基于近红外光谱校正LIBS指纹谱线的湿土钾含量快速光学检测方法研究

为解决湿土样品水分差异对激光诱导击穿光谱(LIBS)检测的干扰问题，研究人员创新性地结合近红外(NIR)光谱与LIBS技术，构建了土壤水分-钾含量双模态检测模型。通过建立LIBS指纹谱线(766.49 nm/769.90 nm)校正因子与水分含量的指数映射关系(y=1.143×e-0.106x和y=1.106×e-0.102x)，并开发NIR-PLSR水分预测模型(RC=0.9926，RMSEC=0.84%)，最终实现湿土总钾的现场快速检测(R2>0.9776，RMSECV<0.051%)，为农田精准施肥提供新技术支撑。

　　

在农业生产中，土壤养分快速检测是实施精准农业的关键环节。然而，传统化学分析方法耗时费力，尤其对于含水量差异显著的湿土样本，检测时效性更难以保证。激光诱导击穿光谱(LIBS)虽能实现土壤元素快速分析，但样品水分会显著影响等离子体特性——水分子蒸发会消耗激光能量，导致检测信号波动。这一瓶颈使得现有LIBS技术多局限于干燥样本，严重制约了田间原位检测的应用。

针对这一挑战，西南大学的研究团队在《Computers and Electronics in Agriculture》发表创新成果，提出基于近红外(NIR)光谱校正LIBS指纹谱线的湿土养分检测新策略。研究以土壤总钾为示范指标，通过NIR光谱快速获取水分信息，构建其与LIBS钾特征谱线(766.49 nm和769.90 nm)校正因子的指数映射模型，最终开发出抗水分干扰的湿土钾含量光学检测系统。

研究主要采用三项关键技术：1) 通过干燥法测定三批次湿土样本(Ⅰ-Ⅲ批)的水分和总钾参考值；2) 利用偏最小二乘回归(PLSR)建立NIR光谱水分预测模型；3) 基于指数函数校正LIBS指纹谱线强度，建立钾含量定量模型。

【Preparation of samples】
研究设计了三组实验样本：Ⅰ批样本用于建立LIBS校正因子-水分含量模型；Ⅱ批样本构建NIR水分检测模型；Ⅲ批样本验证湿土钾检测性能。所有样本均通过标准方法测定水分(GB 7833-87)和总钾(NY/T 87-1988)参考值。

【Measurement of soil moisture content and total potassium reference values】
NIR-PLSR模型经光谱预处理优化后，最佳水分预测模型的校准集R_C达0.9926，RMSEC为0.84%。基于该模型预测的水分值，对LIBS钾双指纹线进行指数校正，建立的钾含量模型R²超过0.9776，交叉验证误差RMSECV低于0.051%。

【Conclusion】
该研究首次实现NIR光谱与LIBS的协同检测：NIR快速获取水分数据，通过y=1.143×e^-0.106x等映射关系校正LIBS信号，有效克服了湿土水分差异对等离子体特性的影响。相比传统干燥处理，该方法将检测周期从数天缩短至分钟级，且实际湿样检测验证了模型的可靠性(RMSECV<0.05%)。这项技术为田间原位养分检测提供了新范式，对推动精准农业装备智能化具有重要意义。