应用近红外光谱分析技术检测毒死蜱的含量

陶士强 吴福安

(1江苏科技大学生物技术学院， 江苏镇江 212018； 2中国农业科学院蚕业研究所， 江苏镇江 212018)

农药的不合理使用易产生环境问题，加强农药残留的检测，对于合理使用农药，保护生态环境，提高农产品安全等具有重要意义[1]。毒死蜱[O，O-二乙基-O-(3，5，6-三氯-2-吡啶基)硫代磷酸酯]是乙酰胆碱酯酶抑制剂，属硫代磷酸酯类杀虫剂[2]，是目前世界上广泛使用的杀虫剂之一，广泛应用于防治粮食、蔬菜、果树、桑树等的害虫[3-5]。目前毒死蜱常用的残留检测方法主要有免疫分析法、色谱法(液相色谱法和气相色谱法)、光谱分析法[6]。其中，免疫分析法和色谱法测定样品的前处理比较复杂，检测时间较长，不太适用于对大量样品的快速检测和田间实时监测。光谱分析法中的近红外光谱技术因具有检测快速，样品的前处理方法简单、高效、无损等特点，已被广泛应用于农业、医药等领域[7]；但是，由于物质对近红外光的吸收弱，吸收带较宽，必须依赖化学计量学方法才可以建立预测能力强、稳健性好的分析模型[8]。偏最小二乘法(partial least squares，PLS)是一种多元回归分析方法，模型建立在成分提取的方法之上。PLS在提取成分的过程中，同时考虑到预测变量数据和因变量数据中的信息，使从两者中提取的信息之间的相关性达到最大，然后用所获得的成分建立多元回归分析模型[9-11]。因此，本试验以化学计量学、光谱分析为理论基础，研究了4种常用的光谱预处理方法[一阶导数(1st-der)、二阶导数(2nd-der)、标准正态变量变换(standard normal variable transformation，SNV))、多元散射校正(multiplicative scatter correction，MSC)]以及特征波长选择对近红外光谱分析技术检测毒死蜱含量的影响，以期建立准确可靠的检测模型用于毒死蜱含量的快速检测。

1 材料与方法

1.1 试验材料

1.1.1 供试农药 毒死蜱乳油，有效成分含量为480 g/L，农药登记证号为PD20084007，济南一农化工有限公司产品。

1.1.2 仪器设备及软件 Ocean Optics NIR512近红外光谱仪及配套软件Ocean View，美国Ocean Optics公司产品；Matlab 2009b软件，Math Works公司产品；PLS-toolbox 5.0工具箱，美国Eigenvector公司产品。

1.2 试验方法

1.2.1 光谱采集 根据试验需要，将毒死蜱乳油用蒸馏水配制成起始浓度为0.005 0 mg/kg、浓度梯度为0.002 5 mg/kg、终浓度为0.100 0 mg/kg的溶液，总样品数为39个[按浓度由低到高编号，即(1)0.005 0 mg/kg、(2)0.007 5 mg/kg、(3)0.010 0 mg/kg ……(39)0.100 0 mg/kg]，将配制好的毒死蜱溶液在室温下应用Ocean Optics NIR512近红外光谱仪采集透射光谱，采集光谱范围为900～1 700 nm，分辨率为1.6 nm，扫描32次，积分时间15 ms。

1.2.2 校正集与预测集的建立 所有毒死蜱溶液样品按照浓度升序排序，参考文献[12]的方法，依2∶1取样将39个样品号分为校正集和预测集，即校正集包含的样品号为(1)、(2)、(4)、(5)……(37)、(39)，预测集包含的样品号为(3)、(6)、(9)……(36)、(38)，校正集样品浓度为0.005 0、0.007 5、0.012 5、0.015 0 …… 0.095 0、0.100 0 mg/kg，预测集样品浓度为0.010 0、0.017 5、0.025 0 …… 0.097 5 mg/kg，其中浓度最大的毒死蜱溶液样品(0.100 0 mg/kg)和浓度最小的毒死蜱溶液样品(0.005 0 mg/kg)在校正集内，预测集的毒死蜱溶液样品浓度范围被校正集的毒死蜱溶液样品浓度范围所包含。

1.2.3 光谱的预处理 (1)1st-der。对光谱进行一阶求导(可以消除图谱平移的影响)。(2)2nd-der。对光谱进行二阶求导(可以消除图谱旋转的影响)。(3)SNV。在假定每条光谱中各波长点处的值满足一定的分布规律的前提下，校正每条光谱，使原光谱数据标准正态化。(4)MSC。先计算所有样品的平均光谱作为标准光谱，然后将每个样品的光谱数据与标准光谱数据进行线性回归运算，得回归系数和回归常数，再用每个样品的原始光谱减去回归常数除以回归系数，得到校正后的光谱。

1.2 .4 模型的建立 用900～1 700 nm、1 100～1 700 nm及1 100～1 500 nm波长的光谱进行建模分析，采用PLS-toolbox 5.0工具箱中的IPLS功能进行波长的选取。模型评价指标为相关系数R2、校正标准差(root mean square error of calibration，RMSEC)、交叉验证标准差(root mean square error of cross validation，RMSECV)、预测标准差(root mean square error of prediction，RMSEP)。RMSECV表征校正集建模的精度，RMSEP反映预测集的预测效果，RMSEP越小、相关系数R2越接近1，表明模型的预测结果越准确，模型的可靠性越高。

1.2.5 光谱的PLS分析 在Matlab 2009b软件平台进行，采用PLS-toolbox 5.0工具箱进行分析。实际值和预测值的相关图表的绘制采用该工具箱中的plot controls进行，x轴设为Measured(实际值)，y轴设为Predicted(预测值)。

2 结果与分析

2.1 不同光谱预处理的建模结果

从表1可以看出，在单个光谱的预处理方法中，以2nd-der预处理的方法最佳。在主因子数为5时，校正集相关系数R2为0.982 8，预测集相关系数R2为0.981 3，RMSEC为0.003 70 mg/kg，RMSEP为0.003 85 mg/kg。而在2种预处理方法结合的情况下，以2nd-der+SNV预处理的方法最佳。在主因子数为6时，校正集相关系数R2为0.988 5，预测集相关系数R2为0.986 4，RMSEC为0.003 02 mg/kg，RMSEP为0.003 27 mg/kg。预测集相关系数R2越高、RMSEP越小，模型的测试结果越切合实际。从表1还可以看出，2nd-der+SNV光谱预处理的方法优于2nd-der光谱预处理的方法。

表1不同光谱预处理的建模结果

预处理方法主因子数校正集相关系数R2预测集相关系数R2RMSEC/(mg/kg)RMSEP/(mg/kg)1st-der50.976 00.978 80.004 370.004 162nd-der50.982 80.981 30.003 700.003 85SNV50.978 50.965 80.004 130.005 27MSC60.982 90.980 50.003 680.004 041st-der+SNV50.978 20.983 80.004 170.003 831st-der+MSC90.995 70.959 30.001 840.005 762nd-der+SNV60.988 50.986 40.003 020.003 272nd-der+MSC50.981 90.984 80.003 790.003 48

1st-der指光谱预处理为一阶导数法，2nd-der指光谱预处理为二阶导数法，SNV指光谱预处理为标准正态变量变换法，MSC指光谱预处理为多元散射校正法，1st-der+SNV指光谱预处理为一阶导数结合标准正态变量变换法，1st-der+MSC指光谱预处理为一阶导数结合多元散射校正法，2nd-der+SNV指光谱预处理为二阶导数结合标准正态变量变换法，2nd-der+MSC指光谱预处理为二阶导数结合多元散射校正法。RMSEC为校正标准差，RMSEP为预测标准差；表2相同。

2.2 不同波长光谱的建模结果

从不同波长光谱的建模结果(表2)可以看出，在波长为1 100～1 500 nm、主因子数为8的情况下，校正集相关系数R2为0.996 1，预测集相关系数R2为0.993 9，RMSEC为0.001 76 mg/kg，RMSEP为0.002 40 mg/kg。预测集的相关系数R2越高、RMSEP越小，模型效果越好。因此，选取1 100～1 500 nm波长范围光谱建模最佳。

表2不同波长光谱的建模结果

波长范围/nm主因子数校正集相关系数R2预测集相关系数R2RMSEC/(mg/kg)RMSEP/(mg/kg)900～1 70050.988 50.986 40.003 790.003 271 100～1 70060.992 30.990 60.002 470.002 761 100～1 50080.996 10.993 90.001 760.002 40

从光谱变量重要性投影(variable importance in projection，VIP)得分图(图1)可以看出，毒死蜱在1 100～1 700 nm波长范围内具有有效信息，在1 100～1 500 nm波长范围内光谱信息最为集中且重要。选取光谱中的有效区域，尤其是高效区域有助于提高建模的准确率。

图1 毒死蜱光谱变量重要性投影(VIP)得分图

图2 毒死蜱近红外光谱预测值和实际值的相关性

从毒死蜱近红外光谱预测值和实际值的相关性(图2)可以看出，毒死蜱近红外光谱的预测值与实际值(校正集和预测集的值)之间具有明显的线性相关性。

3 小结与讨论

近红外光谱技术具有快速、高效、无损等优点，因此许多研究者应用近红外光谱技术进行了毒死蜱的检测研究。刘芳[13]应用近红外光谱技术对毒死蜱高效氯氰菊酯乳油有效成分进行分析，使用PLS算法进行定量分析，对毒死蜱高效氯氰菊酯乳油中2种有效成分分别建立了模型，认为校正集的数量在20个左右就可以完成定量测定。本研究采用26个毒死蜱溶液样品(浓度为0.005 0、0.007 5、0.012 5、0.015 0 …… 0.095 0、0.100 0 mg/kg)作为校正集，选取1 100～1 500 nm波长范围的光谱，以2nd-der+SNV方法进行预处理，采用主因子数8进行建模，在波长为1 100～1 500 nm时得到校正集(留一交叉验证法)相关系数R2为0.996 1，预测集相关系数R2为0.993 9，RMSEC为0.001 76 mg/kg，RMSEP为0.002 40 mg/kg的较好结果。刘翠玲等[14]利用近红外光谱技术结合PLS建立了模拟果蔬成分的毒死蜱检测模型，结果表明，预测集相关系数R2为0.994 3，RMSEC为0.002 20 mg/kg，RMSEP为0.002 80 mg/kg，近红外光谱法对混合溶液中质量浓度在0.008～0.009 mg/kg之间的毒死蜱可取得良好的检测效果。本研究利用近红外光谱技术结合偏最小二乘法对溶液中的毒死蜱含量进行了检测。结果表明，选取1 100～1 500 nm波长范围的光谱，用2nd-der+SNV方法进行预处理，采用主因子数8进行建模可以得到最佳结果，验证了近红外光谱技术检测毒死蜱含量的可行性，明确了近红外光谱技术检测毒死蜱含量的预处理方法、光谱范围和主因子数。近红外光谱法可更加快速、简便地检测出溶液中微量的毒死蜱。

[1] 赵颖，姚苏梅，刘毅华，等.毒死蜱对我国南方稻区水域中12种淡水鱼的毒性[J].生态毒理学报，2014，9(6)：1 181-1 188.

[2] 程运斌，刘育清.混剂中噻嗪酮和毒死蜱的气相色谱分析方法研究[J].湖北农业科学，2012，51(3)：609-611.

[3] 薛南冬，刘寒冰，杨兵，等.毒死蜱土壤环境行为研究进展[J].浙江大学学报：农业与生命科学版，2017，43(6)：713-726.

[4] 曹莹，张亚辉，闫振广，等.太湖水体中毒死蜱的污染特征及其生态风险评估[J].农业环境科学学报，2016，35(12)：2 413-2 419.

[5] 苏振国，刘建波，刘永辉，等.7种常用杀虫剂对桑树天牛的防治作用[J].农药，2015，54(9)：684-686.

[6] 袁文博，相秉仁，赵丽华，等.番茄表层硫丹残留的近红外快速检测方法[J].中国药科大学学报，2012，43(2)：164-169.

[7] 戴莹，王纪华，韩平，等.食品中毒死蜱残留量检测技术进展[J].食品安全质量检测学报，2015，6(7)：2 696-2 701.

[8] 陆婉珍.现代近红外光谱分析技术[M].北京：中国石化出版社，2006.

[9] 郭成，马月，梁梦醒，等.基于近红外光谱结合波长优选检测单颗葡萄的SSC含量[J].食品与机械，2016，32(9)：39-43.

[10] ZOU X B，ZHAO J W，MALCOLM J W，et al.Variables selection methods in near-infrared spectroscopy[J].Anal Chim Acta，2010(667)：14-32.

[11] 褚小立，袁洪福，陆婉珍.近红外分析中光谱预处理及波长选择方法进展与应用[J].化学进展，2004，16(4)：528-542.

[12] CHEN C W，YAN H，HAN B X.Rapid identification of three varieties of chrysanthemum with near infrared spectroscopy[J].Rev Bras Farmacogn，2014(24)：33-37.

[13] 刘芳.两种农药制剂中有效成分近红外光谱测定方法的研究[D].北京：中国农业大学，2007.

[14] 刘翠玲，隋淑霞，吴静珠，等.近红外光谱技术检测溶液中毒死蜱含量试验[J].农业机械学报，2009，40(1)：129-131.