陶士強 吳福安

(1江蘇科技大學(xué)生物技術(shù)學(xué)院， 江蘇鎮(zhèn)江 212018； 2中國農(nóng)業(yè)科學(xué)院蠶業(yè)研究所， 江蘇鎮(zhèn)江 212018)

農(nóng)藥的不合理使用易產(chǎn)生環(huán)境問題，加強農(nóng)藥殘留的檢測，對于合理使用農(nóng)藥，保護生態(tài)環(huán)境，提高農(nóng)產(chǎn)品安全等具有重要意義[1]。毒死蜱[O，O-二乙基-O-(3，5，6-三氯-2-吡啶基)硫代磷酸酯]是乙酰膽堿酯酶抑制劑，屬硫代磷酸酯類殺蟲劑[2]，是目前世界上廣泛使用的殺蟲劑之一，廣泛應(yīng)用于防治糧食、蔬菜、果樹、桑樹等的害蟲[3-5]。目前毒死蜱常用的殘留檢測方法主要有免疫分析法、色譜法(液相色譜法和氣相色譜法)、光譜分析法[6]。其中，免疫分析法和色譜法測定樣品的前處理比較復(fù)雜，檢測時間較長，不太適用于對大量樣品的快速檢測和田間實時監(jiān)測。光譜分析法中的近紅外光譜技術(shù)因具有檢測快速，樣品的前處理方法簡單、高效、無損等特點，已被廣泛應(yīng)用于農(nóng)業(yè)、醫(yī)藥等領(lǐng)域[7]；但是，由于物質(zhì)對近紅外光的吸收弱，吸收帶較寬，必須依賴化學(xué)計量學(xué)方法才可以建立預(yù)測能力強、穩(wěn)健性好的分析模型[8]。偏最小二乘法(partial least squares，PLS)是一種多元回歸分析方法，模型建立在成分提取的方法之上。PLS在提取成分的過程中，同時考慮到預(yù)測變量數(shù)據(jù)和因變量數(shù)據(jù)中的信息，使從兩者中提取的信息之間的相關(guān)性達到最大，然后用所獲得的成分建立多元回歸分析模型[9-11]。因此，本試驗以化學(xué)計量學(xué)、光譜分析為理論基礎(chǔ)，研究了4種常用的光譜預(yù)處理方法[一階導(dǎo)數(shù)(1st-der)、二階導(dǎo)數(shù)(2nd-der)、標(biāo)準正態(tài)變量變換(standard normal variable transformation，SNV))、多元散射校正(multiplicative scatter correction，MSC)]以及特征波長選擇對近紅外光譜分析技術(shù)檢測毒死蜱含量的影響，以期建立準確可靠的檢測模型用于毒死蜱含量的快速檢測。

1 材料與方法

1.1 試驗材料

1.1.1 供試農(nóng)藥 毒死蜱乳油，有效成分含量為480 g/L，農(nóng)藥登記證號為PD20084007，濟南一農(nóng)化工有限公司產(chǎn)品。

1.1.2 儀器設(shè)備及軟件 Ocean Optics NIR512近紅外光譜儀及配套軟件Ocean View，美國Ocean Optics公司產(chǎn)品；Matlab 2009b軟件，Math Works公司產(chǎn)品；PLS-toolbox 5.0工具箱，美國Eigenvector公司產(chǎn)品。

1.2 試驗方法

1.2.1 光譜采集 根據(jù)試驗需要，將毒死蜱乳油用蒸餾水配制成起始濃度為0.005 0 mg/kg、濃度梯度為0.002 5 mg/kg、終濃度為0.100 0 mg/kg的溶液，總樣品數(shù)為39個[按濃度由低到高編號，即(1)0.005 0 mg/kg、(2)0.007 5 mg/kg、(3)0.010 0 mg/kg ……(39)0.100 0 mg/kg]，將配制好的毒死蜱溶液在室溫下應(yīng)用Ocean Optics NIR512近紅外光譜儀采集透射光譜，采集光譜范圍為900～1 700 nm，分辨率為1.6 nm，掃描32次，積分時間15 ms。

1.2.2 校正集與預(yù)測集的建立 所有毒死蜱溶液樣品按照濃度升序排序，參考文獻[12]的方法，依2∶1取樣將39個樣品號分為校正集和預(yù)測集，即校正集包含的樣品號為(1)、(2)、(4)、(5)……(37)、(39)，預(yù)測集包含的樣品號為(3)、(6)、(9)……(36)、(38)，校正集樣品濃度為0.005 0、0.007 5、0.012 5、0.015 0 …… 0.095 0、0.100 0 mg/kg，預(yù)測集樣品濃度為0.010 0、0.017 5、0.025 0 …… 0.097 5 mg/kg，其中濃度最大的毒死蜱溶液樣品(0.100 0 mg/kg)和濃度最小的毒死蜱溶液樣品(0.005 0 mg/kg)在校正集內(nèi)，預(yù)測集的毒死蜱溶液樣品濃度范圍被校正集的毒死蜱溶液樣品濃度范圍所包含。

1.2.3 光譜的預(yù)處理 (1)1st-der。對光譜進行一階求導(dǎo)(可以消除圖譜平移的影響)。(2)2nd-der。對光譜進行二階求導(dǎo)(可以消除圖譜旋轉(zhuǎn)的影響)。(3)SNV。在假定每條光譜中各波長點處的值滿足一定的分布規(guī)律的前提下，校正每條光譜，使原光譜數(shù)據(jù)標(biāo)準正態(tài)化。(4)MSC。先計算所有樣品的平均光譜作為標(biāo)準光譜，然后將每個樣品的光譜數(shù)據(jù)與標(biāo)準光譜數(shù)據(jù)進行線性回歸運算，得回歸系數(shù)和回歸常數(shù)，再用每個樣品的原始光譜減去回歸常數(shù)除以回歸系數(shù)，得到校正后的光譜。

1.2 .4 模型的建立 用900～1 700 nm、1 100～1 700 nm及1 100～1 500 nm波長的光譜進行建模分析，采用PLS-toolbox 5.0工具箱中的IPLS功能進行波長的選取。模型評價指標(biāo)為相關(guān)系數(shù)R2、校正標(biāo)準差(root mean square error of calibration，RMSEC)、交叉驗證標(biāo)準差(root mean square error of cross validation，RMSECV)、預(yù)測標(biāo)準差(root mean square error of prediction，RMSEP)。RMSECV表征校正集建模的精度，RMSEP反映預(yù)測集的預(yù)測效果，RMSEP越小、相關(guān)系數(shù)R2越接近1，表明模型的預(yù)測結(jié)果越準確，模型的可靠性越高。

1.2.5 光譜的PLS分析 在Matlab 2009b軟件平臺進行，采用PLS-toolbox 5.0工具箱進行分析。實際值和預(yù)測值的相關(guān)圖表的繪制采用該工具箱中的plot controls進行，x軸設(shè)為Measured(實際值)，y軸設(shè)為Predicted(預(yù)測值)。

2 結(jié)果與分析

2.1 不同光譜預(yù)處理的建模結(jié)果

從表1可以看出，在單個光譜的預(yù)處理方法中，以2nd-der預(yù)處理的方法最佳。在主因子數(shù)為5時，校正集相關(guān)系數(shù)R2為0.982 8，預(yù)測集相關(guān)系數(shù)R2為0.981 3，RMSEC為0.003 70 mg/kg，RMSEP為0.003 85 mg/kg。而在2種預(yù)處理方法結(jié)合的情況下，以2nd-der+SNV預(yù)處理的方法最佳。在主因子數(shù)為6時，校正集相關(guān)系數(shù)R2為0.988 5，預(yù)測集相關(guān)系數(shù)R2為0.986 4，RMSEC為0.003 02 mg/kg，RMSEP為0.003 27 mg/kg。預(yù)測集相關(guān)系數(shù)R2越高、RMSEP越小，模型的測試結(jié)果越切合實際。從表1還可以看出，2nd-der+SNV光譜預(yù)處理的方法優(yōu)于2nd-der光譜預(yù)處理的方法。

表1不同光譜預(yù)處理的建模結(jié)果

預(yù)處理方法主因子數(shù)校正集相關(guān)系數(shù)R2預(yù)測集相關(guān)系數(shù)R2RMSEC/(mg/kg)RMSEP/(mg/kg)1st-der50.976 00.978 80.004 370.004 162nd-der50.982 80.981 30.003 700.003 85SNV50.978 50.965 80.004 130.005 27MSC60.982 90.980 50.003 680.004 041st-der+SNV50.978 20.983 80.004 170.003 831st-der+MSC90.995 70.959 30.001 840.005 762nd-der+SNV60.988 50.986 40.003 020.003 272nd-der+MSC50.981 90.984 80.003 790.003 48

1st-der指光譜預(yù)處理為一階導(dǎo)數(shù)法，2nd-der指光譜預(yù)處理為二階導(dǎo)數(shù)法，SNV指光譜預(yù)處理為標(biāo)準正態(tài)變量變換法，MSC指光譜預(yù)處理為多元散射校正法，1st-der+SNV指光譜預(yù)處理為一階導(dǎo)數(shù)結(jié)合標(biāo)準正態(tài)變量變換法，1st-der+MSC指光譜預(yù)處理為一階導(dǎo)數(shù)結(jié)合多元散射校正法，2nd-der+SNV指光譜預(yù)處理為二階導(dǎo)數(shù)結(jié)合標(biāo)準正態(tài)變量變換法，2nd-der+MSC指光譜預(yù)處理為二階導(dǎo)數(shù)結(jié)合多元散射校正法。RMSEC為校正標(biāo)準差，RMSEP為預(yù)測標(biāo)準差；表2相同。

2.2 不同波長光譜的建模結(jié)果

從不同波長光譜的建模結(jié)果(表2)可以看出，在波長為1 100～1 500 nm、主因子數(shù)為8的情況下，校正集相關(guān)系數(shù)R2為0.996 1，預(yù)測集相關(guān)系數(shù)R2為0.993 9，RMSEC為0.001 76 mg/kg，RMSEP為0.002 40 mg/kg。預(yù)測集的相關(guān)系數(shù)R2越高、RMSEP越小，模型效果越好。因此，選取1 100～1 500 nm波長范圍光譜建模最佳。

表2不同波長光譜的建模結(jié)果

波長范圍/nm主因子數(shù)校正集相關(guān)系數(shù)R2預(yù)測集相關(guān)系數(shù)R2RMSEC/(mg/kg)RMSEP/(mg/kg)900～1 70050.988 50.986 40.003 790.003 271 100～1 70060.992 30.990 60.002 470.002 761 100～1 50080.996 10.993 90.001 760.002 40

從光譜變量重要性投影(variable importance in projection，VIP)得分圖(圖1)可以看出，毒死蜱在1 100～1 700 nm波長范圍內(nèi)具有有效信息，在1 100～1 500 nm波長范圍內(nèi)光譜信息最為集中且重要。選取光譜中的有效區(qū)域，尤其是高效區(qū)域有助于提高建模的準確率。

圖1 毒死蜱光譜變量重要性投影(VIP)得分圖

圖2 毒死蜱近紅外光譜預(yù)測值和實際值的相關(guān)性

從毒死蜱近紅外光譜預(yù)測值和實際值的相關(guān)性(圖2)可以看出，毒死蜱近紅外光譜的預(yù)測值與實際值(校正集和預(yù)測集的值)之間具有明顯的線性相關(guān)性。

3 小結(jié)與討論

近紅外光譜技術(shù)具有快速、高效、無損等優(yōu)點，因此許多研究者應(yīng)用近紅外光譜技術(shù)進行了毒死蜱的檢測研究。劉芳[13]應(yīng)用近紅外光譜技術(shù)對毒死蜱高效氯氰菊酯乳油有效成分進行分析，使用PLS算法進行定量分析，對毒死蜱高效氯氰菊酯乳油中2種有效成分分別建立了模型，認為校正集的數(shù)量在20個左右就可以完成定量測定。本研究采用26個毒死蜱溶液樣品(濃度為0.005 0、0.007 5、0.012 5、0.015 0 …… 0.095 0、0.100 0 mg/kg)作為校正集，選取1 100～1 500 nm波長范圍的光譜，以2nd-der+SNV方法進行預(yù)處理，采用主因子數(shù)8進行建模，在波長為1 100～1 500 nm時得到校正集(留一交叉驗證法)相關(guān)系數(shù)R2為0.996 1，預(yù)測集相關(guān)系數(shù)R2為0.993 9，RMSEC為0.001 76 mg/kg，RMSEP為0.002 40 mg/kg的較好結(jié)果。劉翠玲等[14]利用近紅外光譜技術(shù)結(jié)合PLS建立了模擬果蔬成分的毒死蜱檢測模型，結(jié)果表明，預(yù)測集相關(guān)系數(shù)R2為0.994 3，RMSEC為0.002 20 mg/kg，RMSEP為0.002 80 mg/kg，近紅外光譜法對混合溶液中質(zhì)量濃度在0.008～0.009 mg/kg之間的毒死蜱可取得良好的檢測效果。本研究利用近紅外光譜技術(shù)結(jié)合偏最小二乘法對溶液中的毒死蜱含量進行了檢測。結(jié)果表明，選取1 100～1 500 nm波長范圍的光譜，用2nd-der+SNV方法進行預(yù)處理，采用主因子數(shù)8進行建?？梢缘玫阶罴呀Y(jié)果，驗證了近紅外光譜技術(shù)檢測毒死蜱含量的可行性，明確了近紅外光譜技術(shù)檢測毒死蜱含量的預(yù)處理方法、光譜范圍和主因子數(shù)。近紅外光譜法可更加快速、簡便地檢測出溶液中微量的毒死蜱。

[1] 趙穎，姚蘇梅，劉毅華，等.毒死蜱對我國南方稻區(qū)水域中12種淡水魚的毒性[J].生態(tài)毒理學(xué)報，2014，9(6)：1 181-1 188.

[2] 程運斌，劉育清.混劑中噻嗪酮和毒死蜱的氣相色譜分析方法研究[J].湖北農(nóng)業(yè)科學(xué)，2012，51(3)：609-611.

[3] 薛南冬，劉寒冰，楊兵，等.毒死蜱土壤環(huán)境行為研究進展[J].浙江大學(xué)學(xué)報：農(nóng)業(yè)與生命科學(xué)版，2017，43(6)：713-726.

[4] 曹瑩，張亞輝，閆振廣，等.太湖水體中毒死蜱的污染特征及其生態(tài)風(fēng)險評估[J].農(nóng)業(yè)環(huán)境科學(xué)學(xué)報，2016，35(12)：2 413-2 419.

[5] 蘇振國，劉建波，劉永輝，等.7種常用殺蟲劑對桑樹天牛的防治作用[J].農(nóng)藥，2015，54(9)：684-686.

[6] 袁文博，相秉仁，趙麗華，等.番茄表層硫丹殘留的近紅外快速檢測方法[J].中國藥科大學(xué)學(xué)報，2012，43(2)：164-169.

[7] 戴瑩，王紀華，韓平，等.食品中毒死蜱殘留量檢測技術(shù)進展[J].食品安全質(zhì)量檢測學(xué)報，2015，6(7)：2 696-2 701.

[8] 陸婉珍.現(xiàn)代近紅外光譜分析技術(shù)[M].北京：中國石化出版社，2006.

[9] 郭成，馬月，梁夢醒，等.基于近紅外光譜結(jié)合波長優(yōu)選檢測單顆葡萄的SSC含量[J].食品與機械，2016，32(9)：39-43.

[10] ZOU X B，ZHAO J W，MALCOLM J W，et al.Variables selection methods in near-infrared spectroscopy[J].Anal Chim Acta，2010(667)：14-32.

[11] 褚小立，袁洪福，陸婉珍.近紅外分析中光譜預(yù)處理及波長選擇方法進展與應(yīng)用[J].化學(xué)進展，2004，16(4)：528-542.

[12] CHEN C W，YAN H，HAN B X.Rapid identification of three varieties of chrysanthemum with near infrared spectroscopy[J].Rev Bras Farmacogn，2014(24)：33-37.

[13] 劉芳.兩種農(nóng)藥制劑中有效成分近紅外光譜測定方法的研究[D].北京：中國農(nóng)業(yè)大學(xué)，2007.

[14] 劉翠玲，隋淑霞，吳靜珠，等.近紅外光譜技術(shù)檢測溶液中毒死蜱含量試驗[J].農(nóng)業(yè)機械學(xué)報，2009，40(1)：129-131.