基于近红外光谱校正LIBS指纹谱线的湿土壤总钾现场快速光学定量检测新方法

针对湿土壤样品水分差异影响LIBS检测精度的难题，研究人员创新性地结合近红外光谱(NIR)与激光诱导击穿光谱(LIBS)技术，建立了土壤水分含量与LIBS指纹谱线校正因子的指数映射模型（766.49 nm处y=1.143×e-0.106x），通过偏最小二乘回归(PLSR)构建的NIR水分检测模型RC达0.9926，最终实现湿土壤总钾含量的现场快速检测（R2>0.977），为精准农业中含水样本的实时分析提供新策略。

　　

在精准农业领域，土壤养分的快速检测一直是制约科学施肥的关键瓶颈。传统化学分析方法不仅耗时费力，更无法应对湿土壤样本中水分差异对检测结果的干扰。尤其对于钾元素这类作物生长必需营养，现有激光诱导击穿光谱(LIBS)技术虽能实现原子级快速检测，却因水分蒸发消耗激光能量导致信号波动，迫使研究人员不得不预先干燥样本——这一过程严重拖慢了田间实时检测的效率。

针对这一难题，中国西南大学（Southwest University）的研究团队在《Computers and Electronics in Agriculture》发表了一项突破性研究。他们巧妙地将分子振动敏感的近红外光谱(NIR)与元素分析特异的LIBS技术联用，开创了"NIR水分校正-LIBS元素检测"的双光谱协同检测范式。通过构建766.49 nm和769.90 nm钾元素指纹谱线的水分校正模型（y=1.143×e^-0.106x），配合PLSR算法建立的NIR水分预测模型（RMSEC=0.84%），最终实现了湿土壤总钾的现场快速定量检测，交叉验证误差RMSECV低至0.0499%。

关键技术包括：1) 采用标准正态变量变换(SNV)预处理NIR光谱数据；2) 建立LIBS指纹谱线强度与水分含量的指数校正模型；3) 运用偏最小二乘回归(PLSR)构建土壤水分NIR预测模型；4) 基于校正后的LIBS数据建立总钾检测模型。研究选用三个批次的土壤样本（Ⅰ-Ⅲ）分别用于模型构建、验证和实际检测。

【研究结果】
• 水分校正模型构建：发现766.49 nm和769.90 nm钾谱线校正因子与水分含量呈显著指数关系，决定系数R²均>0.98。
• NIR水分检测：经多元散射校正(MSC)处理的NIR数据建模效果最佳，预测集R_T达0.9871，较原始光谱提升23.6%。
• 总钾定量检测：基于校正后LIBS数据建立的模型R²达0.9788，实际湿土样本检测平均相对误差(ARE)为13.05%。

该研究首次实现了含水土壤样本的"检测-校正-分析"一体化操作，将传统需要数天的干燥-检测流程缩短至分钟级。特别构建的指数校正模型物理意义明确，反映出水分对等离子体形成的能量耗散机制。研究不仅为LIBS技术在田间湿样检测中的应用扫清了障碍，更开创了原子光谱与分子光谱协同检测的新范式，对土壤重金属、有机污染物等含水样本的快速检测具有重要借鉴价值。正如作者Bing Lu在讨论部分强调的，这种"以水治水"的策略有望推广至农产品、生态环境等含水差异显著样本的现场检测领域。