《Microchemical Journal》：Energy-dispersive X-ray fluorescence spectroscopy combined with chemometrics and machine learning: Data-analytical advances and multidisciplinary applications
编辑推荐：
•区分了 EDXRF 中的化学计量学、机器学习和深度学习。•将预处理和校准方法与特定的 XRF 干扰联系起来。•比较线性、非线性、深度学习和数据融合工作流程。•映射不同应用领域中特定方法的优点和局限性。•优先考虑校准转移、不确定性估计和可解释 AI。引言X 射线荧光 (XRF
- •
区分了 EDXRF 中的化学计量学、机器学习和深度学习。
- •
将预处理和校准方法与特定的 XRF 干扰联系起来。
- •
比较线性、非线性、深度学习和数据融合工作流程。
- •
映射不同应用领域中特定方法的优点和局限性。
- •
优先考虑校准转移、不确定性估计和可解释 AI。
引言
X 射线荧光 (XRF) 光谱法是一种领先的元素分析技术，基于检测样品在高能源激发下发射的特征荧光 X 射线 [1]。标准 XRF 配置通常包括 X 射线管、样品台、探测器和数据处理单元。基本原理涉及照射样品，导致元素发射特定能量的光子；这些光谱特征使得能够精确识别和量化元素组成。XRF 以其非破坏性著称，在不消耗样品的情况下保持样品完整性，使其成为分析珍贵或不可替代标本不可或缺的技术。此外，其快速同时检测多种元素的能力奠定了其在不同学科中广泛用途的基础 [2]。例如，在地质学和环境科学中，XRF 促进矿物的元素分布分析和土壤及大气颗粒物中污染物的监测。同样，在文化遗产保护中，它为文物的鉴定和修复提供了关键数据，而在材料科学和工业质量控制中，它有助于阐明元素分布以优化材料性能。
作为一种成熟的分析技术，XRF 近年来经历了重大的技术演进。X 射线源、高分辨率探测器、成像平台以及便携式或在线仪器的发展，将其分析能力从实验室基于元素的测定扩展到了高分辨率图谱和原位监测 [3]。这些发展与数据分析相关，因为它们影响光谱分辨率、计数率、噪声结构、数据量、测量条件和仪器间的变异性。因此，在本综述中，仪器进展仅在它们影响光谱数据质量、模型开发、校准转移或实际部署的范围内进行讨论。
为了充分利用现代 XRF 硬件的能力，研究焦点已日益转向光谱数据处理和化学计量学算法的应用 [4]。XRF 分析的准确性在很大程度上依赖于从复杂光谱中有效提取信息，其中噪声、基体效应和峰重叠等挑战持续存在。光谱平滑和去噪可以改善信号质量，而背景估计和扣除有助于更可靠的峰提取。此外，重叠峰分解算法对于分离密集光谱中的叠加信号至关重要。随着计算能力的指数增长，机器学习 (ML) 和人工智能 (AI) 的集成代表了该领域的一项重大突破。这些数据驱动的方法显著加速了光谱处理，提高了定量模型的鲁棒性，并为高精度 XRF 分析开辟了新途径。
在本综述中，化学计量学是指对化学测量数据进行多元数学和统计分析；机器学习 (ML) 是指从数据中学习预测或结构关系的算法；深度学习 (DL) 是指 ML 中的多层神经网络方法。虽然这些领域在实践中存在重叠，但此处将这些术语用作组织类别，而不是作为可互换的概念。文献检索是在 Web of Science 核心合集和 Scopus 中进行的，最后更新于 2025 年 12 月。本综述主要涵盖 2010 年 1 月至 2025 年 12 月期间的出版物，当提供必要的 methodologies 基础或历史背景时，保留选定的 2010 年之前的研究。当 XRF 光谱或 XRF 衍生变量使用光谱预处理、多元探索性分析、多元校准、监督式 ML 或 DL，或数据融合方法进行分析时，研究被纳入主要综合。当常规 XRF 研究具有实质性数据分析组件时，仅视为必要以解释相关物理原理、仪器条件或应用背景。在此基础上，本文提供了 EDXRF 与化学计量学、ML 和 DL 集成的批判性综述，强调不同的数据分析策略如何用于解决基体效应、光谱重叠、背景变异性、样品异质性和仪器依赖响应。我们简要总结了与光谱数据质量相关的仪器背景，比较了常规物理和经验校正程序与化学计量学和机器学习方法，并评估了具有代表性的多学科应用，既关注报告的益处也关注实际局限性。持续的挑战，包括轻元素分析、跨仪器可转移性、数据稀缺、模型鲁棒性和标准化，进一步讨论，以及涉及物理信息建模、可解释 AI、不确定性估计和鲁棒多传感器集成的未来方向。
章节摘要
仪器因素和常规 XRF 数据处理
X 射线荧光光谱法可分为波长色散 XRF (WDXRF) 和能量色散 XRF (EDXRF)。WDXRF 通常通过波长选择提供高光谱分辨率，而 EDXRF 提供更简单和更快的测量配置，支持便携式和在线分析。全反射 X 射线荧光 (TXRF) 是一种专用几何结构，用于需要极低检测限的情况。在本综述中，考虑了这些仪器差异
化学计量学、机器学习和深度学习方法
多元数据分析方法与 XRF 的集成支持探索性分析、校准和分类 [20]。在本综述中，化学计量学包括主成分分析 (PCA) 和偏最小二乘回归 (PLS) 等多元探索性和校准方法；常规机器学习包括支持向量机 (SVM) 和 RF 等算法；深度学习指多层神经网络模型。图 1 提供了说明性的
XRF 应用背景和数据分析扩展
XRF 已应用于传统行业和新兴跨学科领域。在以下小节中，仅在常规 XRF 研究建立相关样品类型、测量任务或物理分析背景时才引用它们。主要讨论侧重于明确使用化学计量学、机器学习或数据融合方法进行探索性分析、定量校准、分类或预测的研究。报告的益处与...一起考虑
挑战与前景
当 EDXRF 光谱法与化学计量学、机器学习和深度学习方法集成时，为非破坏性多元素分析提供了强大的框架。然而，其分析性能和实际部署仍受限于物理干扰、有限的校准可转移性、数据稀缺、模型可解释性和不充分的不确定性评估。本节批判性地讨论了这些挑战以及为了实现更多...所需的方法论发展
结论
XRF 广泛用于实验室、现场和流程设置中的快速、非破坏性和多元素分析。其分析性能仍然依赖于元素、基体、仪器和制备，而不是由通用检测限定义。本综述表明，化学计量学、机器学习和深度学习可以通过探索性分析、多元校准、分类、光谱处理和模态融合来扩展 XRF。
主要障碍是
CRediT 作者贡献声明
李井研： 写作 – 回顾与编辑，写作 – 初稿，调查。郑斌： 可视化。吴梅： 监督，概念化。刘丹： 验证，监督。徐玉鹏： 监督，概念化。陈朴： 验证，监督。褚小利： 写作 – 回顾与编辑，概念化。
竞争利益声明
作者声明，他们没有任何已知的竞争财务利益或个人关系，可能影响本文报道的工作。
李井研 | 郑斌 | 吴梅 | 刘丹 | 徐玉鹏 | 陈朴 | 褚小利
