基于連續灰分區間定標模型的生物炭金屬含量LIBS檢測

段宏偉 韓魯佳 黃光群

(中國農業大學工學院， 北京 100083)

0 引言

農業生物炭是農業固廢物資源化和清潔高效利用的重要途徑之一。炭化還田不僅能夠提供農作物可吸收的營養離子(如K+、Ca2+、Na+、Mg2+)，其多孔表面也能夠吸附污染土壤和水體中的重金屬離子(如Pb2+、Cr2+、Cr3+、Cu2+、Zn2+)[1]。因此，農業生物炭中主要金屬元素同步定量分析對農業綠色健康發展和人類糧食食品安全具有重要意義。

與傳統原子光譜分析技術相比，激光誘導擊穿光譜(Laser induced breakdown spectroscopy, LIBS)技術具有不需要對樣品進行繁瑣預處理、能夠同時進行包括金屬元素在內的多指標快速分析的優點，在工業現場分析、深海探測、環境監測、爆炸物分析、生物醫學等多個領域已有廣泛應用[2-9]。然而，基體效應仍是LIBS技術在農業和食品檢測分析領域應用的難點問題[10-12]。通過樣品粉碎可以提高待測元素分布均勻性，但卻忽略了非待測元素基體效應影響。因此，消除或減弱非待測元素基體效應對采用LIBS技術精確定量農業和食品樣品中關鍵元素十分重要。

為進一步去除粉末樣品基體效應影響，文獻[13-14]提出采用固液固轉移法對樣品進行預處理，在超聲和離心條件下通過濃鹽酸將人工制備樣品中金屬離子溶解。然而，強酸難以將農業和食品樣品中包含殘渣態在內的多種形態金屬元素完全溶解，很難滿足實際定量分析要求。文獻[15]提出采用快速干燥法去除鉻脅迫水稻樣品中水分效應影響。事實上，高溫處理不僅能夠去除樣品中水分，而且能夠去除固定碳和有機基體效應影響。因此，將LIBS技術與高溫處理相結合的難點在于如何選取適當的處理溫度和時間，如何利用高溫處理后的樣品LIBS光譜，間接地預測農業生物炭原始樣品中金屬元素含量。

根據美國試驗與材料學會方法ASTM E1755-01(2007)，當采用(575±25)℃、保持180 min的條件對生物質樣品進行處理后，其熱處理產物是包含多種無機鹽和氧化物的生物質灰分。農業生物炭灰分質量分數范圍越小，預處理前后多個樣本元素含量相關性越高，這表明可以嘗試使用LIBS技術對不同灰分區間范圍內農業生物炭中金屬元素含量進行間接預測。因此，本文將農業生物炭代表性樣品劃分成多個連續灰分區間，通過元素相關性分析確定最優區間間距，隨后分別構建對應連續灰分區間的定標模型。

1 材料與方法

1.1 樣品制備

從南京智融聯科技有限公司采購66個具有代表性的農業生物炭樣品，其中：稻殼炭、水稻秸稈炭和玉米秸稈炭各22個。樣品中Pb、Cr、Cu、Zn、Na和Mg元素含量采用電感耦合等離子體質譜(Inductively coupled plasma mass spectrometry, ICP-MS)測定[16]。

樣品制備過程如圖1所示：樣品首先經WKF-130型粉碎機粉碎，過200目(75 μm)篩；隨后將載有1.00 g樣品的石英坩堝放入高溫爐內加熱至575℃并保持180 min，冷卻后準確稱取產物質量；最終采用雙面膠壓片法分別對原始生物炭和高溫處理后生物炭進行壓片處理。

圖1 農業生物炭樣品制備過程Fig.1 Preparation of agribiochar samples

1.2 LIBS數據獲取

LIBS光譜采集使用臺式LIBS激光光譜儀，其主要包括Nd:YAG激光器(激發波長1 064 nm)、七通道電荷耦合光譜探測器(187.781～982.287 nm，分辨率0.05 nm)、數字延遲發生器、精密旋轉儀、計算機、反射鏡、透鏡和光纖等。

光譜采集前，首先將環境氣體設置為氬氣，激光器脈沖聚焦點調節在樣品表面下2 mm，以防止氬氣被擊穿。為減小樣品不均勻性帶來的誤差，將單個樣品的光譜采集點數設為100，單個點的光斑直徑設為200 μm。針對激光脈沖能量波動對譜線強度的影響問題，將激光能量設為30 mJ，單點激光重復燒蝕次數設為3。為獲取最佳的光譜強度和信背比，探測器相對于激光脈沖的延遲時間設置為0.7 μs[17]。

光譜采集時，掃描器按照設定路徑逐點掃描，并依次獲取每個點在187.781～982.287 nm波段內的光譜信息，掃描完成后將最終獲取的100個點的平均光譜作為該樣品光譜。

1.3 灰分區間定標模型

傳統定標模型構建時，一般只選用高溫處理后農業生物炭樣品光譜和化學值信息。然而，當原始樣品和高溫處理后樣品的化學值信息具有較高相關性時，可以進行系數替換。因此，本文提出利用高溫處理后樣品光譜和原始樣品化學值信息構建一種新的定標模型，以防止非待測元素基體(如水分、固定碳和有機物)對農業生物炭中金屬元素LIBS光譜數據影響。通過分析高溫處理前后生物炭元素含量相關性，確定最優灰分區間間距，從而構建多個連續灰分區間偏最小二乘回歸(Partial least squares regression, PLSR)模型，具體分析步驟如圖2所示。

圖2 連續灰分區間定標模型流程圖Fig.2 Flowchart of developing serial Aad-partition calibration model

1.4 評價標準

2 結果與討論

2.1 FT-IR基體分析

圖3 高溫處理前、后農業生物炭的FT-IR譜圖Fig.3 FT-IR spectra of agribiochar before and after high temperature treatment

2.2 LIBS光譜分析

進一步獲取原始樣品和高溫處理后樣品LIBS數據，包含有主要金屬元素的平均光譜如圖4所示。通過查詢比對NIST數據庫，得知Pb、Cr、Cu、Zn、Na和Mg元素LIBS光譜分析線主要位于202～592 nm波段內，各元素分析線波長和譜峰展寬范圍如表1所示。

圖4 高溫處理前、后農業生物炭樣品LIBS光譜Fig.4 LIBS spectra of agribiochar before and after high temperature treatment

由圖4可知，與原始生物炭相比，高溫處理后樣品中主要金屬元素LIBS光譜強度更高、基線更低、信噪比更高，主要原因是農業生物炭水分、固定碳和有機基體效應被去除。與Pb、Cr、Na和Mg相比，Cu和Zn的分析線光譜強度較低，主要歸因于二者較大的電離能。Mg元素分析線主要分布在第1和第4光譜儀通道，并且在516.73 nm處原始生物炭光譜與鄰近譜峰發生部分重疊。

2.3 灰分區間間距選取

由于所采集的農業生物炭樣品集灰分質量分數范圍為28%～42%，為確保劃分后各區間大小一致性及各區間之間連續性，嘗試將間距分別設為14%、7%、3.5%、2%，即將灰分區間劃分為1、2、4、7個。不同灰分區間間距下高溫處理前后樣品中主要金屬元素含量相關性分析結果如圖5所示。

表1 生物炭中主要金屬元素分析線位置和譜峰展寬Tab.1 Analytical lines and peak broadening for main metal elements nm

圖5 不同間距下高溫處理前、后元素含量相關性Fig.5 Correlation of elemental concentration before and after high temperature treatment at different intervals

由圖5可知，農業生物炭中Pb、Cr、Cu、Zn、Na和Mg元素相關性隨灰分區間間距減小而增大。當區間間距設為14%時，與其他5種元素相比較，高溫處理前后樣品中Cu元素含量相關性較低，導致新定標模型預測偏差較大。當區間間距設為3.5%和2%時，部分區間定標模型校正集樣品數量較少，可能會影響模型效果。而當間距設為7%時，灰分區間被劃分為28%～35%(38個樣品)和35%～42%(28個樣品)，對應區間內各元素相關性均較高，平均決定系數(R2)分別為0.99、0.99、0.97、0.99、0.98和0.98。因此，將灰分區間間距確定為7%，同時嘗試利用高溫處理后樣品LIBS光譜和原始生物炭樣品中主要金屬元素含量信息分別構建新的連續灰分區間定標模型。

2.4 連續灰分區間定標模型構建與預測

選取高溫處理前、后農業生物炭中主要金屬元素分析線附近展寬波段數據分別構建2個連續灰分區間PLSR定標模型，采用留一法內部驗證建模效果，結果如表2所示。通過比較優選最優建模樣本光譜，結合多種光譜預處理算法[20]，如中心化(Meancentering, MC)、標準化(Autoscaling, AS)、歸一化(Normalize, Norm)、基線校正(Baseline correction, BC)、S-G平滑(Savitzky-Golay, SG)和一階導數(First derivative, 1D)，構建最終定標模型并對模型效果進行預測，結果如表3所示。

表2 連續灰分區間定標模型建模效果比較Tab.2 Comparison of modeling effects of serial Aad-partition calibration models

注：Pb、Cr、Cu、Zn均方根誤差單位為mg/kg，Na、Mg均方根誤差單位為g/kg，下同。

在28%～35%灰分區間內，當分別采用10、6、7、3、4、3個潛變量因子建模時，高溫處理后生物炭中Pb、Cr、Cu、Zn、Na、Mg元素PLSR模型的交互驗證相對標準偏差分別為13.89%、17.62%、10.40%、29.95%、17.73%、14.27%，相較于原始生物炭模型交互驗證相對標準偏差分別下降了9.89、4.12、2.39、11.29、9.55、5.76個百分點。相似地，在35%～42%灰分區間內，當分別采用4、6、6、3、4、8個潛變量因子建模時，高溫處理后生物炭中6種金屬元素PLSR模型的交互驗證相對標準偏差分別為11.58%、15.82%、9.64%、11.36%、10.56%、8.72%，相較于原始生物炭模型交互驗證相對標準偏差分別下降了11.66、3.40、1.62、7.34、6.07、3.03個百分點。表明灰分質量分數在28%～35%和35%～42%范圍內經高溫處理后生物炭樣品建模效果均好于原始生物炭模型效果。因此，選取高溫處理后生物炭樣品光譜作為最優建模光譜。

由表3可知，對于Pb、Cr、Cu、Zn、Na和Mg元素，28%～35%灰分區間定標模型的預測相對標準偏差分別為12.82%、8.35%、7.24%、23.28%、12.73%和10.94%，35%～42%灰分區間定標模型的預測相對標準偏差分別為12.85%、10.22%、7.48%、10.50%、11.52%和8.27%。結果得出Pb、Cr、Cu、Na和Mg元素在2個連續灰分區間內的定標模型結果均相近，而Zn元素模型效果差別較大，主要是由于28%～35%灰分區間內Zn元素含量分布不均，致使定標模型對Zn元素質量比為100～300 mg/kg的樣品預測效果不佳。預測集樣品的測定值和預測值分布如圖6所示，其成對T檢驗結果顯示2個連續灰分區間內6種金屬元素P值均大于0.05，表明LIBS和ICP-MS測定結果無顯著性差異，可以用于農業生物炭的實際檢測。

表3 農業生物炭中主要金屬元素模型效果Tab.3 Model effects of main metal elements in agribiochar

注：a表示P>0.05, 無顯著性差異；SGN表示取N個點的SG平滑；Norm(length)表示長度歸一化算法。

圖6 農業生物炭主要金屬元素連續灰分區間PLSR模型預測結果Fig.6 Prediction results of serial Aad-partition PLSR model for main metal elements in agribiochar

3 結束語

針對農業生物炭主要金屬元素在LIBS定量檢測過程中的復雜基體效應，通過FT-IR和LIBS光譜分析得出，高溫處理能夠有效去除水分、固定碳和有機基體效應的影響。通過比較原始樣品和高溫處理后樣品LIBS光譜所構建連續灰分區間定標模型的效果，得出高溫處理后樣品PLSR模型的交互驗證相對標準偏差值均明顯較低，且其預測集的測定值和預測值成對T檢驗顯示，LIBS與ICP-MS測定結果無顯著差異。研究結果表明，高溫處理結合連續灰分區間定標模型能夠準確定量分析農業生物炭中的主要金屬元素含量，該研究為實現LIBS技術對我國農業生物炭中多元素快速定量分析提供了方法學基礎。