基于近红外光谱校正LIBS指纹谱线的湿土养分现场快速定量检测技术研究

为解决湿土样本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光谱(NIR)与LIBS技术，构建了土壤水分-指纹谱线校正因子映射模型（如y=1.143×e-0.106x），实现了总钾含量的现场快速检测（R2>0.97，RMSECV<0.051%）。该研究为水分差异样本的光学检测提供了新策略。

　　

土壤作为农业生产的基础载体，其养分含量直接影响作物产量和粮食安全。然而，传统化学检测方法存在耗时长、破坏样本等缺陷，而光电检测技术如激光诱导击穿光谱(LIBS)和近红外光谱(NIR)虽能快速分析，却面临湿土水分干扰的难题——水分差异会导致LIBS等离子体特性变化，严重影响检测稳定性。目前，干燥处理虽能规避水分影响，却牺牲了现场检测的时效性。如何实现湿土养分的原位快速定量，成为精准农业领域亟待突破的技术瓶颈。

西南大学（Southwest University）的研究团队在《Computers and Electronics in Agriculture》发表了一项创新研究。他们以土壤总钾为范例，开创性地提出"NIR-LIBS联用校正"策略：首先通过NIR快速获取土壤水分数据（R_C=0.9926），再建立水分与LIBS指纹谱线（766.49 nm/769.90 nm）校正因子的指数模型（如y=1.106×e^-0.102x），最终构建出水分校正后的总钾检测模型（R²>0.978，ARE≈13%）。这项技术首次实现了湿土养分的原位光学定量，为田间实时检测提供了全新解决方案。

研究采用三项关键技术：1) 通过干燥法（GB 7833-87标准）测定三批次土壤样本的水分/总钾参考值；2) 利用偏最小二乘回归(PLSR)建立NIR水分预测模型；3) 构建LIBS指纹谱线校正因子与水分含量的指数映射关系，并采用交叉验证评估模型性能。

【研究结果】

1. 样本制备：设计三批次实验样本（Ⅰ-校正因子建模、Ⅱ-水分NIR建模、Ⅲ-模型验证），涵盖0-30%水分梯度，确保方法普适性。
2. 水分NIR模型：经光谱预处理优化后，最佳NIR模型的校准集/测试集R分别达0.9926/0.9871，误差低于1.14%，证实NIR可精准反演水分含量。
3. LIBS校正模型：766.49 nm和769.90 nm谱线校正后，总钾检测RMSECV分别降至0.0510%/0.0499%，较未校正模型显著提升稳定性。
4. 实际样本验证：对田间湿土样本的检测误差控制在13.3%以内，验证了方法的实用价值。

该研究通过NIR-LIBS协同校正机制，首次突破湿土养分原位检测的技术壁垒。其创新性体现在：1) 建立"水分-校正因子"定量关系，为多水分样本检测提供普适性框架；2) 将NIR快速水分检测与LIBS元素分析优势互补，形成1+1>2的技术协同效应。这项成果不仅推动土壤光学检测从实验室走向田间，更为其他高水分样本（如生物组织、环境沉积物）的快速分析开辟了新思路。未来通过扩展更多元素谱线数据库，有望构建全养分现场检测体系，助力智慧农业发展。