比较ACES AP0和AP1颜色原色在智能手机颜色测量中的应用，以利用甜菜（Beta vulgaris）生物传感器检测土壤中的二氧化碳泄漏情况

《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》：Comparing ACES AP0 and AP1 color primaries for smartphone colorimetry in detecting soil CO2 leakage with a beetroot (Beta vulgaris) biosensor

基于甜菜红素的二氧化碳泄漏生物传感器开发及颜色编码系统优化研究。该传感器通过pH响应实现土壤CO2泄漏检测，结合智能手机成像与Python图像处理技术，对比ACES AP0/AP1与sRGB/DaVinci色彩空间，验证AP1在色散抑制和计算效率上的优势，建立PLS等机器学习模型，在印尼CCS设施验证中实现<5%偏差，有效LOD达0.015 wt%。

　　

摘要

有效监测碳捕获与储存（CCS）设施中的二氧化碳（CO₂）泄漏对于减轻环境风险至关重要，这些风险包括土壤酸化和生态系统破坏。本研究提出了一种新型的、可持续的生物传感器，该传感器基于Beta vulgaris（甜菜根）提取物中的甜菜红素，用于通过颜色变化来检测土壤中的CO₂泄漏，并结合智能手机成像技术进行定量分析。研究的核心是对Academy Color Encoding System（ACES）的AP0和AP1原色与sRGB及DaVinci Wide Gamut颜色空间进行比较评估，结果表明AP1在感知均匀性、减少颜色混浊现象以及提高解析细微颜色梯度方面的计算效率上具有优势（使用PLS方法在G通道上的有效检测限约为0.015 wt%或150 ppm）；而AP0虽然具有更广的虚拟色域，但在图像存档保真度方面表现较好，但会产生实际的颜色伪影，导致有效检测限较高（约为0.017 wt%或170 ppm）。这些传感器采用透析膜制造，在模拟环境中对0–4.0 wt%的CO₂浓度范围进行了校准，并使用Realme 9智能手机进行成像。RGB数据通过Python库（Pillow、OpenCV、NumPy、Colormath、Colour-Science）提取，同时利用机器学习模型（偏最小二乘法（PLS）、多元线性回归（MLR）和支持向量回归（SVR）并通过K折交叉验证进行了优化。在绿色通道上，最佳的ACES AP1 PLS模型表现出优异的性能（R² = 0.9984，RMSE = 0.0519，MAPE = 17.80%），在印度尼西亚的一个CCS设施进行现场验证时，其检测结果与UV–Vis基准值的偏差小于5%（基础检测限约为0.0024 wt%或24 ppm）。这种低成本、便携式的系统通过将天然生物传感器与先进的颜色测量技术相结合，为环境监测提供了可扩展的实时解决方案。

图形摘要

有效监测碳捕获与储存（CCS）设施中的二氧化碳（CO₂）泄漏对于减轻环境风险至关重要，这些风险包括土壤酸化和生态系统破坏。本研究提出了一种新型的、可持续的生物传感器，该传感器基于Beta vulgaris（甜菜根）提取物中的甜菜红素，用于通过颜色变化来检测土壤中的CO₂泄漏，并结合智能手机成像技术进行定量分析。研究的核心是对Academy Color Encoding System（ACES）的AP0和AP1原色与sRGB及DaVinci Wide Gamut颜色空间进行比较评估，结果表明AP1在感知均匀性、减少颜色混浊现象以及提高解析细微颜色梯度方面的计算效率上具有优势（使用PLS方法在G通道上的有效检测限约为0.015 wt%或150 ppm）；而AP0虽然具有更广的虚拟色域，但在图像存档保真度方面表现较好，但会产生实际的颜色伪影，导致有效检测限较高（约为0.017 wt%或170 ppm）。这些传感器采用透析膜制造，在模拟环境中对0–4.0 wt%的CO₂浓度范围进行了校准，并使用Realme 9智能手机进行成像。RGB数据通过Python库（Pillow、OpenCV、NumPy、Colormath、Colour-Science）提取，同时利用机器学习模型（偏最小二乘法（PLS）、多元线性回归（MLR）和支持向量回归（SVR）并通过K折交叉验证进行了优化。在绿色通道上，最佳的ACES AP1 PLS模型表现出优异的性能（R² = 0.9984，RMSE = 0.0519，MAPE = 17.80%），在印度尼西亚的一个CCS设施进行现场验证时，其检测结果与UV–Vis基准值的偏差小于5%（基础检测限约为0.0024 wt%或24 ppm）。这种低成本、便携式的系统通过将天然生物传感器与先进的颜色测量技术相结合，为环境监测提供了可扩展的实时解决方案。

图形摘要