частного колодца несет ответственность за тестирование воды, интерпретацию результатов и внесение необходимых изменений в систему. Хотя Агентство по охране окружающей среды не может заставить владельцев частных колодцев соблюдать руководящие принципы Агентства по охране окружающей среды, максимальные уровни загрязнения, установленные агентством, могут служить ориентиром для безопасной питьевой воды. Неприемлемый образец воды может быть основан на бактериальном анализе, химических характеристиках воды (таких как хлориды, железо и жесткость) или физических характеристиках (таких как запах, вкус и цвет).

Эта публикация ответит на следующие вопросы:

На что следует проверять воду?
Какие образцы мне нужны?
Где я могу проверить мою воду?
Как интерпретировать мои результаты?
Как мне исправить мою проблему?

Следующая таблица дает краткий обзор допустимых уровней для питьевой воды. Далее следует более подробное объяснение.

Как мне собрать образец?

Методы взятия проб основаны на желаемом типе анализа.

Бактериальный анализ

Для теста на бактерии необходим стерильный контейнер, предоставленный испытательной лабораторией. Обратитесь в лабораторию за инструкциями по отбору проб и срокам, потому что пробы должны поступить в лабораторию в течение 36 часов. Не промывайте контейнеры, потому что большинство из них содержат консерванты.

Регулярный анализ воды на минералы и химические вещества

Проба «сырой» воды предпочтительна для рутинного анализа воды. Если возможно, при отборе пробы обходите установки очистки воды, такие как водоумягчители, системы обратного осмоса (RO) и системы удаления железа.Второй образец, взятый после того, как вода прошла через оборудование для обработки, поможет вам определить, правильно ли работает ваше оборудование.

Уделяйте особое внимание загрязнителям, у которых был высокий уровень тестирований в прошлом, или когда проблемы возникают из-за проблем со здоровьем. Используйте чистый пластиковый или стеклянный контейнер для сбора пробы объемом 1 л. Емкости, ранее использовавшиеся для отбеливателя, мыла или других веществ, будут загрязнять пробу воды. Промойте контейнер и крышку три раза водой, которая будет проверяться.Лаборатории рекомендуют, чтобы образцы поступали в них в течение двух недель.

Отбор проб воды в районах активного бурения нефтяных скважин

Если вас беспокоит качество воды в связи с текущей или будущей нефтедобычей, список предлагаемых тестов доступен в публикации NDSU WQ-1614 «Базовое качество воды в зонах нефтедобычи» или в лабораториях, перечисленных в этой публикации.

Где я могу проверить воду?

Список лабораторий в Северной Дакоте можно найти на последней странице этой публикации в Интернете по адресу www.ndsu.edu/waterquality, в местном офисе расширения или в Департаменте качества окружающей среды Северной Дакоты по телефону 701-328-6140. При выборе лаборатории учитывайте удобство и предлагаемые услуги.

На что нужно проверять воду?

Новые колодцы или дома:

Бактерии
Текущий анализ воды, в т.ч .:

— Электропроводность
— Магний
— Марганец (общий)
— Коэффициент поглощения натрия (SAR)
— pH
— Натрий
— Нитраты
— Общее количество растворенных твердых веществ (TDS)
— Кальций
— Железо (общее)
— Жесткость

Существующие скважины: Ежегодные испытания

Ежегодно общие показатели, в том числе:

— Бактерии, pH, нитраты и общее количество растворенных твердых веществ
— Любые компоненты, которые в предыдущие годы соответствовали стандарту для питьевой воды или приближались к нему

Существующие колодцы: каждые пять лет или если вы заметите изменение качества воды

Комплексный анализ воды
Текущий анализ воды, плюс:

— Калий
— Щелочность
— Хлорид
— Фторид
— Сульфат

Примечание. Сохраняйте копии всех результатов, чтобы можно было отслеживать изменения качества воды с течением времени.

Теперь, когда у меня есть результаты, что означают эти числа?

Рисунки 1 и 2 представляют собой примеры отчетов по анализу воды. Отчет будет содержать список загрязняющих веществ, на которые была проверена вода, и измеренные концентрации каждого из них. В отчете также могут указываться какие-либо проблемы.

Рис. 1. Образец отчета аналитической лаборатории

Рис. 2. Образец отчета о бактериологическом исследовании

Концентрация — это количество данного вещества (вес) в определенном количестве воды (объеме).Наиболее распространенная единица измерения концентрации — миллиграммы на литр (мг / л), что в воде приблизительно равно одной части на миллион (ppm).

Многие соединения измеряются в меньших концентрациях, таких как микрограммы на литр или части на миллиард (ppb). Некоторые загрязнители имеют единицы измерения, специфичные для данного теста, а другие выражаются в виде числового индекса, а не в терминах концентрации, и поэтому не имеют единиц.

Онлайн-инструмент для интерпретации качества воды был разработан, чтобы помочь вам в оценке отчетов об испытаниях качества питьевой, животноводческой и поливной воды.Ссылку на инструмент интерпретации можно найти по адресу: https://erams.com/wqtool.

Инструкции по использованию инструмента интерпретации находятся на веб-сайте. После того, как вы введете числа из отчета об испытании воды, инструмент предоставит рекомендации по приемлемым или недопустимым концентрациям.

Для дополнительной информации:

Интерпретация бактериологического теста

В любой воде содержатся бактерии в той или иной форме. Наличие бактерий не означает, что вода небезопасна для питья.Только болезнетворные бактерии, известные как патогены, приводят к болезням. Результаты вашего теста должны включать общее количество бактерий группы кишечной палочки. Общие колиформные бактерии представляют собой группу из нескольких видов бактерий, обычно встречающихся в окружающей среде, включая почву, растительность и неочищенную поверхностную воду. Они также находятся в кишечнике теплокровных животных, в том числе человека.

Лаборатория обычно сообщает о бактериологическом тесте как о положительном или отрицательном, что указывает на наличие или отсутствие общих бактерий группы кишечной палочки.Отрицательный результат по общему количеству колиформных бактерий означает, что вода безопасна для употребления человеком с бактериологической точки зрения.

Положительный тест на общую колиформную группу указывает на антисанитарные условия и возможное присутствие болезнетворных организмов. Дальнейшее тестирование должно включать подгруппу фекальных колиформных бактерий и ее подгруппу, Escherichia coli (E. coli). Положительный результат фекальных колиформных бактерий указывает на возможное недавнее загрязнение сточных вод или отходов животноводства.

Вспышки кишечной палочки, связанные с заражением пищевых продуктов, привлекли внимание СМИ.Эти вспышки вызваны специфическим штаммом E. coli, известным как E. coli 0157: H7. Положительный результат на E. coli не обязательно означает, что этот конкретный штамм присутствует. Тем не менее, это указывает на недавнее фекальное загрязнение, которое следует интерпретировать как показатель повышенного риска присутствия патогенов.

Болезнетворные микробы (патогены) в этих отходах могут вызывать диарею, судороги, тошноту, головные боли и другие симптомы. Эти патогены могут представлять особый риск для здоровья младенцев, маленьких детей и людей с сильно ослабленной иммунной системой.

Шоковое хлорирование следует проводить в лунке, в которой обнаружен положительный результат теста на кишечную палочку или фекальную колиформную группу. Для получения инструкций по хлорированию посмотрите это видео «Шоковое хлорирование частной скважины».

Повторите тест на бактерии в течение семи дней, чтобы подтвердить эффективность хлорирования.

Интерпретация минерального анализа

Щелочность

Щелочность — это мера способности воды нейтрализовать кислоты. Преобладающими химическими веществами, присутствующими в природных водах, являются карбонаты, бикарбонаты и гидроксиды.Обычно преобладает бикарбонат-ион. Однако соотношение этих ионов зависит от pH, минерального состава, температуры и ионной силы. Вода может иметь низкий рейтинг щелочности, но относительно высокий pH или наоборот, поэтому щелочность сама по себе не имеет большого значения как показатель качества воды.

Щелочность не считается вредной для человека, но обычно связана с высокими значениями pH, жесткостью и чрезмерным содержанием растворенных твердых веществ. Вода с высокой щелочностью также может иметь отчетливо плоский неприятный вкус.Обработка — это ионный обмен с добавлением резервуара или обратного осмоса.

Мышьяк

Мышьяк — это полуметаллический элемент без запаха и вкуса. Он попадает в источники питьевой воды из природных отложений в земле или из сельскохозяйственных и промышленных предприятий.

Согласно EPA, длительное воздействие мышьяка в питьевой воде связано с раком мочевого пузыря, легких, кожи, почек, носовых ходов, печени и простаты. Доброкачественные эффекты мышьяка включают сердечно-сосудистые, легочные, иммунологические, неврологические и эндокринные (например, диабет) проблемы.

Обработка зависит от уровня загрязнения. Типичные рекомендации включают добавление анионного фильтра или резервуара.

Подробнее о фильтрации см. В списке публикаций в конце этой страницы.

Кальций и магний

Кальций и магний являются основными факторами жесткости воды. Когда вода нагревается, кальций распадается и выпадает из раствора в осадок, образуя накипь. Максимальные пределы для кальция не установлены.Концентрация магния выше 125 мг / л может оказывать слабительное действие на некоторых людей. Лечение кальция — умягчение (баковые среды) и обратный осмос. Уровни магния можно контролировать с помощью дистилляции.

Хлорид

Высокая концентрация хлорид-ионов может привести к тому, что вода будет иметь неприятный соленый вкус и вызвать коррозию систем горячего водоснабжения. На некоторых людей вода с высоким содержанием хлоридов оказывает слабительное действие. Для хлорид-ионов установлен верхний предел 250 мг / л, хотя заметить вкус на этом уровне сложно, и даже более высокие концентрации, по-видимому, не вызывают неблагоприятных последствий для здоровья.Повышение нормального содержания хлоридов в воде может указывать на возможное загрязнение человеческими сточными водами, навозом животных или
промышленными отходами.

Цвет

Цвет может указывать на растворенный органический материал, недостаточную обработку и высокую потребность в дезинфицирующих средствах, а также может указывать на возможность образования чрезмерных количеств побочных продуктов дезинфекции. Неорганические загрязнения, такие как металлы, также являются частой причиной цвета. В целом, потребительские претензии могут быть разными: от 5 до 30 цветовых единиц, хотя большинство людей считают нежелательными цвета, превышающие 10 цветовых единиц.Другие загрязнители, которые могут быть связаны с изменением цвета воды, включают алюминий, медь, пенообразователи, железо, марганец и общее количество растворенных твердых веществ. Лечение — обратный осмос.

Электропроводность

Электропроводность — это мера проводимости электрического тока в воде. Это простое измерение, которое тесно связано с общим содержанием растворенных твердых веществ (минералов) в воде. Максимальный уровень загрязнения (MCL) составляет от 0,4 до 0,85 микросименса на сантиметр. Обработка обратным осмосом эффективна для питьевой воды.

Фторид

Концентрация фторида в питьевой воде от 0,7 до 1,2 мг / л защищает от кариеса. Однако чрезмерный уровень (более 1,5 мг / л) может вызвать изменение цвета или пятнистость на зубах. Это происходит только в развивающихся зубах до того, как они прорастут. Повышенный уровень фтора также может вызвать повреждение скелета и заболевания костей. Поскольку в грунтовых водах часто встречаются низкие уровни фторида, большинство муниципалитетов добавляют фтор в воду.

Железо и марганец

Железо в концентрациях больше 0.3 мг / л и марганец в концентрациях более 0,05 мг / л могут вызвать появление коричневых и черных пятен на белье, сантехнике и раковинах. Также может присутствовать металлический привкус, который может повлиять на вкус напитков, приготовленных из воды. Высокие концентрации железа и марганца не представляют опасности для здоровья. Обработка включает смягчитель воды или железный фильтр для железа и обратный осмос для марганца.

См. Список публикаций в конце этой страницы для получения дополнительной информации о умягчении и удалении железа и марганца.

Нитраты

Результаты, представленные для нитратов, могут сбивать с толку, поскольку они могут быть представлены как азот (N), нитрат-азот или как нитрат (NO3). Ниже приведены максимальные уровни для каждого:

Содержание азота (N) или нитрат-азота (NO3-N) не должно превышать 10 мг / л.
Нитрат (NO3) не должен превышать 45 мг / л.

Высокий уровень нитратов может вызвать метгемоглобанемию (детский цианоз или «болезнь голубого ребенка») у младенцев, которые пьют воду или смеси, приготовленные из воды, с содержанием нитратов выше рекомендованного.

Взрослые могут пить воду со значительно более высокой концентрацией, чем младенцы, без побочных эффектов. Обработка такой воды включает анионный ионный обмен, обратный осмос, дистилляцию и / или деионизацию.

Дополнительную информацию о умягчении см. В списке публикаций в конце этой страницы.

pH

pH воды является мерой кислотности или щелочности. Значение pH представляет собой логарифмическую шкалу, основанную на измерении количества свободных ионов водорода в воде.Шкала варьируется от 0 до 14, где 7 считается нейтральным, от 0 до 7 — кислотным, а от 7 до 14 — щелочным. Поскольку на pH могут влиять растворенные минералы и химические вещества, это важный индикатор изменения химического состава воды.

По данным Агентства по охране окружающей среды США, питьевая вода с pH от 6,0 до 9,5 обычно считается удовлетворительной. Несколько общественных систем водоснабжения, которые используют реки Миссури, Джеймс или Ред-Ривер в качестве источника воды, должны поддерживать pH выше 9, чтобы поддерживать их в соответствии с правилом о свинце и меди Закона о безопасной питьевой воде, в котором подробно описаны способы предотвращения их вымывания. элементы из трубопроводных систем.

Вода с pH ниже 6 или выше 9,5 может вызывать коррозию металлических водопроводных труб и арматуры. PH воды может влиять на эффективность пестицидов, особенно гербицидов.

Калий

Концентрация калия в воде обычно очень мала. Хотя чрезмерное количество может иметь слабительный эффект, EPA не установило максимального предела. Калий (хлорид) используется в качестве замены соли в смягчителях воды, когда потребление натрия с пищей является проблемой для здоровья.

Натрий

Натрий — очень активный металл, который не встречается в природе в свободном состоянии. Всегда сочетается с другими веществами. В организме человека натрий помогает поддерживать водный баланс. Потребление натрия человеком в основном зависит от потребления натрия в виде хлорида натрия или поваренной соли. Доля питьевой воды обычно невелика по сравнению с другими источниками.

Лечение некоторых сердечных заболеваний, болезней системы кровообращения или почек или цирроза печени может включать ограничение натрия.При разработке рациона питания этих людей следует учитывать содержание натрия в питьевой воде.

Национальная академия наук предложила стандарт для общественной воды, допускающий содержание натрия не более 100 мг / л. Это гарантирует, что водоснабжение добавляет не более 10 процентов общего количества натрия, потребляемого человеком.

Американская ассоциация здравоохранения рекомендует более консервативный стандарт 20 мг / л для защиты сердца и почек.

Смягчение ионным обменом или кальцинированной содой увеличивает содержание натрия примерно на 8 мг / л на каждый грамм / галлон (зерна на галлон) удаленной жесткости.Лечение включает использование хлорида калия вместо гранул смягчителя хлорида натрия (смягчающей соли) или, в качестве альтернативы, ограничение питьевой воды из этого источника.

Сульфаты

Вода с высоким содержанием сульфатов, особенно сульфата магния (соли Эпсона) и сульфата натрия (глауберова соль), может оказывать слабительное действие на людей, которые не привыкли к воде. Эти эффекты различаются у разных людей и, кажется, длятся только до тех пор, пока они не привыкнут к использованию воды.Высокое содержание сульфатов также влияет на вкус воды и образует твердую накипь в котлах и теплообменниках. Рекомендуемый верхний предел для сульфатов — 250 мг / л. Лечение включает обратный осмос.

Общее количество растворенных твердых веществ (TDS)

Высокие концентрации TDS могут отрицательно повлиять на вкус и испортить сантехнику и бытовую технику. EPA рекомендует не использовать воду, содержащую более 500 мг / л растворенных твердых веществ, если доступны другие менее минерализованные источники. Однако вода, содержащая более 500 мг / л TDS, не опасна для питья.За исключением наиболее очищенных систем водоснабжения, реки Миссури, нескольких пресноводных озер и разбросанных колодцев, очень немногие источники воды в Северной Дакоте содержат менее рекомендованных 500 мг / л концентрации общих растворенных твердых веществ. Многие домохозяйства в штате пользуются питьевой водой с концентрацией до 2000 мг / л и выше. Для бытового использования используется обратный осмос.

Общая жесткость

Жесткость — это свойство, которое заставляет воду образовывать нерастворимый творог с мылом, и в первую очередь связано с присутствием кальция и магния.Очень жесткая вода не оказывает вредного воздействия на здоровье и может быть более вкусной, чем мягкая. Жесткая вода вызывает беспокойство в первую очередь, потому что для эффективной очистки требуется больше мыла; образует пену и творог; вызывает пожелтение тканей; закаливает овощи, приготовленные в воде; и образует накипь в котлах, водонагревателях, трубах и кухонных принадлежностях. Жесткость высококачественной воды не должна превышать 270 мг / л (15,5 гран на галлон) в пересчете на карбонат кальция. Вода мягче, чем
от 30 до 50 мг / л, может вызывать коррозию трубопроводов в зависимости от pH, щелочности и растворенного кислорода.Умягчители воды исправят жесткость воды более 270 мг / л.

Дополнительную информацию о умягчении см. В списке публикаций в конце этой страницы.

Мутность

Мутность — это мера взвешенных минералов, бактерий, планктона, а также растворенных органических и неорганических веществ. Мутность часто связана с поверхностными источниками воды. Обработка включает смешивание с таким веществом, как квасцы, которое вызывает коагуляцию взвешенных материалов, которые затем могут быть удалены фильтрацией через песочный фильтр.

Лаборатории тестирования воды в Северной Дакоте

В следующей таблице перечислены лаборатории в Северной Дакоте, которые проверяют питьевую воду.

% PDF-1.6 % 628 0 объект> эндобдж xref 628 146 0000000016 00000 н. 0000005754 00000 н. 0000005890 00000 н. 0000006102 00000 п. 0000006143 00000 п. 0000006271 00000 н. 0000006404 00000 п. 0000006594 00000 н. 0000006707 00000 н. 0000007362 00000 н. 0000007446 00000 н. 0000007545 00000 н. 0000007640 00000 н. 0000007739 00000 н. 0000007833 00000 п. 0000008009 00000 н. 0000008120 00000 н. 0000009301 00000 п. 0000010481 00000 п. 0000010691 00000 п. 0000011870 00000 п. 0000025833 00000 п. 0000043502 00000 п. 0000049664 00000 п. 0000050556 00000 п. 0000064615 00000 п. 0000064826 00000 п. 0000078706 00000 п. 0000078914 00000 п. 0000078985 00000 п. 0000079060 00000 н. 0000079165 00000 п. 0000079208 00000 п. 0000079398 00000 п. 0000079492 00000 п. 0000079535 00000 п. 0000079626 00000 п. 0000079766 00000 п. 0000079859 00000 п. 0000079902 00000 н. 0000079992 00000 н. 0000080163 00000 п. 0000080260 00000 п. 0000080303 00000 п. 0000080393 00000 п. 0000080572 00000 п. 0000080665 00000 п. 0000080708 00000 п. 0000080798 00000 п. 0000080970 00000 п. 0000081063 00000 п. 0000081106 00000 п. 0000081195 00000 п. 0000081369 00000 п. 0000081462 00000 п. 0000081505 00000 п. 0000081595 00000 п. 0000081747 00000 п. 0000081840 00000 п. 0000081883 00000 п. 0000081974 00000 п. 0000082173 00000 п. 0000082267 00000 п. 0000082309 00000 п. 0000082400 00000 п. 0000082580 00000 п. 0000082674 00000 п. 0000082716 00000 н. 0000082807 00000 п. 0000082896 00000 п. 0000082938 00000 п. 0000082980 00000 п. 0000083073 00000 п. 0000083115 00000 п. 0000083248 00000 н. 0000083290 00000 н. 0000083472 00000 п. 0000083514 00000 п. 0000083640 00000 п. 0000083682 00000 п. 0000083840 00000 п. 0000083882 00000 п. 0000084015 00000 п. 0000084057 00000 п. 0000084177 00000 п. 0000084219 00000 п. 0000084261 00000 п. 0000084304 00000 п. 0000084421 00000 п. 0000084464 00000 п. 0000084568 00000 п. 0000084610 00000 п. 0000084652 00000 п. 0000084695 00000 п. 0000084791 00000 п. 0000084834 00000 п. 0000084939 00000 п. 0000084982 00000 п. 0000085085 00000 п. 0000085128 00000 п. 0000085171 00000 п. 0000085214 00000 п. 0000085311 00000 п. 0000085354 00000 п. 0000085458 00000 п. 0000085501 00000 п. 0000085605 00000 п. 0000085648 00000 п. 0000085691 00000 п. 0000085734 00000 п. 0000085831 00000 п. n8%.j0t_ʵ5 ‘{wϢJ $ 9> J ڦ NA0fW | ~ h9p; lr \ es. *> PNH «t ߍ b% lk5kEE} ӨtӈОZ) | f8} MҘ $! A; aqSV07qxwmie +) {Yu>

(PDF) Определение профиля влажности и содержания влаги Моделирование гибких конструкций дорожного покрытия

Бриско, Б., Т.Дж. Пульц, Р.Дж. Браун, С.К. Топп, М.А. Харес и В.Д. Зебчук (1992)

«Измерение влажности почвы с использованием портативных диэлектрических датчиков и рефлектометрии во временной области

». Water Resources Research, Vol. 28, No. 5, May, 1339-1346.

Campbell Scientific (1996) Руководство по эксплуатации рефлектометра CS615 для определения содержания воды.

Версия 8221-07, Campbell Scientific, Inc., Логан, Юта, 12 стр.

Коул, К. С. и Р. Х. Коул (1941) «Дисперсия и поглощение в диэлектриках; I.

Характеристики переменного тока ». Журнал химической физики, Vol. 9, 341-351.

Дэвис, Дж. Л. и У. Дж. Чудобяк (1975) «Измеритель на месте для измерения относительной диэлектрической проницаемости почв

». Геологическая служба Канады, Документ 75-1, Часть A, 75-79.

Дин, Т. Дж., Дж. П. Белл и А.Дж. Б. Бати (1987) «Измерение влажности почвы с помощью улучшенной методики измерения емкости

, Часть I. Конструкция и характеристики датчика». Журнал

по гидрологии, Vol. 93, 67-78.

Дебай П. (1929) Полярные молекулы. Chemical Catalog Co., Нью-Йорк, штат Нью-Йорк, 172 стр.

Демпси Б. Дж. (1970) «Модель теплопередачи для оценки воздействия мороза и

температурных эффектов в многослойных системах дорожного покрытия». Шоссе

Отчет об исследовании № 342, Национальный исследовательский совет, 39-56.

Дирксен, К. и С. Дасберг (1993) «Улучшенная калибровка рефлектометрии во временной области.

Измерения содержания воды в почве». Журнал Американского общества почвоведов, Vol.

57, 660-667.

Добсон М.С., Ф. Куяте и Ф. Т. Улаби (1984) «Повторное исследование текстуры почвы

Влияние на микроволновое излучение и обратное рассеяние». IEEE Transactions on

Geoscience and Remote Sensing, Vol. 22, 530-535.

Добсон, М. К., Ф.Т. Улаби, М. Т. Халликайнен и М. А. Эль-Райес (1985) «Диэлектрическое поведение влажной почвы в микроволновой печи

— Часть II: Модели смешивания диэлектриков». IEEE

Транзакции по геонаукам и дистанционному зондированию, Vol. GE-23, 35-46 января.

Фелльнер-Фельдегг, Х. (1969) «Измерение диэлектрика во временной области». Журнал

Physical Chemistry, Vol. 73, No. 3, 616-623.

Форсайт, Р. А., Г. К. Уэллс, и Дж. Х. Вудстром (1987) «Экономическое воздействие дорожного покрытия

Подземный дренаж» Отчет о транспортных исследованиях №1121, Транспорт

Исследовательский совет, 77-85.

137 Ссылки

(PDF) Методы быстрых полевых испытаний для определения плотности почвы и содержания влаги

Надлежащий контроль содержания влаги в почве и ее уплотнения во время строительных работ по строительству земляных работ имеет решающее значение для достижения надлежащих характеристик структурных заполнений. Обычные методы (например, песчаный конус, резиновый баллон, измеритель ядерной плотности) не всегда надежны и могут потребовать больше времени, чем доступно для ускорения строительства.Чтобы улучшить существующий подход, необходимы новые быстрые и надежные технологии полевых испытаний. В рамках этих усилий в данной статье описывается оценка относительно недорогого оборудования, использующего рефлектометрию во временной области (TDR) и методы измерения емкости для определения плотности почвы и содержания воды в поле. Были проведены сравнения с обычными ядерными методами и методами активной зоны привода для четырех различных типов грунта и были использованы для оценки точности и точности каждого устройства и оснований для их успешного использования.В качестве устройств использовались IMKO TRIME TDR, измеритель влажности Campbell Scientific DMM600 Duff и ядерный измеритель плотности влажности Humboldt. В качестве эталонного метода испытаний использовался гравиметрический отбор проб через приводные керны. Результаты показывают, что измерения объемной влажности почвы методом TDR являются точными без калибровки для конкретной почвы и, учитывая априорное знание гравиметрического содержания влаги, могут быть использованы для оценки удельного веса сухой почвы. Измеритель влажности Дафф использовался в сочетании с модифицированным приводным сердечником, разработанным автором для измерения как объемного содержания влаги, так и общего веса образца почвы.Для определения содержания влаги относительно содержания влаги, высушенной в печи, ядерные методы и методы TDR в целом были менее ошибочными, чем DMM600. Ни один метод не может сравниться с весом сухой единицы керна; ядерный метод имел самые низкие значения RMSE и SEP, но также и самые низкие значения R2 в целом по сравнению с методами TDR и DMM600. Среднее время для выполнения каждого теста составляло от двух до трех минут для DMM600, менее одной минуты для TDR (две репликации) и от двух до пяти минут для ядерного измерителя плотности влажности (две репликации).

Рисунки — загружены Дэвидом Джошуа Уайтом Автор контента

Все рисунки в этой области были загружены Дэвидом Джошуа Уайтом

Контент может быть защищен авторскими правами.

Как проверить качество воды? Химические тесты для ограниченного бюджета

Примечание редактора: это вторая часть серии блогов , посвященной вариантам низкотехнологичного мониторинга качества воды .

Благодаря современной химии мы можем обнаруживать в воде тысячи химических веществ даже при очень низких концентрациях.Постоянно растущий список доступных тестов может показаться огромным, и для подавляющего большинства методов требуется современное лабораторное оборудование. К счастью, нам не нужно проверять все! Гораздо меньший и более практичный набор тестов может дать хорошее представление о химическом качестве воды для целей мониторинга. Хорошей новостью является то, что существуют низкотехнологичные версии этих тестов для ситуаций, когда бюджет ограничен.

Форматы тестов Типичные низкотехнологичные портативные методы полевых испытаний для химического мониторинга качества воды делятся на три категории:

Тест-полоски — это небольшие одноразовые полоски, которые меняют цвет, указывая на концентрацию определенного химического вещества.В зависимости от конкретного теста пользователь «активирует» бумажную или пластиковую полоску, погружая ее в образец воды и размахивая ею, или удерживая полоску в струе воды. После непродолжительного ожидания пользователь сравнивает цвет тест-полоски с цветовой диаграммой, чтобы определить концентрацию химического вещества. Эти наборы чрезвычайно просты, но они менее точны, чем другие методы, особенно если пользователи не следуют инструкциям.
Наборы цветных дисков — Наборы цветных дисков доступны для широкого спектра химических тестов.В типичной установке пользователь добавляет пакет порошка или несколько капель жидкого реагента к пробе воды в многоразовой пластиковой пробирке. Затем пользователь помещает пробирку с образцом в небольшую пластиковую смотровую коробку. Это смотровое окно содержит пластиковый диск с напечатанным на нем градиентом цвета. Пользователь вращает цветной диск, чтобы найти часть, которая лучше всего соответствует цвету образца, а затем считывает концентрацию химического вещества с диска. Комплекты цветных дисков обычно состоят из нескольких этапов и часто включают предписанное время ожидания, поэтому они немного сложнее и дороже, но, как правило, более точны.
Ручные цифровые инструменты — Для тестирования воды доступны легкие и портативные цифровые измерители, колориметры и фотометры. Они обеспечивают наиболее точные результаты этих трех методов тестирования, но они также более дорогие и деликатные, чем предыдущие варианты. Эти инструменты требуют батарей и калибровки. Хотя цифровые инструменты полезны для полевых техников и являются неотъемлемой частью любой сети постоянного или удаленного мониторинга, они вряд ли подходят для «гражданской науки» или краудсорсингового тестирования качества воды.

Химические параметры качества воды

После определения различных форматов тестирования возникает следующий вопрос: для чего мы тестируем? ЮНИСЕФ рекомендует отдавать приоритет фторидам, мышьяку и нитратам для химического мониторинга. В районах, где земля естественным образом богата минералами, содержащими фтор и мышьяк, уровни в колодезной воде могут быть достаточно высокими, поэтому хроническое воздействие опасно для здоровья человека [1].

Как мы можем проверить эти элементы?

Фторид: Для определения фторида имеется по крайней мере один набор для тестирования цветного диска.Однако портативные цифровые колориметры часто предпочитают из-за опасений по поводу точности. Ackvo Caddisfly, система тестирования, недавно описала колориметрический тест на фторид, который можно прочитать с помощью приложения для смартфона.
Arsenic: Возможности переносных полевых испытаний мышьяка ограничены; это загрязнение лучше всего измерять в лаборатории. Существуют коммерчески доступные тестовые наборы, но они относительно сложны и требуют нескольких этапов. Хотя концентрации мышьяка, «измеренные» с помощью этих тест-наборов, могут быть неточными, наборы действительно обнаруживают мышьяк почти во всех образцах с концентрацией более 100 микрограммов на литр (мкг / л), а также в большинстве образцов с концентрацией 50-99 мкг / л. диапазон.Поэтому ЮНИСЕФ рекомендовал сообщать результаты мониторинга мышьяка с помощью этих портативных тестов как «присутствующие» или «отсутствующие» с использованием эталонной концентрации 50 мкг / л — стандарта питьевой воды во многих странах, затронутых естественным загрязнением мышьяком.
Нитраты: Для тестирования нитратов доступны как тест-полоски, так и тестовые наборы с цветными дисками. Нитраты также можно измерить с помощью цифрового измерителя. Высокий уровень питательных веществ связан с загрязнением сельского хозяйства удобрениями (азотом и фосфором) и отходами животноводства (азот).Туалеты, сточные воды, свалки и промышленные загрязнения также могут вносить азот. Мониторинг нитратов — это простой способ оценить влияние сельскохозяйственных и человеческих отходов на качество воды.

Если позволяют ресурсы, ЮНИСЕФ предлагает добавить в программы мониторинга еще три химических параметра: встречающиеся в природе металлы, железо и марганец, и общее количество растворенных твердых веществ (TDS). Все три могут вызвать проблемы со вкусом и запахом, которые могут побудить потребителей искать более привлекательные и потенциально небезопасные источники воды.

Железо и Марганец : Для этих двух металлов доступны как тест-полоски, так и тесты на цветных дисках, которые также можно измерить с помощью портативных цифровых инструментов. Полевые испытания с использованием цифрового оборудования считаются надежными для железа и марганца.
TDS : TDS включает смесь неорганических солей, в основном натрия, хлорида, калия, кальция и магния. Вместо тестирования отдельных компонентов, TDS контролируется путем измерения электропроводности воды с помощью цифрового измерителя.Здесь нет тест-полосок или набора цветных дисков, которые можно использовать, хотя по крайней мере один измеритель проводимости взаимодействует со смартфоном.

В хлорированных системах распределения важно контролировать еще два химических параметра: pH и остаточный хлор.

pH : полоски для тестирования pH и тесты на цветных дисках широко доступны. Более дорогие и высокотехнологичные варианты включают pH-метры на основе электродов. pH — это мера активности ионов водорода, что означает, что он говорит нам, насколько вода кислая или щелочная.pH не является загрязняющим веществом, но это основная химическая переменная. Это влияет на поведение других химических компонентов, включая эффективность остаточного хлора против микробного загрязнения. Внезапные изменения pH также могут указывать на выход из строя очистных сооружений или случаи загрязнения природных водоемов (например, незаконные промышленные сбросы).
Хлор : Есть много простых способов проверить остаточный хлор, включая тест-полоски, цветные диски и даже наборы, предназначенные для тестирования бассейнов.Также существуют портативные цифровые измерители, которые могут обеспечивать надежные количественные измерения.

В зависимости от местных условий и направленности проекта мониторинга качества воды могут быть добавлены дополнительные химические тесты. Можно проверить на щелочность, или жесткость (включая кальций, магний и т.д .; доступны полевые наборы), хлорид (индикатор проникновения дорожной соли или морской воды; существуют наборы для испытаний), растворенный кислород , [2 ] органический углерод уровней (БПК, ХПК, ТОС), агрохимикатов (специфические пестициды или удобрения) или горнодобывающих / промышленных загрязнителей (e.g., полихлорированные бифенилы, цианиды). Наконец, тяжелых металлов , таких как свинец, ртуть, медь, хром и т. Д., Часто представляют местный интерес.

Однако подавляющее большинство этих дополнительных тестов лучше всего проводить в лаборатории с учетом современных технологий. Тем не менее, низкотехнологичное тестирование — часто с использованием смартфона — является областью активных исследований таких параметров, как ртуть и пестициды (также здесь).

Следите за обновлениями в нашей следующей публикации, которая будет посвящена микробиологическому тестированию воды!

[1] Если предыдущие испытания показали, что мышьяк и фторид не являются проблемой в конкретной водной системе, эти два параметра могут быть опущены в пользу более релевантных для местных условий.Загрязнение мышьяком и фтором также может быть вызвано деятельностью человека, например, сбросом промышленных отходов или горнодобывающей промышленности. [2] Низкотехнологичные тесты растворенного кислорода требуют нескольких этапов с добавлением реагентов с последующим титрованием по каплям; может потребоваться некоторое обучение, и результаты могут быть более разными, чем у других наборов тестов. Цифровые счетчики тоже существуют.

границ | Определение содержания воды в листьях с помощью спектрометрии в видимой и ближней инфракрасной области и многомерной калибровки на мискантусе

Введение

Мискантус — это класс видов трав, некоторые из которых обладают высоким потенциалом продуктивности биомассы и могут использоваться в качестве сырья для возобновляемой энергии (Zhao et al., 2014; Ю. и др., 2015). M. sacchariflorus, M. sinensis и M. fIoridulus , принадлежащие к подтрибе Saccharinae , оказались наиболее потенциальными видами трав для биомассы (Xi and Jeźowski, 2004). Эти виды обычно растут в аналогичной среде; даже растут вместе (Xi and Jeźowski, 2004; Clark et al., 2016). В Китае культуру биоэнергетики Miscanthus предлагается высаживать на маргинальных землях с дефицитом воды, поэтому для этого типа земель необходимы засухоустойчивые генотипы или сорта (Dai et al., 2013; Ю. и др., 2015). Дефицит воды является одним из основных факторов, ограничивающих продуктивность биомассы сельскохозяйственных культур. Содержание воды в листьях является очень важным параметром при определении устойчивости растений к засухе и засолению, поскольку водный стресс ограничивает транспирацию, включая закрытие устьиц и испарение воды с поверхности листа. Водный стресс также влияет на фотосинтез и продуктивность сельскохозяйственных культур (Shirley et al., 1990; Arndta et al., 2015). Генотипы ячменя, устойчивые к засухе и засолению, показали стабильное содержание воды и большее количество сухого вещества (Nevo, Chen, 2010; Ahmed et al., 2013). Более того, содержание воды в листьях использовалось для управления внесением удобрений и поливом, даже для дистанционного зондирования (Hunt and Rock, 1989). Таким образом, содержание воды в листьях очень важно для выращивания сельскохозяйственных культур.

Сегодня классическая оценка содержания воды основана на изменении веса свежих и сушеных листьев. Это, безусловно, деструктивно и требует много времени. Между тем обнаружение водного стресса растений, вызванного засухой, является основной целью дистанционного зондирования в полевых условиях. Предложено определение водного стресса растений с помощью дистанционного зондирования с использованием индексов ближнего инфракрасного диапазона (NIR, 0.7–1,3 мкм) и среднего инфракрасного (MIR, 1,3–2,5 мкм) света (Hunt and Rock, 1989). Но естественное изменение относительного содержания воды (RWC) при водном стрессе составляет около 20% для большинства растений, и, таким образом, индексы, полученные на основе NIR и MIR отражательной способности, не могут использоваться для дистанционного определения водного стресса. В последнее время для измерения содержания воды интенсивно изучается анализ спектроскопии в ближнем инфракрасном диапазоне. БИК-спектроскопия часто используется для быстрого и надежного прогнозирования параметров качества растений, продуктов питания, животных и фармацевтики (Prevolnik et al., 2011; Lin et al., 2014; Aernouts et al., 2015; Wahid et al., 2015). Lin et al. (2014) успешно разработали четыре калибровочные модели содержания белка в зерне (GPC) в ячмене, которые могут быть применены для контроля качества при соложении, переработке кормов и селекции. Измерение в ближнем инфракрасном диапазоне с последующей сортировкой обычно основывается на химическом составе материалов, но оно также используется для других физических параметров, таких как общее содержание мяса в неповрежденных крабах (Wold et al., 2010). Эффективность прогноза для неочищенного картофеля ( R ² = 0.92, RMSECV = 1,06) был получен с конфигурацией измерения в режиме онлайн, что показывает возможность использования прибора для измерения в режиме онлайн (Helgerud et al., 2015).

Аналогичным образом, было несколько отчетов о содержании воды в растениях, продуктах питания, животных и аптеках. Точное определение остаточного содержания влаги в лиофилизированном (FD) фармацевтическом продукте имеет решающее значение для прогнозирования его качества. Многомерное моделирование содержания влаги в лиофилизированных продуктах, содержащих маннит, было построено с помощью NIR-спектроскопии (Yip et al., 2012). Гиперспектральная визуализация в ближнем инфракрасном диапазоне применялась для прогнозирования содержания воды в листьях золотистого потоса ( Epipremnum aureum ), после чего был проведен частичный регрессионный анализ методом наименьших квадратов (PLSR) для прогнозирования среднего содержания воды (Higa et al., 2013) . Была построена качественная модель содержания влаги со среднеквадратичной ошибкой перекрестной проверки 0,90% ( R ² = 0,99) для соломинок Miscanthus × giganteus , триплоидного гибрида . М.sacchariflorus и M. sinensis , а также низкорослую иву обыкновенную (Fagan et al., 2011). В целом, NIRS был использован для успешной оценки нескольких ключевых параметров качества, включая содержание воды, влажности, сухого вещества, золы и содержания белка (Boschetti et al., 2013).

Для установления взаимосвязи между спектральными данными и анализируемыми объектами было применено несколько алгоритмов многомерной калибровки. Регрессия методом частичных наименьших квадратов (PLS) — это линейный алгоритм, который обеспечивает хорошую производительность при наличии линейной зависимости между спектрами и свойствами объектов (Shao et al., 2010). Регрессия PLS широко используется при определении ближнего инфракрасного излучения и свойств объектов. В последнее время были популярны две модели нелинейной регрессии, включая метод наименьших квадратов, поддерживающий векторную машинную регрессию (LSSVR) и искусственную нейронную сеть (ANN). LSSVR представляет собой интересную переформулировку стандартной машины опорных векторов (SVM), упрощенной Suykens и Vanderwalle (1999). Он разрабатывает модели с использованием небольших выборок, нелинейности и большой размерности с хорошей производительностью обобщения. Более того, ИНС также имеет дело с нелинейной регрессией, но многие параметры, такие как размер скрытого слоя, скорость обучения и импульс, должны были быть установлены с использованием алгоритма ИНС (Despagne and Massart, 1998).Прежде всего, спектроскопия в ближнем инфракрасном диапазоне может предсказывать содержание воды. Однако до сих пор не исследовалась модель содержания воды в листьях у нескольких видов Miscanthus . Таким образом, целью настоящего исследования было изучить и оценить применение прибора в ближней инфракрасной области для определения содержания воды в листьях у нескольких видов Miscanthus с различным географическим происхождением и большим размером выборки.

Растительные материалы и методы

Подготовка проб

Всего 624 образцов мискантуса , из них 167 M.sinensis , 169 M. sacchariflorus , 120 M. lutarioriparia , 166 M. fIoridulus и 2 M . × giganteus были собраны с полей мискантуса в трех провинциях Китая (Чжуджи, Чжэцзян). E120 ° 09.441 ′, N29 ° 49.509 ′), Хубэй (Чанша, E113 ° 04.08.4 ′, N28 ° 11.14.6 ′) и Hunan (Ухань, E113 ° 04.08.4 ′, N28 ° 11.14.6 ′; Таблица S1). Подробная информация об образцах приведена в Таблице S1. Свежие листья были взяты из каждого образца, запечатаны в пластиковые пакеты и хранятся при 4 ° C в темноте перед сканированием.

Анализ содержания воды

Свежие листья каждого образца взвешивали и записывали как Wf, затем сушили при 104 ° C в течение 2 и 72 ч при 80 ° C. Взвешенное сухое вещество было записано как Wd. Содержание воды в листе рассчитывали следующим образом:

Содержание воды (%) = (Wf-Wd) / Wf * 100

Где, Wf, сырой вес и

Wd, сухой вес.

Каждый образец измеряли в трех биологических повторностях.

Измерение спектроскопии в ближнем инфракрасном диапазоне

Свежих листьев около 2.Весом 5 г загружали в круглую чашку для образца (диаметром 35 мм и глубиной 18 мм) и слегка прижимали для получения аналогичной плотности упаковки. Все образцы сканировали в режиме пропускания (400–2 500 нм) с интервалом 2 нм с использованием сканирующего монохроматора FOSS NIRSystems 6500 (FOSS NIRSystems, Silver Spring, MD, USA) в режиме отражения. Спектральные данные были собраны с использованием программного обеспечения Vision (версия 3.5.0.0). Для каждого образца было выполнено 32 сканирования. Кроме того, каждый образец загружали и сканировали три раза, и средний спектр каждой из трех записей использовали для анализа NIR.Чтобы избежать смещения при разделении подмножества, все образцы сначала были расположены в порядке возрастания в соответствии с их соответствующими значениями содержания воды. Затем из каждых трех генотипов отбирали по одному образцу. В результате этого процесса был получен прогнозируемый набор из 208 образцов для проверки и калибровочный набор из оставшихся 416 образцов.

Обработка и анализ данных

Предварительная обработка Spectral Data

Чтобы улучшить количество спектров и уменьшить систематический шум, были применены некоторые методы предварительной обработки спектра.Была проведена процедура предварительной обработки, встроенная в Unscrambler V9.5 (CAMO PROCESS AS, Осло, Норвегия). Методы предварительной обработки, включая вейвлет-преобразование (WT), сглаживание, нормализацию, спектроскопическое преобразование, коррекцию мультипликативного рассеяния (MSC), первую производную калибровочных спектров, рассчитанных с тремя пробелами в точках данных, базовой линии и стандартной нормальной дисперсии с устранением тренда (SNV -D) были использованы в этом исследовании соответственно. Эффект каждой предварительной обработки анализировали невооруженным глазом и методом частичных наименьших квадратов (PLS).

Многомерный анализ данных

Анализ основных компонентов (PCA) был выполнен в качестве инструмента для извлечения основной информации из многомерных данных в этом исследовании с использованием Unscrambler V9.5 (CAMO PROCESS AS, Осло, Норвегия). PLS был выполнен для разработки линейной модели взаимосвязи между набором независимых спектральных переменных (X) и одной зависимой переменной (Y) с помощью Unscrambler V9.5 (CAMO PROCESS AS, Осло, Норвегия).

LSSVR и RBF_NN были выполнены с помощью встроенного набора инструментов LSSVM MATALAB (версия 7.8.0.347, MathWorks, Inc., США). LSSVR представил интересную формулировку регрессии SVM с помощью линейного набора уравнений для получения опорных векторов. Все стандартные алгоритмы LSSVR были определены Suykens и Vanderwalle (1999). При оптимизации параметров моделирования два параметра, γ и σ ² в функции ядра RBF, должны быть определены до применения RBF_LSSVR, в то время как только γ был оптимизирован с использованием модели Lin_LSSVR. RBF_NN — это тип нелинейной нейронной сети, оцениваемый по стандартной ошибке калибровки (SEC), стандартной ошибке прогнозирования (SEP) и коэффициенту корреляции (r) между предсказанными и измеренными параметрами.Модель с низким SEC, низким SEP и высоким r считалась хорошей моделью (Li and He, 2006). Более того, остаточное прогнозируемое отклонение (RPD), определяемое как отношение между стандартным отклонением (SD) эталонных значений образцов и SEC для калибровок NIR-спектроскопии, было хорошим показателем для оценки качества регрессионных моделей (Fearn, 2002; Arana и др., 2005). Относительно высокое значение RPD указывает на то, что модель способна надежно предсказать химический состав (Arana et al., 2005).i − yi)

где,

ŷi, прогнозируемое значение i -го наблюдения

yi, измеренное значение i -е наблюдение

I p, количество наблюдений в тестовой выборке

I c, количество наблюдений в калибровочном наборе

Смещение, систематическая разница между предсказанными и наблюдаемыми значениями.

Результаты и обсуждение

Содержание воды и характер спектров отражения

В нашем исследовании 624 образцов Miscanthus были случайным образом разделены на две группы: обучающий набор (416 образцов) был сформирован для разработки калибровочных моделей, а тестовый набор (оставшиеся 208 образцов) был построен для проверки моделей ( Таблица S1).Содержание воды в наборе для обучения / калибровки варьировалось от 57,77 до 82,64% со средним значением 69,55%, в то время как содержание воды в наборе для тестирования варьировалось от 58,20 до 85,94% со средним значением 74,14% (Таблица 1). Диапазон содержания воды в обучающей выборке практически перекрывал тестовую выборку. Между тем, набор для тестирования был оценен с использованием спектральных данных методом главных компонент. На первый и второй компоненты приходилось 65 и 26% необработанных спектральных данных, соответственно, и они могли объяснить 91% вариации в целом (Рисунок 1).Все образцы в тестовой выборке равномерно распределены в обучающей выборке.

Таблица 1. Статистические параметры содержания воды в листьях в калибровочных и испытательных наборах из Мискантуса образцов .

Рисунок 1. Распределение обучающих и тестовых выборок в пространстве главных компонент .

Для уменьшения фонового шума и улучшения количества спектров различные модули предварительной обработки для определения содержания воды Miscanthus были оценены с помощью Unscrambler V9.5 (CAMO PROCESS AS, Осло, Норвегия; Таблица 2). Из всех предварительных обработок сглаживание и нормализация показали более высокую точность по сравнению с другими обработками. Предварительные обработки с нормализацией и сглаживанием спектров улучшили характеристики регрессии за счет уменьшения шума или получения более равномерного распределения дисперсий и средних значений. Предварительная обработка нормализации была выбрана для дальнейшего анализа в следующих моделях, поскольку она имела более высокую точность, чем сглаживание. На рис. 2А показаны типичные спектры отражения всех образцов, а данные, предварительно обработанные с помощью нормализации, показали значительное изменение.Пики на рисунке 2B были более четкими и резкими, в то время как линии ближнего ИК-диапазона были компактными. Результаты показали, что данные с нормализацией предварительной обработки могут быть более точными, чем данные других процедур предварительной обработки.

Таблица 2. Оценка различных моделей предварительной обработки на содержание влаги в листьях Мискантуса .

Рис. 2. (A, B) Спектры отражения в ближней инфракрасной области содержания воды в Miscanthus , отображаемые по необработанным данным (A) , а также сглаживание и нормализация (B) .

Оптимизация для LSSVR

Перед разработкой модели LSSVR необходимо оптимизировать параметры моделирования.

Реализация LSSVM требует указания только двух параметров (γ и σ ²). Γ является параметром регуляризации и определяет компромисс между структурным риском и минимизацией эмпирического риска, в то время как σ ² является параметром ширины ядра, играющим важную роль в улучшении характеристик обобщения модели LSSVR.Кроме того, σ ² связано с достоверностью данных и влияет на нелинейный характер регрессии. Модель стремится уменьшить сложное решение за счет увеличения σ ², поэтому σ ² отражает распределение / диапазон значений x обучающих данных (Chauchard et al., 2004; Cherkassky and Ma, 2004). Только при выборе подходящих параметров можно спрогнозировать точность модели. В этом исследовании метод поиска по сетке использовался для оптимизации двух параметров.i − yi) 2Ic

ŷi, прогнозируемое значение i -го наблюдения в обучающем наборе

yi, измеренное значение i -го наблюдения в обучающей выборке

I c, количество наблюдений в обучающей выборке

Процесс оптимизации модели lin_LSSVR для содержания воды показан на рисунке S1. Начальные значения γ и σ ² в модели RBF_LSSVR сначала были установлены равными 2. Диапазон значений γ и σ ² был установлен от 1 до 500 000.В плоскости поиска использовалось логарифмическое преобразование из-за большой величины в исследованных диапазонах этих параметров. Оптимальные значения γ и σ ² были получены с 322,4957 и 4,1720e + 003, соответственно, что привело к наименьшему значению MSE 0,0028.

Сравнение точности LSSVR с другими моделями регрессии

В нашем исследовании были разработаны модели PLS, lin_LSSVR, RBF_LSSVR и RBF_NN с одинаковыми оптимальными параметрами. Эти четыре модели продемонстрировали хорошую корреляцию между прогнозируемым и фактическим содержанием воды на графиках корреляции для тренировочного и тестового наборов (рисунок 3; таблица 3).На рисунке 3 мы обнаружили, что образцы из моделей Lin_LSSVR, RBF_LSSVR и RBF_NN были более концентрированными и ближе к линиям регрессии по сравнению с образцами из модели PLS. Более того, предсказанные значения были почти такими же, как фактические значения в модели RBF_NN. Таблица 3 показывает, что модели линейного определения PLS и Lin_LSSVR получили более низкие значения rc2 и rp2, в то время как эти параметры в моделях нелинейного определения RBF_LSSVR и RBF_NN были выше. Значения rc2 и rp2 в RBF_NN даже достигли 100%.Результаты показали, что модели нелинейного определения были лучше, чем модели линейного определения.

Рисунок 3. Результаты четырех калибровочных моделей: (A) PLS, (B) Lin_LSSVR, (C) , RBF-LSSVR, (D) FBF_NN. Панели и кружки представляют собой обучающую выборку и тестовую выборку соответственно.

Таблица 3. Калибровочные модели содержания воды в листьях, соответствующие четырем различным арифметическим расчетам с использованием целых и 75 чувствительных длин волн в Мискантус .

Чувствительные длины волн для определения содержания воды в листьях мискантуса

Хотя мы построили хорошие модели для определения содержания воды в листьях мискантуса Miscanthus , нам все же необходимо знать, какие длины волн являются наиболее чувствительными для определения. В этом исследовании мы попытались определить чувствительные длины волн, тесно связанные с содержанием воды в мискантусе . Если модели построены с использованием данных о полной длине волны, для расчета прогнозируемых значений будут использоваться избыточные длины волн, нечувствительные к содержанию воды в листьях.Весь этот прогноз на основе длины волны должен быть экономически неэффективным процессом, требующим значительного времени вычислений без какого-либо увеличения точности. Таким образом, полезно выяснить вклад отдельных длин волн в значения измерений у M. sinensis . Согласно теории Хааланда и Томаса (1988), длины волн с большим абсолютным коэффициентом регрессии были выбраны в качестве чувствительных длин волн. Таким образом, длины волн с резкими пиками и впадинами считались чувствительными к содержанию воды в листьях мискантуса Miscanthus (Рисунок S2).Всего было обнаружено 75 чувствительных длин волн, и они дали значительную положительную корреляцию между эталонным значением и спектрами VIS / NIR и внесли больший вклад в калибровочную модель содержания воды в листьях мискантуса Miscanthus (Таблица S2).

Обычно спектральный интервал между 1888 и 1956 нм связан со вторым обертоном для связывания ОН, в то время как второй обертон и комбинация для свободного-ОН расположены на 960–980 и 1,920–1,980 нм, соответственно (Haaland and Thomas, 1988; Suykens, Vanderwalle, 1999; Fearn, 2002; Chauchard et al., 2004; Черкасский, Ма, 2004; Тран и Гришко, 2004; Арана и др., 2005; Frost et al., 2007; Fagan et al., 2011). В текущем исследовании 75 длин волн были определены как чувствительные и важные для определения содержания воды в листьях у мискантуса (Рисунок S1; Таблица S2). Спектры с длиной волны 926 и 956 нм соответствуют 2-му обертону свободного OH, а также 1214 нм для 2-го обертона связывания OH, тогда как спектры на длинах волн 1320, 1368, 1396, 1420 и 1458 нм связаны с 1-м обертоном свободного OH.Между тем, длины волн 1928 и 1940 нм отображали комбинацию O-H и других молекул. Кроме того, полосы около 2 203–2 237 нм с длинами волн в гумитовых минералах представляют собой комбинацию основных полос, обусловленных связью Si-OH (Kronenberg, 1994). Наблюдение комбинированных полос в спектрах NIR Miscanthus показывает полосы на длинах волн 2232, 2252, 2275, 2296, 2314, 2328, 2368 и 2396 нм. Полоса с центром при 2440 нм была такой же, как у норбергита и аллеганиита (Frost et al., 2007). В дополнение к этим 19 длинам волн, упомянутым выше, другие 56 длин волн также были связаны с содержанием воды в листьях у мискантуса и не наблюдались в других материалах. Этот результат может означать сложную характеристику содержания воды в листьях у Miscathus . Чтобы оценить фактический вклад указанных длин волн, эти 75 длин волн и содержание воды в листьях были установлены как независимые переменные и зависимая переменная, соответственно. Модели содержания воды в листьях были построены после 10-кратной перекрестной проверки.При оценке точности разработанной методологии обычно применяется линейная регрессия между справочными и прогнозируемыми данными (таблица 3). Наборы для обучения и тестирования показали значительную корреляцию между прогнозируемым содержанием воды в листьях и результатом обучения (rc2 = 0,9177 и 0,9579 для моделей PLS и Lin_LSSVR, соответственно; Таблица 3). Кроме того, rc2 для нелинейных моделей, включая RBF_LSSVR и RBF_NN, составляло 0,9831 и 0,9899, тогда как rp2 проверки валидации для двух моделей было 0.97169 и 0,9868 соответственно. Очевидно, что не только для моделей всех длин волн, но и для 75 чувствительных длин волн нелинейные модели показали более высокую точность, чем линейные модели, что указывает на то, что нелинейные модели больше подходят для определения содержания воды в листьях в Мискантус . Несмотря на то, что точность моделей снизилась при использовании 75 чувствительных длин волн по сравнению с моделями, основанными на всех длинах волн, модели, основанные на 75 чувствительных длинах волн, по-прежнему показали достаточно высокую точность.Согласно приведенному выше анализу, калибровочная модель, построенная с использованием 75 чувствительных длин волн, была более стабильной и имела высокую предсказательную способность для Miscanthus . Это послужило теоретической основой для разработки портативного прибора для быстрого и неразрушающего определения содержания воды в листьях.

В Китае урожай биоэнергетики Мискантус предлагается высаживать на маргинальных землях и, таким образом, часто подвергается стрессу от засухи (Dai et al., 2013; Yu et al., 2015).Для этого типа маргинальных земель необходимы засухоустойчивые генотипы или сорта. Использование моделей, построенных с использованием 75 чувствительных длин волн, может быть применено для создания устойчивых к засухе сортов мискантуса .

Выводы

Мы исследовали возможность использования VIS / NIR-спектроскопии для определения содержания воды в листьях мискантуса мискантуса . Предварительные обработки сглаживания и нормализации были лучшими процедурами для снижения фонового шума и повышения качества спектров.Для определения содержания воды в листьях мискантуса мискантуса были разработаны многомерные калибровки PLS, lin_LSSVR, RBF_LSSVR и RBF_NN на основе целого и 75 чувствительных длин волн. Модели RBF_LSSVR и RBF_NN продемонстрировали более высокую точность, чем линейные модели, включая PLS и Lin_LSSVR, основанные как на полных длинах волн, так и на 75 чувствительных длинах волн. Несмотря на то, что оптимизация параметров RBF_LSSVR и RBF_NN, включая метод поиска по сетке и 10-кратную перекрестную проверку, стоила долгого времени, создание моделей хорошего качества для содержания воды в листьях мискантуса было очень эффективным.Таким образом, нелинейные модели, основанные на этих спектрах, чувствительных к содержанию воды в листьях, могут быть использованы для разработки простого, недорогого и эффективного инструмента и быстрого и неразрушающего определения содержания воды в листьях в мискантусе Miscanthus .

Авторские взносы

Задумал и спланировал эксперименты, провел эксперименты и проанализировал данные: XJ. Предоставленные реагенты / материалы / инструменты анализа: XJ, CS, ES, CY и TY. Написал бумагу: XJ и CS.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Это исследование было поддержано Управлением науки Министерства энергетики, Управлением биологических и экологических исследований (BER; грант № DE-SC0006634 и DE-SC0012379). Мы также благодарим доктора Лян Сяо (Хунаньский сельскохозяйственный университет) и доктора Бинь Ю (Wuhan Junxiu Horticultural Science and Technology Co., Ltd.) за предоставление части экспериментальных материалов.

Дополнительные материалы

Дополнительные материалы к этой статье можно найти в Интернете по адресу: https: // www.frontiersin.org/article/10.3389/fpls.2017.00721/full#supplementary-material

Таблица S1. Информация о мискантусе видов, количестве и местонахождении в районах отбора проб .

Таблица S2. Коэффициенты регрессии для 75 чувствительных длин волн .

Рисунок S1. Контурный график MSE для исследования сетки и 10-кратной перекрестной проверки модели RBF_LSSVR. Γ — параметр регуляризации, а σ ² — параметры ширины ядра.Оптимальный диапазон параметров был определен на первом этапе поиска по сетке, и была применена сравнительно большая ширина шага в сетке 10 × 10, представленной как «^·». Для получения оптимальной комбинации этих параметров использовалась гораздо меньшая ширина шага, также показана поисковая сетка «^×». n График коэффициента регрессии линейной модели LSSVR.

Рисунок S2. График коэффициента регрессии линейной модели LSSVR .

Список литературы

Аэрноутс, Б., Ван, Б. Р., Ватте, Р., Хюибрехтс, Т., Ламмертин, Дж., И Сэйс, В. (2015). Объемные оптические свойства сырого молока в видимом и ближнем инфракрасном диапазоне. J. Dairy Sci. 98, 6727–6738. DOI: 10.3168 / jds.2015-9630

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ахмед И. М., Дай Х., Чжэн В., Цао Ф., Чжан Г., Сун Д. и др. (2013). Генотипические различия в физиологических характеристиках устойчивости к засухе и засолению комбинированного стресса между тибетским диким и культурным ячменем. Plant Physiol. Bioch. 63, 49–60. DOI: 10.1016 / j.plaphy.2012.11.004

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Арана И., Джарен К. и Аразури С. (2005). Определение зрелости, сорта и происхождения белого винограда ( Vitis vinifera L.) с использованием технологии отражения в ближней инфракрасной области. J. В ближней инфракрасной области спектра. 13, 349–357. DOI: 10.1255 / jnirs.566

CrossRef Полный текст | Google Scholar

Арндт, С.К., Иравана, А.и Сандерс Г. Дж. (2015). Апопластическая фракция воды и методы регидратации вносят значительные ошибки в измерения относительного содержания воды и осмотического потенциала в листьях растений. Physiol. Plantarum 155, 355–368. DOI: 10.1111 / ppl.12380

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Boschetti, L., Ottavian, M., Facco, P., Barolo, M., Serva, L., Balzan, S., et al. (2013). Корреляционное исследование данных по свиным тушам и обработанному мясу (Bauernspeck) для автоматической оценки химических параметров с помощью спектроскопии в ближнем инфракрасном диапазоне. Meat Sci. 95, 621–628. DOI: 10.1016 / j.meatsci.2013.06.001

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Чаучар, Ф., Когдилл, Р., Руссель, С., Роджер, Дж. М., и Беллон-Морел, В. (2004). Применение LSSVM к нелинейным явлениям в NIR-спектроскопии: разработка надежного и портативного датчика для прогнозирования кислотности винограда. Хемометр. Intell. Лаборатория. Syst. 71, 141–150. DOI: 10.1016 / j.chemolab.2004.01.003

CrossRef Полный текст | Google Scholar

Кларк, Л.В., Дзюбенко Е., Дзюбенко Н., Багмет Л., Сабитов А., Чебукин П. и др. (2016). Генетические и экологические характеристики мискантуса востока России. Ann. Бот. 118, 941–955. DOI: 10.1093 / aob / mcw137

CrossRef Полный текст

Дай, Л. Дж., Ван, Б., Чжао, Х. и Пэн, Дж. Х. (2013). Возможность переноса геномного простого повтора последовательности и экспрессируемой последовательности. Маркеры повторов простой последовательности Tag из сорго на Miscanthus sinensis , потенциальную культуру биомассы. Crop Sci. 53, 977–986. DOI: 10.2135 / cropci2011.12.0671

CrossRef Полный текст | Google Scholar

Фэган, К. К., Эверард, К. Д., и МакДоннелл, К. (2011). Прогнозирование влажности, теплотворной способности, золы и содержания углерода двух специализированных биоэнергетических культур с использованием спектроскопии в ближнем инфракрасном диапазоне. Биоресурсы. Technol. 102, 5200–5206. DOI: 10.1016 / j.biortech.2011.01.087

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Фирн, Т.(2002). Оценка калибровок: SEP, RPD, RER и R2. NIR News 13, 12–14. DOI: 10.1255 / nirn.689

CrossRef Полный текст

Фрост Р. Л., Палмер С. и Редди Дж. Б. (2007). Спектроскопия некоторых гумитовых минералов в ближнем и среднем ИК диапазонах. Вибрационная Спектроскопия. 44, 154–161. DOI: 10.1016 / j.vibspec.2006.11.002

CrossRef Полный текст | Google Scholar

Хааланд, Д. М., и Томас, Э. В. (1988). Методы частичных наименьших квадратов для спектрального анализа.Отношение к другим количественным методам калибровки и извлечению качественной информации. Анал. Chem. 60, 1193–1202. DOI: 10.1021 / ac00162a020

CrossRef Полный текст | Google Scholar

Хельгеруд, Т., Волд, Дж. П., Педерсен, М. Б., Лиланд, К. Х., Баланс, С., Кнутсен, С. Х. и др. (2015). На пути к онлайн-прогнозированию содержания сухого вещества в цельном неочищенном картофеле с помощью спектроскопии в ближней инфракрасной области. Таланта 143, 138–144. DOI: 10.1016 / j.talanta.2015.05.037

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Хант, Э. Р. и Рок, Б. Н. (1989). Обнаружение изменений содержания воды в листьях с использованием коэффициентов отражения в ближнем и среднем инфракрасном диапазоне. Remote Sens. Environ. 30, 43–54. DOI: 10.1016 / 0034-4257 (89)-1

CrossRef Полный текст | Google Scholar

Кроненберг, А. К. (1994). Обзоры в минералогии , Vol. 29. Вашингтон, округ Колумбия: Минералогическое общество Америки, 123.

Ли, Х.Л., и Хе, Ю. (2006). Неразрушающее измерение кислотности китайской лаванды с использованием методов Vis / NIRS. евро. Food Res. Technol. 223, 731–736. DOI: 10.1007 / s00217-006-0260-x

CrossRef Полный текст | Google Scholar

Линь, К., Чен, X., Цзянь, Л., Ши, К. Х., Цзинь, X. Л., и Чжан, Г. П. (2014). Определение содержания белка в зерне с помощью спектрометрии в ближней инфракрасной области и многомерной калибровки в ячмене. Food Chem. 162, 10–15. DOI: 10.1016 / j.foodchem.2014.04.056

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Нево, Э., Чен, Г. (2010). Засухоустойчивость и солеустойчивость диких сородичей для улучшения пшеницы и ячменя. Plant Cell Environ. 33, 670–685. DOI: 10.1111 / j.1365-3040.2009.02107.x

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Превольник, М., Шкрлеп, М., Янеш, Л., Великоня-Болта, С., Шкорянц, Д., и Чандек-Потокар, М. (2011). Точность ближней инфракрасной спектроскопии для предсказания химического состава, содержания солей и свободных аминокислот в сыровяленой ветчине. Meat Sci. 88, 299–304. DOI: 10.1016 / j.meatsci.2011.01.007

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Шао, X., Биан, X., и Цай, W. (2010). Улучшенный метод частичных наименьших квадратов для количественного анализа в ближней инфракрасной области спектра. Анал. Чим. Acta 666, 32–37. DOI: 10.1016 / j.aca.2010.03.036

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Ширли М. Н., Винсент П. М. и Дэррил Л.П. (1990). Накопление абсцизовой кислоты, содержание каротиноидов и хлорофилла в зависимости от водного стресса и возраста листьев у разных типов цитрусовых. J. Agr. Food Chem. 38, 1326–1334. DOI: 10.1021 / jf00096a007

CrossRef Полный текст | Google Scholar

Suykens, J. A. K., and Vanderwalle, J. (1999). Метод наименьших квадратов поддерживает векторные машинные классификаторы. Нейронный процесс. Lett. 9, 293–300. DOI: 10.1023 / A: 1018628609742

CrossRef Полный текст | Google Scholar

Тран, К.Д., Гришко В.И. (2004). Определение содержания воды в листьях методом мультиспектральной съемки в ближнем инфракрасном диапазоне. Microchem. J. 76, 91–94. DOI: 10.1016 / j.microc.2003.10.015

CrossRef Полный текст | Google Scholar

Вахид Р., Уорд А. Дж., Мёллер Х. Б., Сёгаард К. и Эриксен Дж. (2015). Потенциал биогаза из смеси разнотравья и клевера с применением ближней инфракрасной спектроскопии. Биоресурсы. Technol. 198, 124–132. DOI: 10.1016 / j.biortech.2015.08.154

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Волд, Дж. П., Кермит, М., Уолл, А. (2010). Быстрое неразрушающее определение содержания съедобного мяса в крабах ( Cancer pagurus ) с помощью спектроскопии изображений в ближнем инфракрасном диапазоне. Прил. Spectrosc. 64, 691–699. DOI: 10.1366 / 000370210791666273

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Xi, Q., и Jeźowski, S. (2004). Ресурсы растений видов Trlarrhena и Miscanthus в Китае и их значение для Европы. Растение Порода. Seed Sci. 49, 63–77.

Ип, В. Л., Гауземель, И., Санде, С. А., и Дирстад, К. (2012). Стратегии многомерного моделирования содержания влаги в лиофилизированных продуктах, содержащих маннит, с помощью спектроскопии в ближней инфракрасной области. J. Pharm. Биомед. 70, 202–211. DOI: 10.1016 / j.jpba.2012.06.043

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Yu, J. Y., Zhang, J., Fu, C.J., Nevo, E., and Peng, J.H. (2015). Биология, предварительная обработка и генетическое развитие Miscanthus sinensis , культуры биомассы с большим потенциалом в Китае. J. Bot. Sci. 4, 8–17.

Чжао, Х., Ли, К., Хе, Дж. Р., Ю, Дж. Й.