基于X射线荧光光谱与多特征串联策略的土壤重金属含量预测

• 作者: 任东 任顺 张力 张雄 杨信廷
• 来源期刊: 分析测试学报
• 学科: 化学
• 关键词: X射线荧光光谱(XRF) 土壤重金属 波长优选 模型集群分析
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 研究报告
• 页码范围: 829-837
• 页数: 9页
• 分类号: O657.34
• 字数: 5298字
• 语种: 中文
• DOI: 10.3969/j.issn.1004-4957.2020.07.002

摘要

针对土壤重金属快速检测需求,基于模型集群分析方法进行特征波长变量选择,提出了利用X射线荧光光谱技术检测农田土壤中重金属含量的方法.采集91个配制土壤样品的X射线荧光光谱值,用于构建土壤重金属检测模型.通过多特征串联方法提取特征波长变量,首先采用区间组合优化算法(ICO)粗选波长,然后采用竞争适应性重加权采样法(CARS)剔除区间波长中的无关变量,最后采用连续投影算法(SPA)进行波长精简.通过多特征串联ICO-CARS-SPA算法对X射线荧光光谱进行特征变量选择,得到5组(26、25、29、39、33)特征波长点,据此建立Cu、Zn、As、Pb、Cr 5种土壤重金属含量偏最小二乘(PLS)检测模型,并与其他传统特征波长选择方法进行了对比.结果 表明,ICO-CARS-SPA算法所选变量结合偏最小二乘(PLS)的建模效果最优,Cu、Zn、As、Pb、Cr的验证集决定系数分别为0.993 3、0.992 6、0.995 6、0.993 2和0.988 6,均方根误差分别为6.938 5、23.698 4、3.632 6、8.510 6和14.764 5,验证集平均相对偏差分别为0.255 1、0.065 0、0.102 5、0.241 4、0.1047.基于X射线荧光光谱结合多特征串联策略的ICO-CARS-SPA算法可剔除更多无效波长,提升有效信息贡献度,简化了检测模型复杂度,为土壤重金属含量预测模型选取合适的特征波段提取方法提供了理论支撑.