|
| 基于XRF光谱特征筛选与机器学习的土壤砷检测与风险评估 |
| Rapid Detection and Risk Assessment of Soil Arsenic Based on Feature Wavelength Selection and Modeling of XRF Spectroscopy |
| 投稿时间：2025-04-09 修订日期：2025-09-12 |
| DOI： |
| 中文关键词: 土壤砷 X射线荧光光谱 竞争性自适应重加权算法 偏最小二乘回归模型 土壤污染风险评估 |
| 英文关键词: Soil Arsenic X-ray fluorescence spectroscopy Competitive Adaptive Reweighted Sampling Partial Least Squares Regression Soil health risk assessment |
| 基金项目:国家重点研发项目（2021YFC189100）;国家自然科学基金项目（41977027, 42177015） |
|
| 摘要点击次数: 0 |
| 全文下载次数: 0 |
| 中文摘要: |
| 便携式X射线荧光光谱（XRF）可应用于快速、经济的土壤重金属分析，但受限于基体效应和谱线干扰，仍存在检测限偏高、准确度不足等瓶颈问题。本研究提出一种基于特征波长建模的XRF光谱技术，以土壤As为研究对象，通过融合XRF光谱解析技术与机器学习算法，构建高精度As浓度反演模型，并评估其在区域土壤快速健康风险评价的适用性。基于35份国家标准土壤样本，Savitzky-Golay（SG）滤波与自适应迭代惩罚最小二乘法（Adaptive Iterative Re-weighted Penalized Least Squares, airPLS）相结合，可将XRF对As的最低检测限（Limit of Detection, LOD）降低至1.7 mg/kg。进一步结合相关能谱选择（Correlated Spectral Selection, CSS）与竞争性自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS）进行特征波长筛选，并分别构建偏最小二乘回归（PLSR）、随机森林（RF）和极端梯度提升（XGBoost）3种机器学习反演模型。模型对比结果表明：基于特征筛选的PLSR模型（SG-CSS-CARS-PLSR）表现最优，在测试集上Coefficient of Determination （R2）为0.914，Root Mean Square Error (RMSE)为14.743；在浙江绍兴某典型矿区土壤As浓度的外部验证中亦展现出优异性能（R2 = 0.925，RMSE = 5.984），显著优于XRF仪器内置的基本参数法（Fundamental Parameters, FP），整体预测精度提升达36.8%。将最优模型预测的结果应用于该矿区土壤健康风险评价分析，发现研究区域内As对成年人和儿童的健康风险指数（HI）平均值分别为9.76×10-2，2.28×10-1，致癌风险（CR）平均值分别为4.43×10-4和1.03×10-3，与常规的基于三酸消解-AFS法的评价结果一致（P > 0.05），且分析周期缩短约65%，检测成本降低约60%，证实该方法可以用于区域土壤重金属的快速检测与健康风险评估。 |
| 英文摘要: |
| 1通过光谱降噪、特征波长筛选与机器学习模型优选，显著XRF对实际污染区域土壤痕量砷的检测精度（R2从0.605提升至0.925）和方法检测限。
2构建XRF快速准确检测-风险评估模型方法，与传统实验室三酸消解-AFS法不存在统计学显著差异（P > 0.05），并将分析周期缩短约65%，检测成本降低约60%，在实际应用中具有良好的推广前景与可持续性优势。 |
| HTML
View Fulltext
查看/发表评论 下载PDF阅读器 |
