基于连续灰分区间定标模型的生物炭金属含量LIBS检测

段宏伟 韩鲁佳 黄光群

(中国农业大学工学院， 北京 100083)

0 引言

农业生物炭是农业固废物资源化和清洁高效利用的重要途径之一。炭化还田不仅能够提供农作物可吸收的营养离子(如K+、Ca2+、Na+、Mg2+)，其多孔表面也能够吸附污染土壤和水体中的重金属离子(如Pb2+、Cr2+、Cr3+、Cu2+、Zn2+)[1]。因此，农业生物炭中主要金属元素同步定量分析对农业绿色健康发展和人类粮食食品安全具有重要意义。

与传统原子光谱分析技术相比，激光诱导击穿光谱(Laser induced breakdown spectroscopy, LIBS)技术具有不需要对样品进行繁琐预处理、能够同时进行包括金属元素在内的多指标快速分析的优点，在工业现场分析、深海探测、环境监测、爆炸物分析、生物医学等多个领域已有广泛应用[2-9]。然而，基体效应仍是LIBS技术在农业和食品检测分析领域应用的难点问题[10-12]。通过样品粉碎可以提高待测元素分布均匀性，但却忽略了非待测元素基体效应影响。因此，消除或减弱非待测元素基体效应对采用LIBS技术精确定量农业和食品样品中关键元素十分重要。

为进一步去除粉末样品基体效应影响，文献[13-14]提出采用固液固转移法对样品进行预处理，在超声和离心条件下通过浓盐酸将人工制备样品中金属离子溶解。然而，强酸难以将农业和食品样品中包含残渣态在内的多种形态金属元素完全溶解，很难满足实际定量分析要求。文献[15]提出采用快速干燥法去除铬胁迫水稻样品中水分效应影响。事实上，高温处理不仅能够去除样品中水分，而且能够去除固定碳和有机基体效应影响。因此，将LIBS技术与高温处理相结合的难点在于如何选取适当的处理温度和时间，如何利用高温处理后的样品LIBS光谱，间接地预测农业生物炭原始样品中金属元素含量。

根据美国试验与材料学会方法ASTM E1755-01(2007)，当采用(575±25)℃、保持180 min的条件对生物质样品进行处理后，其热处理产物是包含多种无机盐和氧化物的生物质灰分。农业生物炭灰分质量分数范围越小，预处理前后多个样本元素含量相关性越高，这表明可以尝试使用LIBS技术对不同灰分区间范围内农业生物炭中金属元素含量进行间接预测。因此，本文将农业生物炭代表性样品划分成多个连续灰分区间，通过元素相关性分析确定最优区间间距，随后分别构建对应连续灰分区间的定标模型。

1 材料与方法

1.1 样品制备

从南京智融联科技有限公司采购66个具有代表性的农业生物炭样品，其中：稻壳炭、水稻秸秆炭和玉米秸秆炭各22个。样品中Pb、Cr、Cu、Zn、Na和Mg元素含量采用电感耦合等离子体质谱(Inductively coupled plasma mass spectrometry, ICP-MS)测定[16]。

样品制备过程如图1所示：样品首先经WKF-130型粉碎机粉碎，过200目(75 μm)筛；随后将载有1.00 g样品的石英坩埚放入高温炉内加热至575℃并保持180 min，冷却后准确称取产物质量；最终采用双面胶压片法分别对原始生物炭和高温处理后生物炭进行压片处理。

图1 农业生物炭样品制备过程Fig.1 Preparation of agribiochar samples

1.2 LIBS数据获取

LIBS光谱采集使用台式LIBS激光光谱仪，其主要包括Nd:YAG激光器(激发波长1 064 nm)、七通道电荷耦合光谱探测器(187.781～982.287 nm，分辨率0.05 nm)、数字延迟发生器、精密旋转仪、计算机、反射镜、透镜和光纤等。

光谱采集前，首先将环境气体设置为氩气，激光器脉冲聚焦点调节在样品表面下2 mm，以防止氩气被击穿。为减小样品不均匀性带来的误差，将单个样品的光谱采集点数设为100，单个点的光斑直径设为200 μm。针对激光脉冲能量波动对谱线强度的影响问题，将激光能量设为30 mJ，单点激光重复烧蚀次数设为3。为获取最佳的光谱强度和信背比，探测器相对于激光脉冲的延迟时间设置为0.7 μs[17]。

光谱采集时，扫描器按照设定路径逐点扫描，并依次获取每个点在187.781～982.287 nm波段内的光谱信息，扫描完成后将最终获取的100个点的平均光谱作为该样品光谱。

1.3 灰分区间定标模型

传统定标模型构建时，一般只选用高温处理后农业生物炭样品光谱和化学值信息。然而，当原始样品和高温处理后样品的化学值信息具有较高相关性时，可以进行系数替换。因此，本文提出利用高温处理后样品光谱和原始样品化学值信息构建一种新的定标模型，以防止非待测元素基体(如水分、固定碳和有机物)对农业生物炭中金属元素LIBS光谱数据影响。通过分析高温处理前后生物炭元素含量相关性，确定最优灰分区间间距，从而构建多个连续灰分区间偏最小二乘回归(Partial least squares regression, PLSR)模型，具体分析步骤如图2所示。

图2 连续灰分区间定标模型流程图Fig.2 Flowchart of developing serial Aad-partition calibration model

1.4 评价标准

2 结果与讨论

2.1 FT-IR基体分析

图3 高温处理前、后农业生物炭的FT-IR谱图Fig.3 FT-IR spectra of agribiochar before and after high temperature treatment

2.2 LIBS光谱分析

进一步获取原始样品和高温处理后样品LIBS数据，包含有主要金属元素的平均光谱如图4所示。通过查询比对NIST数据库，得知Pb、Cr、Cu、Zn、Na和Mg元素LIBS光谱分析线主要位于202～592 nm波段内，各元素分析线波长和谱峰展宽范围如表1所示。

图4 高温处理前、后农业生物炭样品LIBS光谱Fig.4 LIBS spectra of agribiochar before and after high temperature treatment

由图4可知，与原始生物炭相比，高温处理后样品中主要金属元素LIBS光谱强度更高、基线更低、信噪比更高，主要原因是农业生物炭水分、固定碳和有机基体效应被去除。与Pb、Cr、Na和Mg相比，Cu和Zn的分析线光谱强度较低，主要归因于二者较大的电离能。Mg元素分析线主要分布在第1和第4光谱仪通道，并且在516.73 nm处原始生物炭光谱与邻近谱峰发生部分重叠。

2.3 灰分区间间距选取

由于所采集的农业生物炭样品集灰分质量分数范围为28%～42%，为确保划分后各区间大小一致性及各区间之间连续性，尝试将间距分别设为14%、7%、3.5%、2%，即将灰分区间划分为1、2、4、7个。不同灰分区间间距下高温处理前后样品中主要金属元素含量相关性分析结果如图5所示。

表1 生物炭中主要金属元素分析线位置和谱峰展宽Tab.1 Analytical lines and peak broadening for main metal elements nm

图5 不同间距下高温处理前、后元素含量相关性Fig.5 Correlation of elemental concentration before and after high temperature treatment at different intervals

由图5可知，农业生物炭中Pb、Cr、Cu、Zn、Na和Mg元素相关性随灰分区间间距减小而增大。当区间间距设为14%时，与其他5种元素相比较，高温处理前后样品中Cu元素含量相关性较低，导致新定标模型预测偏差较大。当区间间距设为3.5%和2%时，部分区间定标模型校正集样品数量较少，可能会影响模型效果。而当间距设为7%时，灰分区间被划分为28%～35%(38个样品)和35%～42%(28个样品)，对应区间内各元素相关性均较高，平均决定系数(R2)分别为0.99、0.99、0.97、0.99、0.98和0.98。因此，将灰分区间间距确定为7%，同时尝试利用高温处理后样品LIBS光谱和原始生物炭样品中主要金属元素含量信息分别构建新的连续灰分区间定标模型。

2.4 连续灰分区间定标模型构建与预测

选取高温处理前、后农业生物炭中主要金属元素分析线附近展宽波段数据分别构建2个连续灰分区间PLSR定标模型，采用留一法内部验证建模效果，结果如表2所示。通过比较优选最优建模样本光谱，结合多种光谱预处理算法[20]，如中心化(Meancentering, MC)、标准化(Autoscaling, AS)、归一化(Normalize, Norm)、基线校正(Baseline correction, BC)、S-G平滑(Savitzky-Golay, SG)和一阶导数(First derivative, 1D)，构建最终定标模型并对模型效果进行预测，结果如表3所示。

表2 连续灰分区间定标模型建模效果比较Tab.2 Comparison of modeling effects of serial Aad-partition calibration models

注：Pb、Cr、Cu、Zn均方根误差单位为mg/kg，Na、Mg均方根误差单位为g/kg，下同。

在28%～35%灰分区间内，当分别采用10、6、7、3、4、3个潜变量因子建模时，高温处理后生物炭中Pb、Cr、Cu、Zn、Na、Mg元素PLSR模型的交互验证相对标准偏差分别为13.89%、17.62%、10.40%、29.95%、17.73%、14.27%，相较于原始生物炭模型交互验证相对标准偏差分别下降了9.89、4.12、2.39、11.29、9.55、5.76个百分点。相似地，在35%～42%灰分区间内，当分别采用4、6、6、3、4、8个潜变量因子建模时，高温处理后生物炭中6种金属元素PLSR模型的交互验证相对标准偏差分别为11.58%、15.82%、9.64%、11.36%、10.56%、8.72%，相较于原始生物炭模型交互验证相对标准偏差分别下降了11.66、3.40、1.62、7.34、6.07、3.03个百分点。表明灰分质量分数在28%～35%和35%～42%范围内经高温处理后生物炭样品建模效果均好于原始生物炭模型效果。因此，选取高温处理后生物炭样品光谱作为最优建模光谱。

由表3可知，对于Pb、Cr、Cu、Zn、Na和Mg元素，28%～35%灰分区间定标模型的预测相对标准偏差分别为12.82%、8.35%、7.24%、23.28%、12.73%和10.94%，35%～42%灰分区间定标模型的预测相对标准偏差分别为12.85%、10.22%、7.48%、10.50%、11.52%和8.27%。结果得出Pb、Cr、Cu、Na和Mg元素在2个连续灰分区间内的定标模型结果均相近，而Zn元素模型效果差别较大，主要是由于28%～35%灰分区间内Zn元素含量分布不均，致使定标模型对Zn元素质量比为100～300 mg/kg的样品预测效果不佳。预测集样品的测定值和预测值分布如图6所示，其成对T检验结果显示2个连续灰分区间内6种金属元素P值均大于0.05，表明LIBS和ICP-MS测定结果无显著性差异，可以用于农业生物炭的实际检测。

表3 农业生物炭中主要金属元素模型效果Tab.3 Model effects of main metal elements in agribiochar

注：a表示P>0.05, 无显著性差异；SGN表示取N个点的SG平滑；Norm(length)表示长度归一化算法。

图6 农业生物炭主要金属元素连续灰分区间PLSR模型预测结果Fig.6 Prediction results of serial Aad-partition PLSR model for main metal elements in agribiochar

3 结束语

针对农业生物炭主要金属元素在LIBS定量检测过程中的复杂基体效应，通过FT-IR和LIBS光谱分析得出，高温处理能够有效去除水分、固定碳和有机基体效应的影响。通过比较原始样品和高温处理后样品LIBS光谱所构建连续灰分区间定标模型的效果，得出高温处理后样品PLSR模型的交互验证相对标准偏差值均明显较低，且其预测集的测定值和预测值成对T检验显示，LIBS与ICP-MS测定结果无显著差异。研究结果表明，高温处理结合连续灰分区间定标模型能够准确定量分析农业生物炭中的主要金属元素含量，该研究为实现LIBS技术对我国农业生物炭中多元素快速定量分析提供了方法学基础。