《TRAC-TRENDS IN ANALYTICAL CHEMISTRY》：Recent advances in laser-induced breakdown spectroscopy (LIBS) assisted by machine learning for the exploration of geochemical and environmental resources: A comprehensive review
编辑推荐：
•综述了激光诱导击穿光谱（LIBS）结合机器学习在地质资源勘探与环境监测领域的最新研究进展。•综述了LIBS样品前处理、光谱融合技术、便携式远程系统等方面的创新，以及传统机器学习模型和深度学习在提升分类与定量分析精度方面的改进机制。•LIBS结合机器学习在补偿基体效应、提升快
- •
综述了激光诱导击穿光谱（LIBS）结合机器学习在地质资源勘探与环境监测领域的最新研究进展。
- •
综述了LIBS样品前处理、光谱融合技术、便携式远程系统等方面的创新，以及传统机器学习模型和深度学习在提升分类与定量分析精度方面的改进机制。
- •
LIBS结合机器学习在补偿基体效应、提升快速分类与定量分析精度方面展现出卓越优势。
引言
经济可持续发展高度依赖自然资源的合理开发以及生态环境的有效保护[1]。在自然资源开发领域，矿产资源等地质资源是地壳演化过程的产物，种类繁多，成分与结构复杂[2]，[3]。与此同时，土壤重金属、大气挥发性有机物和颗粒物、水体污染物及微塑料等环境污染物持续增加[4]，[5]，[6]。它们跨介质迁移、危害持久且治理困难，严重威胁生态安全[7]，[8]。然而，传统的矿产分析与鉴别以及环境资源分析方法依赖人工判别，存在主观性强、精度低等问题，且普遍面临样品前处理复杂、抗干扰能力弱、难以实现原位分析等困境[6]。高精度化学分析方法往往耗时、具有破坏性且操作繁琐，难以处理大批量样品[2]，[3]。例如原子吸收光谱（AAS）、核磁共振波谱（NMR）、电感耦合等离子体发射光谱（ICP-OES）、X射线荧光光谱（XRF）、傅里叶变换红外光谱（FT-IR）、拉曼光谱、质谱（MS）等光谱技术[1]，[6]，对工作环境与样品制备要求严格。因此，开发高效、无损伤或微损伤、精准的地质资源勘探与环境污染监测技术，已成为支撑资源开发与环境治理的共性需求。
激光诱导击穿光谱（LIBS）是一种基于原子发射光谱原理的元素分析技术[9]，[10]，[11]。其利用高能脉冲激光聚焦于样品表面，瞬时烧蚀微量物质并产生高温等离子体[12]。根据等离子体冷却过程中发射的特征谱线，即可快速识别并定量样品中的元素组成[5]。LIBS技术具备实时监测、多元素同步分析等显著优势，对样品前处理要求低，并具有独特的非接触和远程操作能力[13]，[14]。这些突出优势使其在环境监测、地质勘探、太空探索、生物医学、农业、工业过程控制、冶金、食品安全以及文化遗产研究等领域展现出强大竞争力和广阔应用前景，尤其是在现场应用中进行原位或在线快速多元素分析方面具有不可替代的地位[14]，[15]。然而，LIBS技术在实用化过程中也存在一些固有缺陷，如自吸收效应、基体效应、痕量元素灵敏度低、易受环境干扰、液体样品分析困难以及难以获取分子结构信息等问题[16]，[17]，[18]，[19]，[20]。为克服这些局限，提升分析的准确性、稳定性和信息维度，LIBS通常可与其他技术联合使用，例如与FT-IR联用可补充煤炭的分子结构信息[17]；与近红外光谱（NIR）联用[21]，[22]；在矿物分类领域，可与拉曼光谱及可见-近红外光谱（VNIR）进行数据融合[23]。此外，还曾采用小型工业CMOS相机对等离子体成像以辅助LIBS分析[24]。
尽管现代分析技术已实现地质与环境资源的高通量获取，但其产生的海量高维、强干扰、低信噪比的高维数据仍缺乏高效智能的分析方法，这已成为限制分析结果精度的核心瓶颈[6]，[7]。化学计量学与人工智能策略为地质资源与环境资源分析提供了新的技术路径，已成为现代化学测量的前沿活跃领域[17]。其中，光谱预处理方法与特征选择相结合的策略可有效提升光谱数据的信噪比，降低数据冗余与噪声干扰，并优化模型性能与计算效率[21]。目前，研究者已开发并应用了多种机器学习方法，如偏最小二乘（PLS）、支持向量机（SVM）[25]、随机森林（RF）、支持向量回归（SVR）[26]、极端梯度提升（XGB）、人工神经网络（ANN）、线性回归模型（LR）[27]、主成分分析（PCA）[28]、卷积神经网络（CNN）[5]以及基于核的极限学习机（K-ELM）[29]。综上所述，机器学习为LIBS赋予了强大的模式识别与复杂关系建模能力，使其在免标准曲线校准、复杂基体处理、多模态数据融合以及非化学性质预测等领域展现出突破性潜力，推动了LIBS分析技术的智能化发展。
近年来，LIBS技术结合机器学习已成为矿物、地质与环境分析领域中极具前景的分析方法。这一协同方法不仅突破了传统检测的瓶颈，还在资源勘探与环境监测中展现出巨大的应用潜力（如图1所示）。目前，Zhang等[30]综述了LIBS在相关固、液、气环境体系及其应用污染物的分析研究。Harmon等[31]综述并讨论了LIBS在地质材料研究中的应用，尤其是元素检测与定量、识别、鉴定、分类及溯源方面。Sakka等[32]全面综述了LIBS技术在深海与行星勘探等极端环境中的应用。综上，尽管LIBS的应用已取得了重大进展，但现有综述仍缺乏对过去六年LIBS技术在地球化学与环境资源勘探领域的最新进展的报道，或未能同时整合地球化学与环境监测内容，或缺乏与机器学习的相关性分析。因此，有必要对上述研究空白进行综述研究。最后，本综述指出当前LIBS技术仍面临基体效应、信号稳定性、模型泛化能力不足等共性挑战，并展望了未来的发展方向：构建标准化数据集与跨仪器校准方案，以提升模型在复杂场景下的泛化能力；开展多模态光谱融合与跨模态知识蒸馏研究；开发可解释性学习与不确定性量化方法；在便携设备中部署轻量化模型以实现实时分析。通过硬件、算法与方法体系的协同优化，可逐步解决现有技术瓶颈，进一步提升LIBS在各种极端环境下的可靠性与适用性。
分节摘要
LIBS基础研究
LIBS是一种基于脉冲激光原子发射光谱的光谱化学分析技术。其基本原理是利用高功率激光束使样品中的原子电离，产生微等离子体。在等离子体冷却过程中，可通过特征波长分析对其进行识别和定量[5]。该技术具有检测速度快、无需复杂样品前处理及可实现实时分析等优点[9]，适用于各种物相。
地质分析
LIBS作为一种快速多元素同步检测的光谱分析技术，近年来已被广泛用于地质样品的定性与定量分析。在岩石和矿物元素的定性与定量分析中，LIBS通常通过光谱数据采集、预处理与算法建模实现高效分析。基体效应是LIBS分析地质样品的主要挑战，其产生机制包括
未来展望
本文总结了近年来LIBS技术结合机器学习在地质资源勘探与环境分析领域的进展与应用。LIBS技术在地质矿物分析、环境监测与极端条件检测中展现出广泛的应用潜力。信号增强技术与优化后的仪器配置有效提升了等离子体激发性能与光谱质量，并且
CRediT作者贡献声明
杜家强：撰写——综述与编辑，撰写——初稿，指导，基金获取，形式化分析。黄齐军：撰写——初稿，调查研究。张天龙：撰写——综述与编辑，形式化分析。李华：撰写——综述与编辑。陈婷婷：撰写——综述与编辑，指导，调查研究，基金获取，形式化分析，概念构思。
资助基金
本研究受国家自然科学基金[编号22503028]、湖北汽车工业学院博士科学研究基金[编号BK202338、BK202410]及湖北省教育厅科研项目[编号B2024075]资助。
竞争性利益声明
? 作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
陈婷婷现任湖北汽车工业学院汽车材料学院副教授，于2023年7月入职。她拥有西北大学理学博士学位。其研究方向聚焦于化学计量学、机器学习、激光诱导击穿光谱（LIBS）以及环境分析化学。她以第一作者身份在知名分析与光谱学期刊发表了10篇SCI论文，包括
杜家强|黄齐军|张天龙|李华|陈婷婷
