基于激光誘導(dǎo)擊穿光譜技術(shù)的水稻鉻含量快速檢測(cè)方法研究.pdf

1、重金屬污染是我國(guó)現(xiàn)代農(nóng)業(yè)所面臨的一個(gè)嚴(yán)峻挑戰(zhàn)。作物作為農(nóng)業(yè)生產(chǎn)系統(tǒng)的重要環(huán)節(jié)，是人類食物主要來源。一方面重金屬對(duì)作物產(chǎn)生毒害作用，影響其生長(zhǎng)代謝;另一方面重金屬可經(jīng)過食物鏈進(jìn)入人體，對(duì)人體的免疫系統(tǒng)和代謝系統(tǒng)造成干擾，引發(fā)基因突變、畸形和癌癥等嚴(yán)重疾病。農(nóng)田作物信息快速獲取是精準(zhǔn)農(nóng)業(yè)重要內(nèi)容，快速獲取重金屬污染信息有利于監(jiān)測(cè)農(nóng)田污染情況，保證食品安全。作物重金屬傳統(tǒng)檢測(cè)方法通常需要大量的化學(xué)試劑、耗時(shí)費(fèi)力，無法實(shí)現(xiàn)田間快速檢測(cè)。激光誘導(dǎo)

2、擊穿光譜(LIBS)技術(shù)作為一種新型原子發(fā)射光譜技術(shù)，具有樣品預(yù)處理簡(jiǎn)單、檢測(cè)分析速度快、多元素同時(shí)分析等特點(diǎn)，能實(shí)現(xiàn)作物元素含量綠色分析。本研究以水稻為對(duì)象，圍繞作物重金屬含量快速檢測(cè)和提高LIBS技術(shù)測(cè)量精度和穩(wěn)定性等問題，結(jié)合數(shù)據(jù)預(yù)處理方法和建模方法，研究了水稻重金屬鉻不同脅迫時(shí)間和脅迫程度的快速診斷方法，建立了判別分析模型;采用樣品水分效應(yīng)去除方法、不同激光波長(zhǎng)和雙脈沖信號(hào)增強(qiáng)技術(shù)，構(gòu)建了水稻葉片鉻含量定量檢測(cè)模型，實(shí)現(xiàn)了水稻葉

3、片鉻含量分布可視化，為作物重金屬脅迫程度快速診斷、作物重金屬含量快速檢測(cè)和防治調(diào)控、重金屬轉(zhuǎn)運(yùn)機(jī)制研究提供了理論基礎(chǔ)和技術(shù)支撐。主要研究結(jié)論如下:
　　(1)建立了基于脅迫時(shí)間效應(yīng)的鉻脅迫程度多變量判別模型，實(shí)現(xiàn)了水稻重金屬鉻污染的早期快速診斷，為作物重金屬污染綜合防治提供了技術(shù)支撐。針對(duì)水稻不同脅迫時(shí)間下（添加脅迫1、3、5、9和13天）的脅迫效應(yīng)（無污染、輕度和重度），應(yīng)用LIBS技術(shù)快速獲取水稻新鮮葉片和烘干葉片“指紋光譜”

4、信息，建立基于全譜的水稻鉻脅迫程度快速診斷模型;結(jié)合偏最小二乘法(PLS)回歸系數(shù)(RC)值特征波長(zhǎng)選擇方法，探明了與水稻重金屬鉻脅迫相關(guān)的關(guān)鍵特征發(fā)射譜線，實(shí)現(xiàn)了基于特征波長(zhǎng)的水稻新鮮葉片和烘干葉片鉻污染脅迫的早期快速診斷。結(jié)果表明:①基于LIBS技術(shù)的重金屬鉻脅迫程度最佳診斷時(shí)間為脅迫第3天后，元素Si、Mg和Ca對(duì)應(yīng)的特征波長(zhǎng)對(duì)模型判別具有較大貢獻(xiàn)率，這些元素變化可能與鉻脅迫密切相關(guān);②基于極限學(xué)習(xí)機(jī)(ELM)模型的水稻新鮮葉片和

5、烘干葉片鉻脅迫程度快速診斷取得了最優(yōu)結(jié)果，其中全譜ELM模型判別率分別為93.62％和89.53％，特征波長(zhǎng)ELM模型判別率分別為89.36％和90.70％;③在基于LIBS技術(shù)的水稻脅迫程度快速診斷中推薦采用烘干預(yù)處理方式，水稻烘干葉片受水分干擾較小，不同脅迫天數(shù)模型判別率較好。
　　(2)提出了水分效應(yīng)去除方法，建立了水稻新鮮葉片鉻含量快速檢測(cè)模型，攻克了水稻新鮮葉片LIBS檢測(cè)精度低和信號(hào)不穩(wěn)定的難題，為作物重金屬脅迫田間適

6、時(shí)監(jiān)測(cè)提供了技術(shù)支撐。從理論上分析樣品水分效應(yīng)影響，研究了水分對(duì)信號(hào)強(qiáng)度、信號(hào)穩(wěn)定性和等離子體參數(shù)（電子密度和等離子體溫度）的影響，確定了水分效應(yīng)影響關(guān)鍵因素。在消除水分干擾方面，對(duì)樣本采取快速烘干的方法，并使用兩種補(bǔ)償方案減少水分對(duì)樣本的影響和點(diǎn)與點(diǎn)之間的波動(dòng)。結(jié)果表明:①植物樣本的水含量將會(huì)降低信號(hào)強(qiáng)度并影響信號(hào)的穩(wěn)定性，其對(duì)譜線信號(hào)的影響主要來自于儀器參數(shù)F和待測(cè)元素的含量變化;②通過研究發(fā)現(xiàn)，基于信號(hào)背景的指數(shù)函數(shù)可以用來校正樣

7、品中待測(cè)元素的含量;③針對(duì)單變量分析和多變量分析，分別采用信背比和PLS回歸模型可以有效減少水分的影響，提高模型的定量檢測(cè)精度。其中，以425-428 nm波段范圍變量和校正后鉻含量建立的PLS模型取得了最好的效果，其預(yù)測(cè)集的相關(guān)系數(shù)為0.9669，均方根誤差為4.75 mg/kg。
　　(3)基于532 nm和1064 nm激光波長(zhǎng)LIBS技術(shù)，揭示了激光波長(zhǎng)的影響規(guī)律和作用機(jī)理，建立了水稻葉片壓片鉻含量定量檢測(cè)模型，為作物重金

8、屬含量快速有效檢測(cè)提供了方法支撐。以信號(hào)（靈敏性和穩(wěn)定性）和等離子體特性（電子密度和溫度）為指標(biāo)，研究了激光波長(zhǎng)與激光能量、物鏡到樣本距離(LTSD)和延時(shí)時(shí)間變化之間的交互影響;優(yōu)化532 nm和1064nm激光波長(zhǎng)下水稻葉片鉻檢測(cè)的試驗(yàn)參數(shù);通過優(yōu)化的試驗(yàn)參數(shù)，分別建立532nm和1064nm激發(fā)波長(zhǎng)下水稻葉片重金屬鉻的定量檢測(cè)模型，并評(píng)估其建模效果;比較了背景歸一化、面積歸一化、標(biāo)準(zhǔn)正態(tài)變化(SNV)、多元散色校正等預(yù)處理方法對(duì)信

9、號(hào)波動(dòng)的影響，進(jìn)一步提高了建模效果。結(jié)果表明:①激光波長(zhǎng)的主導(dǎo)機(jī)理隨延時(shí)時(shí)間、脈沖能量和LTSD變化而改變，其影響機(jī)理主要取決于所需躍遷能量、逆韌致輻射和燒蝕效率;②綜合分析比較信號(hào)的靈敏性和穩(wěn)定性，得到了基于532nm和1064nm激發(fā)波長(zhǎng)LIBS鉻含量檢測(cè)的優(yōu)化試驗(yàn)參數(shù):延時(shí)時(shí)間、門寬時(shí)間、脈沖能量和LTSD分別為4/4μs、16/16μs、90/80 mJ和98/99 mm;③在定量分析方面，532nm激發(fā)波長(zhǎng)與1064nm激發(fā)波

10、長(zhǎng)相比有更好的建模效果，最優(yōu)單變量模型輸入變量為經(jīng)過SNV歸一化處理的譜線信號(hào)(CrI425.43 nm)峰值，模型預(yù)測(cè)集相關(guān)系數(shù)為0.9790，均方根誤差為4.62 mg/kg，檢出限為2.72 mg/kg。
　　(4)基于雙脈沖激光誘導(dǎo)擊穿光譜(DPLIBS)信號(hào)增強(qiáng)技術(shù)，建立了水稻葉片壓片和烘干葉片鉻含量定量快速檢測(cè)模型，首次實(shí)現(xiàn)了水稻烘干葉片鉻含量分布可視化，為作物重金屬含量快速檢測(cè)和防治調(diào)控、重金屬轉(zhuǎn)運(yùn)機(jī)制研究提供了方法

11、和技術(shù)支撐。分別針對(duì)共線和正交DPLIBS信號(hào)增強(qiáng)技術(shù)，研究主要參數(shù)脈沖間隔時(shí)間和激光能量比對(duì)信號(hào)增強(qiáng)效果的影響，并進(jìn)行優(yōu)化;針對(duì)水稻壓片樣本，采集單脈沖激光誘導(dǎo)激光光譜(SPLIBS)和DPLIBS信號(hào)，結(jié)合單變量分析方法和多變量分析方法，建立水稻葉片壓片鉻含量定量檢測(cè)模型;針對(duì)水稻烘干葉片樣本，采集SPLIBS和正交再加熱DPLIBS信號(hào)，結(jié)合單變量分析方法和多變量分析方法，建立水稻烘干葉片鉻含量定量檢測(cè)模型;基于正交再加熱DPLI

12、BS信號(hào)增強(qiáng)技術(shù)，結(jié)合LIBS空間分辨能力，實(shí)現(xiàn)水稻葉片鉻含量分布可視化。結(jié)果表明:①共線和正交再加熱DPLIBS優(yōu)化的脈沖間隔時(shí)間均為1.5μs，共線DPLIBS第一束激光能量與第二束激光能量?jī)?yōu)化比值為1∶3（總能量為80 mJ），正交再加熱DPLIBS第一束激光能量與第二束激光能量?jī)?yōu)化比值為6∶5（第一束激光為60mJ）;②在水稻葉片壓片和水稻烘干葉片重金屬鉻定量檢測(cè)中，基于DPLIBS特征變量的支持向量機(jī)(SVM)模型取得了最佳預(yù)

13、測(cè)結(jié)果，其預(yù)測(cè)集的相關(guān)系數(shù)分別為0.9946和0.9585，均方根誤差分別為4.85 mg/kg和13.39 mg/kg，相對(duì)預(yù)測(cè)偏差分別為9.70和3.59;③正交再加熱DPLIBS能有效降低模型的檢出限，單脈沖的最低檢出限為10.62 mg/kg，雙脈沖的最低檢出限為6.30 mg/kg;④結(jié)合激光燒蝕點(diǎn)空間信息和LIBS譜線信息，應(yīng)用基于特征波長(zhǎng)建立的SVM模型，成功對(duì)水稻葉片鉻含量進(jìn)行反演，實(shí)現(xiàn)了水稻葉片鉻含量分布可視化，為作物