張仲勛

摘? 要：農業(yè)工業(yè)化和農藥大量噴灑加劇了水稻農藥殘留和重金屬污染問題，不僅會影響食品安全和人體健康，還會給自然生態(tài)系統(tǒng)帶來難以治理的破壞。采用光譜技術開發(fā)高精度、便捷性農藥殘留與重金屬聯(lián)合檢測方法，利用機器學習等算法分析水稻的光譜特征并建立預測模型，經過樣品采樣、數(shù)據處理、光譜分析、波段選擇等步驟，能有效檢驗水稻樣品的農藥殘留和重金屬含量，為改進農業(yè)管理和環(huán)境保護策略提供科學支持。

關鍵詞：農藥殘留；重金屬；聯(lián)合檢測

中圖分類號：S-1? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標志碼：A文章編號：1673－6737（２０24）03－００67－０3

水稻是我國糧食生產安全的重要保障，而農藥的廣泛使用和土壤環(huán)境的重金屬污染則加劇了我國水稻種植業(yè)的安全問題。只有對水稻種植的農藥殘留與重金屬含量進行更進一步的檢測與評估，才能為改進水稻種植措施、促進農業(yè)可持續(xù)發(fā)展提供幫助。傳統(tǒng)的農藥殘留和重金屬檢測方法具有較高的準確度，但其缺點在于成本較高、耗時偏長、處理技術相對復雜，難以向一線生產擴展。而光譜技術快速、無損、成本低廉的優(yōu)勢，則為水稻農藥殘留和重金屬檢測提供了新的解決方案。本文旨在探索基于光譜技術的水稻農藥殘留與重金屬聯(lián)合檢測框架，以期為水稻種植實踐提供科學的策略支持。

1? 光譜技術在水稻農藥殘留檢測中的應用

1.1? 光譜特征波長選擇

在農業(yè)與環(huán)境監(jiān)測領域，光譜技術在檢測農作物農藥殘留方面發(fā)揮著重要作用。光譜特征波長的選擇會深刻影響農藥殘留檢測的準確性。農藥分子因其穩(wěn)定的化學結構，在吸收或發(fā)射特定波長的光時，會發(fā)生振動或電子躍遷現(xiàn)象。這種特定波長范圍，即所謂的吸收帶或特征帶，是檢測農藥殘留分子成分的關鍵。因此，進行農藥殘留檢測前的首要任務是選定合適的特征波長。選擇哪個光譜區(qū)域主要取決于農藥殘留分子的特性以及所使用的光譜檢測儀器的參數(shù)。通常，水稻農藥殘留分子的光譜特征主要出現(xiàn)在紫外-可見分子吸收光譜法和近紅外光譜技術的應用中。[1]前者能用于提供農藥殘留的電子躍遷信息，而后者則能夠提供分子振動信息。而特征波長的選擇，可采取實驗室光譜分析、文獻調研和化學計量學等方法。實驗室光譜分析是指根據農藥種類進行光譜掃描，并根據吸收光譜圖來確定農藥分子特征波長；文獻調研是指查閱相關文獻資料，根據農藥品類確定其分子光譜的吸收峰或發(fā)射峰，從而為農藥殘留光譜特征分析提供特征波長參考；化學計量學是指用主成分分析、偏最小二乘回歸等化學計量學方法，分析不同種類、不同濃度的農藥殘留光譜數(shù)據和特征波長的方法。在實際種植環(huán)境中，必須注意到稻田土壤和灌溉水中所含的化學物質可能會對光譜分析的精確度造成一定影響。為確保光譜特征分析的準確性以及檢測模型的穩(wěn)健性，需要充分考慮其他化學物質對特征波長可能產生的干擾，并采用相應的預處理方法來消除這些干擾因素。

1.2? 光譜數(shù)據處理分析

水稻農藥殘留的光譜數(shù)據處理與分析應遵循以下步驟。第一步，光譜預處理。在進行農藥殘留的光譜分析之前，必須通過預處理來消除因基線漂移等問題產生的誤差，以確保后續(xù)分析的準確性。[2]可采用的預處理方法包括：其一，基線校正。以數(shù)學算法區(qū)分待測物質與背景的信號，消除噪聲和基線偏移。其二，平滑處理。調整數(shù)據序列以減少短期波動和高頻噪聲，進而減少隨機噪聲的產生。其三，歸一化。將農藥殘留光譜數(shù)據縮放到某個特定區(qū)間，以消除因測量條件差異而導致的系統(tǒng)偏差。其四，標準化。在同一尺度上比較所有樣品的光譜數(shù)據，進而得出標準化情況下的光譜特征。第二步，特征提取。從預處理后的農藥殘留光譜分析數(shù)據中提取出所需信息?？刹捎玫奶卣魈崛》椒òǎ浩湟唬ǘ芜x擇。采取機器學習、連續(xù)投影算法、遺傳算法、人工神經網絡等技術，結合農藥殘留的光譜特性選擇具有顯著相關性的特定波長區(qū)間。其二，光譜指數(shù)。使用歸一化差值等計算方法，對光譜的若干個波段反射率進行運算，提取農藥殘留的化學信息。第三步，建立分析模型。分析模型用于對光譜數(shù)據進行分析，預測水稻樣品的化學組成性質?？刹捎玫哪Ｐ徒⒎椒òǎ浩湟唬嘣€性回歸。可用于處理若干個自變量和一個因變量之間的線性關系，以最小化誤差的平方和估計模型參數(shù)。其二，支持向量機?？捎糜诜诸惡突貧w問題分析的監(jiān)督學習算法，能夠在特征空間中尋找最優(yōu)超平面，從而進行數(shù)據類別的區(qū)分。其三，人工神經網絡。這是一種由大量互相連接的神經元組成、模擬人腦神經元結構的計算模型，能夠用于分析復雜的非線性函數(shù)。第四步，模型驗證與評估。其通過交叉驗證、外部驗證等方式確定模型的預測能力和穩(wěn)定性。其中，交叉驗證是指將數(shù)據集分為訓練集和驗證集，并通過若干次的交叉比較來進行模型評估；外部驗證是指用不同于建模數(shù)據集的數(shù)據，驗證模型的泛化能力。第五步，結果解釋與應用。解釋水稻農藥殘留光譜分析結果，包括光譜特征分析、模型參數(shù)調整和光譜分析實際應用等。[3]

2 光譜技術在水稻重金屬檢測中的應用

2.1? 重金屬的光譜特性

由于稻田土壤中重金屬元素的含量通常偏低，因此其光譜特性同樣也較為微弱，且大多以復雜的化學形態(tài)存在。而利用光譜技術可分析土壤中的重金屬含量信息，從而實現(xiàn)對水稻作物的重金屬檢測。具體來說，重金屬的光譜特性主要體現(xiàn)在以下幾個方面：第一，光譜吸收特征。由于重金屬元素有著電子躍遷的特點，所以其在特定的波長范圍會呈現(xiàn)出特殊的光譜吸收特征，尤其是在可見光和近紅外波段最為明顯。[4]但需要注意的是，由于稻田土壤中的重金屬元素通常是以復合物的形式存在的，所以其光譜特征與自由態(tài)重金屬會存在一定差異。第二，光譜指數(shù)和特征波段。光譜指數(shù)由特定波段的光譜反射率或輻射亮度運算得來，既能夠對水稻作物的重金屬含量進行識別分析，也能夠間接反應重金屬脅迫對水稻生長的影響。第三，光譜預處理和變換。為強化水稻重金屬檢測效果，需要采取一階微分、二階微分、連續(xù)統(tǒng)去除、倒數(shù)變換等計算方法，對光譜特征進行預處理和數(shù)據變換，減少背景噪聲對重金屬檢測結果的影響。第四，光譜分析方法。水稻重金屬檢測的光譜分析，主要采用多元線性回歸、偏最小二乘回歸、支持向量機、人工神經網絡等統(tǒng)計和機器學習方法，這些方法能夠建立水稻重金屬檢測的關系模型，分析稻田土壤的重金屬污染情況。第五，土壤組分影響。水稻中的重金屬元素，通常會與稻田土壤中的礦物質、有機質等存在吸附或賦存關系，進而影響水稻光譜形態(tài)和反射率。因此，需要分析稻田土壤的組分類型，來間接分析土壤中的重金屬含量。第六，空間異質性。在空間分布方面，稻田土壤的重金屬含量會存在一定的空間異質性特點，因此在利用光譜技術進行重金屬檢測時，必須考慮土壤的空間變化和重金屬含量的局部特征。

2.2? 重金屬檢測模型構建

水稻重金屬檢測模型可采用光譜分析法、偏最小二乘回歸、支持向量機、人工神經網絡、地理加權回歸等多種算法。其具體的模型構建應遵循以下幾個步驟：第一步，數(shù)據采集與預處理。模型構建之前需要采取包括稻田土壤、水稻植株、水體和其他植物組織等在內的樣品數(shù)據，利用上述方法進行重金屬的光譜分析，并通過數(shù)據預處理來消除背景噪聲、校正光譜數(shù)據，降低重金屬檢測可能出現(xiàn)的誤差。第二步，特征選擇與提取。采用統(tǒng)計分析方法或化學計量學方法，分析原始光譜數(shù)據中與水稻重金屬含量相關的特征波段，或利用機器學習算法選擇光譜特征，提高水稻重金屬檢測模型的預測能力。第三步，模型開發(fā)。按照需要使用支持向量機、人工神經網絡等統(tǒng)計或機器學習算法進行模型開發(fā)。[5]這一過程中可使用地理加權回歸等方法，分析空間異質性對水稻重金屬含量的影響。第四步，模型驗證。使用判定系數(shù)、均方根差和調整后的判定系數(shù)等獨立測試數(shù)據集進行模型驗證評估，確保重金屬檢測模型有較高的預測精度和擬合度。第五步，模型優(yōu)化。通過調整模型參數(shù)、改進特征選擇等策略，對驗證后的模型進行優(yōu)化改進，并將模型投入使用。

3? 農藥殘留與重金屬的聯(lián)合檢測方法

3.1? 樣品準備

在樣品準備階段，應在較為干燥的氣候和濕度環(huán)境下，用干凈的采樣工具采集不同地點、不同生長階段和不同部位的水稻樣品，并盡快放入清潔、密封的容器中進行低溫保存，減少在采集和保存過程中的交叉污染。完成樣品運輸后，將水稻放在室溫環(huán)境下晾干，去除石子、水草、昆蟲等無用雜質，待水稻干燥后用研磨機研磨水稻樣品，按照條件分組后，根據光譜分析設備參數(shù)選擇定量的樣品粉末，放置在樣品池或載玻片上進行光譜檢測。如有特別需要，可加入白陶土等光譜參考物質校正光譜數(shù)據。需要注意樣品量不能過多，否則會影響光譜分析設備的靈敏性以及光譜信號的準確捕捉。詳細記錄不同樣品的來源、日期、處理方法等關鍵信息，建立樣品信息數(shù)據庫，通過數(shù)字化管理來提高數(shù)據分析和追溯的能力。

3.2? 光譜數(shù)據采集

在光譜數(shù)據采集階段，由于水稻樣品自身存在一定的特殊性，所以應使用拉曼光譜儀等高精度、靈敏性強的光譜儀器，并根據環(huán)境調整光譜掃描的參數(shù)設置。隨后，對樣品粉末放在樣品池或載玻片上進行光譜檢測，如有需要可使用特定溶劑或粘合劑調整樣品粉末的物理形態(tài)，以便更好地進行數(shù)據采集工作。在光譜掃描行動前后應分別進行暗場和白場校正，盡可能降低環(huán)境因素對光譜掃描結果的影響，并使用參考物質進行定期校準，保障光譜數(shù)據的科學性和準確性。此外，還應針對同一組樣品進行多次掃描，對不同生長條件下水稻樣品進行分批次掃描，提升掃描結果的穩(wěn)定性和檢測模型的普適性。

3.3? 特征波段選擇

在特征波段選擇階段，應了解水稻農藥和重金屬殘留的光譜特性，其分子元素在光譜分析中會呈現(xiàn)出特殊的吸收或散射特點。需利用相關性分析、回歸分析等分析方法，識別農藥分子和重金屬元素的相關光譜波段，以及其與光譜數(shù)據之間的相關系數(shù)。使用主成分分析等化學計量學方法分析光譜數(shù)據，識別對水稻農藥殘留與重金屬元素影響最大的光譜變量，再使用機器學習算法從大量數(shù)據中識別信息含量最高的特征波段。應采取交叉驗證、獨立測試等方式，驗證該特征波段在不同條件下呈現(xiàn)出的穩(wěn)定性和預測效果，并考慮水分、葉綠素、土壤顆粒等因素對水稻樣品光譜特征的干擾，盡可能選擇干擾最小的波段進行光譜分析。

3.4? 建立檢測模型

在建立檢測模型階段，結合水稻樣品的光譜特性以及稻田環(huán)境的復雜性，選擇機器學習或統(tǒng)計算法建立能處理大量變量數(shù)據和非線性關系的檢測模型，將前一階段通過光譜分析獲取的農藥殘留和重金屬含量數(shù)據建立訓練集和測試集。前者用于建立檢測模型，后者則用于對模型效果的評估。將已獲取的特征波段作為輸入變量，經過數(shù)據預處理降低環(huán)境噪聲的誤差影響，用訓練集得到的算法建立預測模型，并不斷調整模型中正則化系數(shù)、核函數(shù)參數(shù)等各項參數(shù)；用交叉檢驗的方式進行模型檢驗，分析其是否會出現(xiàn)擬合或欠擬合，并根據驗證結果進行針對性的調整改進。分析模型預測結果，通過模型解釋分析特征波段與水稻農藥殘留和重金屬含量的關系。

3.5? 結果解釋與應用

在結果解釋與應用階段，需要對前一階段給出的預測結果進行詳細解釋，一方面，要分析農藥殘留和重金屬含量；另一方面，要分析其潛在來源和可能造成的結果。同時，考慮樣品處理、數(shù)據預處理等階段可能出現(xiàn)的誤差。應對比模型預測結果與實際數(shù)值之間的關系，進一步評估模型性能及改進的可能性。結合相關食品安全標準，開展水稻農藥殘留和重金屬含量的風險評估工作，從而采取改進土壤管理、調整農藥噴灑等措施，盡可能降低水稻中的農藥殘留和重金屬含量。

4? 結語

本文依托光譜技術分析了水稻農藥殘留與重金屬含量的聯(lián)合檢測方法。本文使用了先進的光譜儀器，以及機器學習和多種化學計量學方法，建立了具有穩(wěn)定性的預測模型，能夠進一步預測水稻中的農藥殘留和重金屬含量。本文的研究結果表明，相較于傳統(tǒng)方式，光譜技術具有快速、無損的技術優(yōu)勢和成本較低的價格優(yōu)勢，能夠實現(xiàn)光譜檢測向一線水稻生產的普及。未來可進一步探索光譜技術的推廣技術，通過農業(yè)生產科學化來實現(xiàn)增產增收和環(huán)境保護。

參考文獻：

[1] 彭顯龍，武文宇，董強，等.基于無人機多光譜影像的寒地水稻品質估測[J].植物營養(yǎng)與肥料學報，2024，30（1）：12-26.

[2] 葉文超，羅水洋，李金豪，等.近紅外光譜與圖像融合的雜交水稻種子分類方法研究[J].光譜學與光譜分析，2023，43（9）：2.

[3] 李曉凱.基于多源數(shù)據融合的水稻紋枯病預警與早期識別[D].長春：吉林大學，2023.

[4] 姜榮昌.基于雙尺度特征光譜的大白菜禁用農藥識別研究[D].哈爾濱：東北農業(yè)大學，2022.

[5] 謝凱.基于高光譜遙感的水稻稻瘟病分級檢測技術[D].長沙：湖南農業(yè)大學，2017.