基于太赫兹光谱的土壤中微塑料定量研究

李艳慧，张亚惠 ，姚江军 *，聂鹏程

（1塔里木大学信息工程学院，新疆 阿拉尔 843300）

（2浙江大学山东工业技术研究院，山东 枣庄 277800）

（3浙江大学生物系统工程与食品科学学院，浙江 杭州 310058）

地膜是农业增产增效的重大技术措施，已应用20余年，但是地膜回收率不到60%，废弃地膜在长期的物理、化学、生物等外界作用下可进一步破碎裂解成微塑料。一般认为微塑料是指直径小于5 mm的碎片、纤维、颗粒、发泡、薄膜等[1]，微塑料的主要组成成份包括聚乙烯（PE）、聚氯乙烯（PVC）、聚丙烯（PP）、聚苯乙烯（PS）、聚乳酸（PLA）及聚对苯二甲酸乙二酯（PET）等聚合物[2]，其中PVC和PE是全球范围内合成量最高的两种塑料[3]。目前人们对微塑料污染的研究主要集中于海洋[4-5]、海岸带潮滩[6-7]、河口[8-9]、湖泊[10-11]等水域生态系统，但对土壤中的微塑料积聚关注较少。近期的研究表明，土壤中的微塑料含量是海洋中测量水平的4～23倍，并且土壤中的年度微塑料积累量也远超水域系统[12]。研究发现土壤中的微塑料会对陆地生态系统的物质循环及能量流动产生深远影响[13-14]。由于其吸附特性，进入土壤的微塑料不仅成为重金属载体，吸附、聚集土壤中的重金属[15]。微塑料还成为抗生素和持久性有机污染物等环境污染物的载体[16]。塑料大棚中的地膜上溴氰菊酯杀虫剂浓度（占总浓度38.8%～52.2%）远高于土壤（占总浓度2.9%～5.4%）[17]。地膜上毒杀酚和毒死蜱残留量是土壤中残留量的70多倍[18]。微塑料上的重金属和有机污染物等经土壤动物的摄食，在食物链中积累最终会影响人类健康[19-20]。另外，微塑料还可以改变土壤理化性质，当它在土壤中积累到一定浓度，对土壤功能、植物生长及生物多样性都会产生深远的负面影响[21]。因此，为了环境安全和人类健康，需要对土壤中的微塑料污染水平进行检测。

传统的微塑料检测方法主要有：傅里叶红外光谱法[22]、扫描电镜法[23]、显微共聚焦拉曼光谱法[24]、热解分析法[25]、质谱色谱法[26]等。尽管这些方法取得了较好的效果，但在对微塑料进行定性和定量检测之前，多数情况下需要进行费力的可疑塑料颗粒的提取和鉴定操作，少数情况不需要，如便携式仪器可实现实时、就地检测，但精确度较低。土壤质地及团聚体结构一定程度上会影响微塑料浮选和分离的效果，而且土壤中含有难熔态化合物、有机质以及不完全燃烧产生的黑炭等[27]，会影响土壤中的微塑料识别。目前为止，国内外并没有统一成熟的微塑料提取方法，不同提取方法会对实验结果造成不同影响，并且提取后需要对可疑的塑料碎片进行检测和计数，由于操作过程过于复杂，这些方法不适合大批量的样本检测。因此需要探索新的方法解决以上问题，太赫兹光谱可以反映物质结构的“指纹”特性，适用于物质的无损检测，具有样本预处理少，测量速度快和准确率高的特点，已在包括微塑料等多种物质的定性定量检测中均已取得了较为理想的效果[28-29]。考虑到上述背景，本研究的工作目标如下：利用太赫兹光谱吸光度数据探究不同预处理方法和不同建模方法结合预测土壤中微塑料浓度的精度差异，得出最优预处理方法和最优建模方法以建立土壤中微塑料浓度的最优预测方法。比较同源土壤不同种类微塑料的预测模型精度，以分析预测方法是否对微塑料种类有局限性。比较非同源土壤相同种类微塑料的预测模型精度以验证预测方法是否有地域局限性。

1 材料与方法

1.1 土壤收集

本实验选取地理位置相距较远的东南沿海地区广东省电白县的红土和西北内陆地区甘肃省张县的黑土，土壤的理化性质相差较大，以便探究本实验方法是否具有地域局限性。取以上两个地方郊区农田的表层土壤（0～20 cm）进行采样，分别命名为土壤1，土壤2，将采集到的土壤样本放在室内通风环境中干燥72 h，然后研磨并通过100目筛子过筛，过筛后的土壤在烘箱中烘干（100℃）2 h以减小水蒸气对太赫兹光谱的影响。

1.2 微塑料污染样本的制备

本实验选取土壤中最常见的两种微塑料PVC和LDPE替代土壤中的微塑料污染物，PVC购自Aike Reagent公司，LDPE购自Xiya Reagent公司。PVC初始形式是白色粉末，LDPE是白色球形颗粒需要用打磨机在充满氮气的环境中打磨成粉末，将打磨后的微塑料粉末过100目筛（100目筛子的孔径为0.15 mm）。将上述两种土壤与上述两种微塑料粉末以14种不同的含量梯度（包括0.00%、0.05%、0.10%、0.15%、0.20%、0.35%、0.50%、0.70%、1.00%、1.50%、3.00%、5.00%、7.00%、10.00%）混合制作4组样本，使用压片机在压强为13 Mpa的压力下将样本压制成直径为13 mm，厚度为1 mm的圆形样本，每种梯度有十个相同的样本，总样本量为560（4×140）个。将4组样本命名为土壤1+LDPE、土壤2+LDPE、土壤1+PVC、土壤2+PVC。将制作好的样本放于温度为18℃相对湿度为7%的恒温恒湿箱中存储待检测，实验过程中未使用任何塑料制品和粘合剂，以避免污染样本。

1.3 太赫兹光谱采集

本研究使用的是华讯方舟TDS太赫兹光谱仪CCT-1800透射模块谱线模式。光谱范围为0.1～4.0 THz，动态范围为透射模式70 Db，时域信号长度为53 ps，时域信号扫描最小精度为2 μm。空气中的水汽吸收峰较多，对样本获取太赫兹光谱信号影响很大。实验开始前，先打开氮气泵使太赫兹光谱仪的检测仓充满氮气，在样本检测过程中需要持续对检测仓进行氮气吹扫，用来排除水汽的干扰。在获取样本光学参数前，首先需要获得太赫兹波穿透空气的参考信号，然后在样本架上放置待测样本，每个样本扫描5次求平均值以获得太赫兹波穿透样本的光谱信号。每3 min更换一次样本。在建模之前，将每组样本的数据集按照3∶1的比例通过随机抽样分为校正集与预测集。每组校正集105个样本，预测集35个样本。

1.4 定量分析

本研究使用Matlab软件，采用多种处理方法对土壤光谱进行变换处理及相关分析。数据变换处理包括归一化处理、均值中心化处理、移动窗口平滑处理。进行光谱预处理的目的在于比较分析不同光谱预处理方法对模型预测结果的影响，从而为后续提高预测模型精度打下基础。

最小二乘法支持向量机（LS-SVM）回归算法将输入数据从正态空间映射到高维空间，用等式约束替换不等式约束，并求解高维空间中的最小损失函数以获得线性拟合方程[30]。极限学习机（ELM）是一种新型的单隐层前馈神经网络学习算法。通过设置网络隐层神经元个数，且算法执行过程无需迭代隐层，输入权值以及隐元偏置随机产生，通过计算隐层输出矩阵的广义逆来确定输出权值[31]。偏最小二乘（PLS）是一种常用的多元统计分析方法，它通过同时对光谱矩阵和性质矩阵进分解，从而建立最优的分析模型[32]。本文采用LS-SVM、ELM和PLS算法构建了以太赫兹时域光谱为自变量，污染浓度为因变量的回归定量分析模型。

LS-SVM、ELM和PLS回归定量分析模型分别以均方根误差（RMSE）和决定系数（R2）作为模型性能的评价指标，均方根误差评价定量分析模型的优劣和预测能力，决定系数衡量了模型的相关程度。计算公式如式（1）和式（2）。

在以上公式中，m表示样本数，yr表示样本r的参考值，fr表示样本r的预测值。yr表示m个样本的参考值的平均值。R2表示模型解释样本光谱的能力，而RMSE表示所构建模型的标准偏差（真实浓度和预测浓度之间的差）它可以评价定量分析模型的优劣和预测能力。R2越接近1和RMSE越接近0，模型的预测效果越好。

2 光学参数提取

太赫兹波独特的穿透能力可以反映物质结构的“指纹”特征，本实验选择的是太赫兹光谱的透射模块谱线模式，可很好的发挥太赫兹光谱的优势。向土壤中添加微塑料会改变土壤的成分，从而引起太赫兹吸收光谱的变化。由于实验仪器光谱两端信噪比较低，研究人员经过反复实验选取包含吸收峰的0.8～1.6 THz波段进行分析，此波段信噪比最高，微塑料的检测效果最好。

由图1可知，4组样本在0.8～1.6 THz波段特征峰趋势并非全部一致，只有同源土壤不同微塑料样本组特征峰趋势一致，相同微塑料非同源土壤样本组特征峰趋势不一致，这说明特征峰是土壤的而并非微塑料的。但每组样本随着频率的增加，土壤与微塑料混合物样本和纯土壤样本的吸光度曲线呈相同的递增趋势。并且相同频率下吸光度随微塑料浓度的增大而增大，图1（a）中土壤1+LDPE组0.8 THz时吸光度由1.4 a.u.增大到2.4 a.u.，1.6 THz时吸光度由 2.7 a.u.增大到 5.3 a.u.。图 1（b）中土壤 1+PVC组0.8 THz时吸光度由1.4 a.u.增大到1.7 a.u.，1.6 THz时吸光度由2.4 a.u.增大到4.1 a.u.。图1（c）中土壤2+LDPE组0.8 THz时吸光度由1.1 a.u.增大到1.5 a.u.，1.6 THz时吸光度由 2.6 a.u.增大到 4.5 a.u.。图 1（d）中土壤2+PVC组0.8 THz时吸光度由1.0 a.u.增大到1.3 a.u.，1.6 THz时吸光度由 2.6 a.u.增大到 3.9 a.u.。由前文可知同一组样本中微塑料浓度是唯一变量，因此，利用太赫兹吸收光谱来监测土壤中微塑料含量是可行的。此外，LEWIS R A[33]的研究已被证明太赫兹波在稀释的土壤样品上的吸收可有效鉴定土壤成分，例如芳族化合物和土壤污染物，李斌等[34]人的研究发现太赫兹透射光谱吸收系数可用于检测土壤中重金属元素铅的含量。

图1 样本在0.8～1.6 THz波段的吸光度曲线

3 结果与分析

对太赫兹吸光度数据进行归一化的预处理后结果如表1所示，三种建模方法对土壤1中LDPE浓度的预测效果为：LS-SVM=PLS＞ELM。同样，三种建模方法对土壤中PVC浓度的预测效果也为LS-SVM=PLS＞ELM。总体来说，LS-SVM模型和PLS模型的预测效果是相似的，它们的预测效果都比ELM模型更精确。相比较对土壤1中LDPE浓度的预测，对土壤1中PVC浓度的预测效果更好。

表1 太赫兹光谱数据归一化预处理后建模预测结果

三种建模方法对土壤2中LDPE浓度的预测效果为：LS-SVM＞PLS＞ELM。对土壤2中PVC浓度的预测效果为LS-SVM=PLS＞ELM。与预测土壤2中LDPE相比，预测土壤2中PVC浓度的整体效果更精确。相比较土壤2，对于土壤1中两种微塑料的预测效果更精确。总体而言，基于归一化预处理的三种建模方法的预测效果相差不大。综上所述，无论微塑料种类和土壤来源如何，LS-SVM模型的性能均优于其他两种方法。

由表2可知，太赫兹吸光度数据经过均值中心化处理后，三种建模方法对土壤1中LDPE浓度的预测效果为：LS-SVM＞PLS＞ELM，三种建模方法对土壤1中PVC浓度的预测效果为：LS-SVM＞PLS＞ELM。相比较对土壤1中LDPE浓度的预测，对于土壤1中PVC浓度的预测效果更好。

表2 太赫兹光谱数据均值中心化预处理后建模预测结果

三种建模方法对土壤2中LDPE浓度的预测效果为LS-SVM＞ELM＞PLS，对土壤2中PVC浓度的预测效果也为LS-SVM＞ELM＞PLS。这些趋势与表1所示的趋势有所不同。相比较2号土壤LDPE浓度的预测，2号土壤PVC浓度预测效果更好。相比较2号土壤，对于1号土壤的两种微塑料预测效果略优。整体来说太赫兹光谱数据基于均值中心化预处理后3种建模方法预测效果差异较小，LS-SVM建模预测效果略优于其它两种建模方法。相比较光谱数据归一化预处理后的建模结果，均值中心化预处理后数据建模效果整体得到提升。

由图2得出，太赫兹吸光度数据经过移动窗口平滑处理后，三种建模方法对土壤1中LDPE浓度的预测效果为LS-SVM＞PLS＞ELM，三种建模方法对土壤1中PVC浓度的预测效果为LS-SVM=PLS＞ELM。相比较对1号土壤中LDPE浓度的预测，对于1号土壤中PVC浓度预测效果更好。

图2 土壤中添加的微塑料含量与预测的微塑料含量之间的线性拟合

三种建模方法对土壤2中LDPE浓度的预测效果为LS-SVM＞PLS＞ELM，三种建模方法对土壤2中PVC浓度的预测效果为LS-SVM=PLS＞ELM，对于土壤2中LDPE浓度的预测效果不如对于土壤2中PVC浓度的精确。与土壤2相比，对土壤1中的两种微塑料的预测效果更好。总体而言，基于移动窗口平滑预处理的三种建模方法的预测效果存在明显差异。LS-SVM模型的预测效果和PLS模型的预测效果明显优于ELM模型，综合来看，LS-SVM建模效果最好。与归一化预处理和均值中心化预处理之后的建模预测效果相比，移动窗口平滑预处理后的数据建模预测效果总体上有较大提升。

根据以上实验结果可知，3种预处理方法结合3种建模方法，预测效果最好的是对数据移动窗口平滑预处理后进行LS-SVM建模，预测效果R2值在0.960 0以上，RMSE小于0.006 0，总体来说不同地域的土壤和不同种类微塑料预测结果差异较小。但是在所有实验结果中，预测效果最优的是对土壤1+LDPE组的样本数据移动窗口平滑处理后进行LS-SVM建模，所得的建模R2c值达到0.999 4，RMSEc为0.000 7，R2p值达到0.983 7，RMSEp为0.004 1。

4 讨论

土壤中的微塑料对土壤功能、植物生长及生物多样性都会产生广泛而深远的负面影响。本文已经根据土壤来源和微塑料种类对建模结果进行了分析。太赫兹吸光度数据经过移动窗口平滑处理后进行LS-SVM和PLS建模，R2在0.940 0以上，RMSE在0.008 0以下，预测效果良好，ANDREA P等[35]人使用近红外光谱法对土壤中的微塑料进行检测和分类，其PLS-DA和SVR模型的相关系数分别为0.830 0和0.920 0。相较于其它光谱系统太赫兹光谱透射模块谱线模式对微塑料的定量检测精确度更高。本研究中的微塑料检测是在实验室中进行的。这种方法不如实时检测方便。但是，微塑料是聚集性污染物，实时检测随机性较大。QIU Z等[36]人使用近红外光谱对土壤中的微塑料污染程度进行实时检测，建立流形嵌入分布对齐可传递模型后对目标区域土壤中的微塑料分类准确率仅为79.52%。为了使实验更准确地模拟自然界中土壤微塑料污染情况，研究人员将微塑料的浓度梯度跨度设置的很大（0.01%～10%），它可以更全面地反映自然界中真实存在的多种情况。此外，当将土壤和微塑料混合制成样本时，未添加任何粘合剂，研究人员将混合物在13 Mpa的压强下用压片机压成样本，盐碱度过高的土壤压制成的样本容易破碎，因为此类土壤的粘附力过低，因此在未来的工作中研究人员需要开发更好的相关支持设备，以确保研究工作的顺利进行。

5 结论

本研究以LDPE或PVC与土壤的混合物为研究对象，对所有样本在0.8～1.6 THz吸光度数据分别进行归一化，均值中心化和移动窗口平滑预处理，以LS-SVM模型、ELM模型和PLS模型对土壤中的微塑料进行预测。根据以上模型预测效果本研究可以得到以下结论：太赫兹吸光度数据经移动窗口平滑处理后进行LS-SVM建模模型精度最高，R2大于0.960 0，RMSE小于0.006 0，预测土壤中微塑料浓度效果良好。太赫兹吸光度数据移动窗口平滑处理后进行PLS建模结果的R2值大于0.940 0，RMSE小于0.008 0，预测效果也值得肯定；对于预测土壤中PVC污染程度的模型精度略优于LDPE；对于1号土壤微塑料污染程度预测略优于2号土壤；总体来说以上两种方法不受地域限制和微塑料种类限制。使用太赫兹光谱检测农业土壤微塑料含量具有实验预处理少、检测速度快和准确率高等特点，本研究为监测土壤中微塑料污染程度提供了新方法。