随着我国国民收入和生活水平的不断提高，食品安全问题已成为关注的焦点^[1]。而农药的使用在保证农产品增产增收的同时，也带来了农药残留量(pesticide residue,PR)超标等负面因素，成为影响蔬菜等农产品质量安全的首要因素^[2]。因此，加强对农产品中残留农药的检测，对于判定农产品是否符合农药最大残留限量(MRL)要求至关重要^[3]。目前，用于农药残留检测的主要技术有气相色谱(GC)^[4]、液相色谱(LC)^[5]、气相色谱-质谱联用(GC-MS)^[6]及液相色谱-质谱联用(LC-MS)法^[7]等，由于这些检测方法存在速度较慢、成本高、需配套繁琐的样品前处理过程等缺点，同时对样品采取的是破坏性测试，因此不利于发展快速无损检测技术。

近年来，基于近红外和拉曼光谱分析的果蔬质量无损检测技术^[8]受到了广泛重视。蔺磊等^[9]利用表面增强拉曼光谱技术(SERS)分析了噻菌灵的拉曼特征峰；孙元欣等^[10]通过分析紫外-可见光光谱数据，实现了对毒死蜱的快速定量检测；陈蕊等^[11]采用可见光-近红外光谱探测与识别技术，对常见的高残留量农药在绿色植物活体上的无损检测进行了研究。但现有的研究多停留在光谱反射率对比分析阶段^[12]，因而在进行痕量及超痕量的光谱检测分析时易受基质效应^[13]的影响，难以准确定量，其中对有机磷类农药定量时的基质效应最为明显。这使得很难直接用原始光谱反射率表达农药残留量的变化。为了更好地获取农药残留量的有效信息，本研究以挖掘光谱吸收特征参数(高光谱位置参数^[14]、面积参数^[15]和植被微分光谱指数^[16])为目的，研究了农药残留量在高光谱特征参数中的效应，并分析了建模定量反演的可能性。

叶菜类蔬菜是使用农药频率较高的作物，而且由于药剂主要喷洒在蔬菜叶片上，所以食叶类蔬菜最容易受到污染，其中韭菜的农药残留情况又明显严重于其他蔬菜^[17]。毒死蜱具有触杀、胃毒及熏蒸作用，是一种广谱性有机磷类杀虫杀螨剂，无内吸作用，广泛用于叶菜类和瓜果类蔬菜的病虫害防治^[18]，是目前全球应用最广泛的5种杀虫剂之一，在各地例行监测和农药残留抽查中，韭菜中毒死蜱的检出率和超标率明显高于其他蔬菜^{[19, 20, 21]}。因此，本研究选用韭菜代表叶菜类蔬菜，尝试建立能够反演毒死蜱残留量的基于光谱特征参数的有效模型，为今后的快速无损农药残留检测技术发展提供新思路。

99%毒死蜱(chlorpyrifos)标准品(上海哈林生物科技有限公司)；480 g/L毒死蜱乳油(EC，商品名乐斯本，陕西恒田化工有限公司)。

从市场购买新鲜韭菜(Chinese chive)，经清水浸泡清洗多次，晾干后选取叶宽、完整的叶片，除空白对照外，将其余韭菜分为8组，每组120 g。量取8组1 mL的毒死蜱乳油，每组含毒死蜱有效成分0.48 g，分别加入纯净水432、480、528、576、624、672、720及768 g，稀释得到毒死蜱有效成分和纯净水质量比分别为：1∶900、1∶1 000、1∶1 100、1∶1 200、1∶1 300、1∶1 400、1∶1 500和1∶1 600的药液，均匀喷洒于韭菜样本并通风晾干后，将每组韭菜平均分为10个样本，每个样本12 g，装入保鲜袋中于1 ℃下保存，待光谱测定。

FieldSpec 4 Standard-Res光谱仪(美国ASD公司)；Agilent 7890A/5975C GC/MSD气相色谱-质谱联用仪(美国Agilent公司)；ME104E电子天枰(0.000 10 g)(瑞士Mettler Toledo公司)；SHB-ⅢS循环水式多用真空泵(郑州长城科工贸有限公司)；EQ2200E型超声波清洗器(昆山市超声仪器有限公司)。

光谱范围325～2 500 nm，其中红外波段的光谱分辨率为10 nm。将韭菜叶片平铺对齐，用叶片夹夹紧后采集光谱数据，每次连续采集15条光谱，取平均值；每袋韭菜样品随机采集两份光谱数据，集齐所有韭菜样品的光谱数据。

Agilent 19091S-433 HP-5ms GC色谱柱(30 m×0.25 mm×0.25 μm)；自动进样：流速1 mL/min；载气：氦气，纯度＞99.999%；选择离子监测模式；离子源温度230 ℃；IE能量为70 eV；四极杆温度150 ℃。程序升温：150 ℃，0 min；20 ℃/min 升到 200 ℃，2 min；30 ℃/min升到300 ℃，2 min；运行时间9.83 min。进样体积1 μL。

先用二氯甲烷将99%的毒死蜱标准品配制成1.0 mg/mL的标准储备液，于4 ℃下保存，试验时再用二氯甲烷稀释并定容，分别配成1、5、10、20及50 μg/mL的标准工作溶液。取2 mL标准工作溶液进行GC-MS检测，以进样质量浓度为横坐标、峰面积为纵坐标，绘制标准曲线。其回归方程为y=186 679x-9 961.4，决定系数R²为0.997，在1～50 μg/mL范围内质量浓度与峰面积呈良好的线性关系。

先将活性炭用3 mol/L的盐酸浸泡过夜，用水抽洗至不含氯离子后，放入真空干燥箱中干燥；将每个样品袋中的韭菜切碎，混匀；准确称取10.00 g混匀的试样，置于250 mL具塞锥形瓶中，加40 g无水硫酸钠脱水，剧烈振荡40 min；加0.8 g活性炭脱色(由于活性炭吸附能力不足，所加量略多)；加入70 mL二氯甲烷，振荡0.5 h，经滤纸过滤；于通风柜中、室温下自然挥发至近干，用二氯甲烷少量多次研洗残渣，移入10 mL具塞刻度试管中，用二氯甲烷定容至2.00 mL，按1.3.2.1节条件进行GC-MS检测^[22]。

图1(a)是通过Origin软件绘制的20个待测韭菜样本及空白对照(NoPR)韭菜样本的原始光谱图，光谱范围325～2 500 nm，其光谱呈现典型绿色植物光谱特征；图1(b)为对应的一阶微分光谱。由图1(a)中可以看出，不同样本的光谱反射率在可见光和近红外范围内均有差异，而经过实际样品对比发现，样本整体反射率的高低与样本表面粗糙程度、色泽及含水量等有较大关系。将光谱反射率及微分光谱各波段与样本中农药残留量进行相关性计算，结果如图1(c)和图1(d)所示，从中可看出，一阶微分值与农药残留量的相关性高于光谱反射率与农药残留量的相关性。图1(d)在599～632 nm处呈现较好的负相关性，而在789～867 nm处呈较好的正相关性，相关系数可达0.400；特别是在1 860 nm处，样本一阶微分值与农药残留量呈明显的负相关性(r=-0.769)。

图 1

图 1 样本光谱反射率及一阶微分光谱与农药残留量的相关性 Fig. 1 Reflectance and first derivative spectra of the samples and its correlation with the amount of pesticide residues

已有研究^[15]表明，光谱特征参数会随着植物生理生化和表面物理参数的变化而改变。为了检验残留的毒死蜱对绿色蔬菜光谱特征参数的影响，本研究分别对植物的光谱位置特征参数、光谱面积特征参数和植被指数特征参数进行了计算，包括红边、黄边和蓝边的一阶微分值^[16]及峰值波长，绿峰反射率与波长，近红外、红边、黄边、蓝边和绿峰一阶微分总和，近红外一阶微分与红边、黄边、蓝边及绿峰一阶微分值的比值和归一化比值^[23]，以及它们一阶微分值综合的比值与归一化比值。通过计算农药残留量与光谱特征参数之间的相关性(见表1)可以看出：光谱位置特征参数与农药残留量的相关性较低，未通过显著性检验^[24]；光谱面积特征参数中，近红外一阶微分的总和(the sum of first-order differential near infrared，SDnir，指近红外783～890 nm范围内一阶微分值的总和)与农药残留量呈现高的正相关性(r=0.818)，通过了P＝0.01的极显著性检验；而光谱植被指数特征参数中，SDnir与其他参数构建的植被指数特征参数与农药残留量呈现出较高的相关性(表2)，如SDnir与红边内一阶微分值的总和(SDr)的比值(SDnir/SDr)，SDnir与黄边内一阶微分总和(SDy)的比值(SDnir/SDy)，以及SDnir与绿峰一阶微分总和(SDg)的归一化值(SDnir-SDg)/(SDnir+SDg) 等8个植被指数特征参数与农药残留量的相关性均通过了P=0.01的极显著性检验，表明SDnir是反映农药残留量(PR)的重要参数。

Table 1表 1(Table 1)

表 1 韭菜光谱位置和面积特征参数与农药残留量的相关性 Table 1 Correlation coefficients between hyperspectral position and area parameters and pesticide residues 光谱位置特征参数 Spectral position parameters 相关系数 Correlation coefficients 光谱位置特征参数 Spectral position parameters 相关系数 Correlation coefficients 光谱面积特征参数 Spectral area parameters 相关系数 Correlation coefficients 近红外一阶微分总和(Dr) 0.075 Db对应的波长(BEP) -0.121 红边内一阶微分值的总和(SDr) 0.048 Dr对应的波长(REP) -0.083 绿峰反射率(Rg) -0.031 黄边内一阶微分值的总和(SDy) -0.122 黄边内最大的一阶微分值(Dy) -0.189 Rg对应的波长(GPP) -0.300 蓝边内一阶微分值的总和(SDb) 0.023 Dy对应的波长(YEP) 0.055 红谷反射率(Ro) -0.140 绿峰一阶微分值的总和(SDg) -0.004 蓝边内最大的一阶微分值(Db) 0.029 Ro对应的波长(RTP) 0.251 近红外一阶微分值的总和(SDnir) 0.818*       *代表P=0.01的显著性检验水平，r0.01[20]=0.536 8。        *Significance of mean difference at 0.01 probability levels, r0.01[20]=0.536 8.

表 1 韭菜光谱位置和面积特征参数与农药残留量的相关性 Table 1 Correlation coefficients between hyperspectral position and area parameters and pesticide residues

Table 2表 2(Table 2)

表 2 韭菜光谱植被指数特征参数与农药残留量的相关性 Table 2 Correlation coefficients between vegetation index and pesticide residues 光谱植被指数特征参数 Spectral vegetation index parameters 相关系数 Correlation coefficients 光谱植被指数特征参数 Spectral vegetation index parameters 相关系数 Correlation coefficients 光谱植被指数特征参数 Spectral vegetation index parameters 相关系数 Correlation coefficients SDr/SDb -0.038 (SDr-SDg)/(SDr+SDg) 0.006 SDnir/SDy -0.777* SDr/SDy 0.086 (SDy-SDb)/(SDy+SDb) 0.032 SDnir/SDr 0.800* SDy/SDb -0.025 (SDg-SDb)/(SDg+SDb) -0.156 SDnir/SDg 0.733* SDg/SDb -0.157 Rg/Ro 0.023 (SDnir-SDb)/(SDnir-SDb) 0.682* (SDr-SDb)/(SDr+SDb) -0.029 (Rg-Ro)/(Rg+Ro) 0.088 (SDnir-SDy)/(SDnir+SDy) -0.794* (SDr-SDy)/(SDr+SDy) 0.138 SDnir/SDb 0.697* (SDnir-SDr)/(SDnir+SDr) 0.799*       *代表P=0.01的显著性检验水平，r0.01[20]=0.536 8。表中光谱参数符号含义参见表1。       * Significance of mean difference at 0.01 probability levels, r0.01[20]=0.536 8.The meanings of parameter spectrum symbols can see in Table 1.

表 2 韭菜光谱植被指数特征参数与农药残留量的相关性 Table 2 Correlation coefficients between vegetation index and pesticide residues

综合以上两方面结果，发现789～867 nm和1 860 nm处近红外波段的微分光谱与韭菜中毒死蜱残留量变化紧密相关，而近红外一阶微分的总和(SDnir)与农药残留量的相关性最好。因此采用GC-MS测定的实际农药残留量(PR)与FD₁₈₆₀和SDnir两个特征参数进行建模，其中FD₁₈₆₀和SDnir数值为韭菜样品光谱特征参数的平均值。由于韭菜对农药的吸收程度不同，所以喷洒同一浓度毒死蜱标准溶液的样本其GC-MS检测结果不同。根据食品安全国家标准“食品中农药最大残留限量(MRL)”^[25]规定，韭菜中毒死蜱的MRL值不得超过0.1 mg/kg，因此相关性建模实验选取了毒死蜱残留量范围为0.040 9～0.483 2 mg/kg的20个样本，样本标准偏差(SD)为(0.168 9±0.099 5) mg/kg。

采用交叉验证的方法，随机选取GC-MS测定的15个PR值用于构建模型，5个用于检验模型的预测能力，共验证10次。分别构建了线性、二次多项式以及指数预测3种模型。每次随机试验均以决定系数R²和均方根误差(RMSE)作为指标对模型进行评价：R²数值越大表明模型拟合效果越好，RMSE值越小则表明预测值与实际值之间差异越小。表3为以其中一次试验的PR值分别与FD₁₈₆₀和SDnir构建的模型，从中可看出：所构建的农药残留量预测模型均能通过显著性检测；其中，FD₁₈₆₀与PR采用指数模型时总体拟合较好，而SDnir采用二次多项式拟合时R²为0.877，对PR的拟合效果较好，且均方根误差较小。

Table 3表 3(Table 3)

表 3 农药残留量与FD1860、SDnir光谱特征参数的回归分析(n=15) Table 3 Regression analysis of the levels of pesticide residues and FD1860，SDnir (n=15) 光谱特 征参数 Parameters 拟合方程 Fitting equation(y=) 决定系数 Coefficient of determination，R2 均方根 误差 RMSE FD1860 -382.5x-1.239 0.718* 0.055 7 53 834x2+3 575.0x+6.006 0.765* 0.060 5 0.000 01×e(-2 531x) 0.848* 0.060 4 SDnir 34.50x+0.387 0.791* 0.124 3 3 438x2+78.53x+0.501 0.877* 0.026 8 0.559×e (220.4x) 0.870* 0.030 3       *代表P=0.01的显著性检验水平，r0.01[15]=0.605 5。       * Significance of mean difference at 0.01 probability levels, r0.01[15]=0.605 5.

表 3 农药残留量与FD1860、SDnir光谱特征参数的回归分析(n=15) Table 3 Regression analysis of the levels of pesticide residues and FD1860，SDnir (n=15)

图2(a)为基于SDnir特征参数构建的二次多项式回归模型曲线图，图2(b)是基于SDnir参数构建的二次多项式回归模型预测效果图。由图2(b)可以看出，其预测值较靠近对角线分布，证明预测效果较好。对10次交叉验证实验的决定系数R²和RMSE进行统计分析，得到图3和图4不同模型的箱线图。箱线图能将某些中央趋势的衡量统计量与分散程度的衡量统计量通过图形具体表现出来，当模型的决定系数R²值越大、预测均方根误差RMSE值越小时，表明该模型的预测效果越好。从图3中可看出，以SDnir为自变量的模型的总体拟合效果要好于FD₁₈₆₀，其中以二次多项式回归模型最为稳定且R²的中位数为0.885 5，高于其他；从图4可知，以SDnir为自变量的模型预测得到的农药残留量值与真实值的RMSE总体上优于FD₁₈₆₀，其中指数模型表现最为稳定(R²的中位数为0.039 8)，二次多项式回归模型也表现良好(R²的中位数为0.039 2)。

图 2

图 2 基于SDnir的二次多项式模型回归分析 Fig. 2 Quadratic polynomial regression model based on SDnir

图 3

图 3 决定系数R2箱线图 Fig. 3 Box plot of R2

图 4

图 4 均方根误差RMSE箱线图 Fig. 4 Box plot of RMSE

综上所述，韭菜样本中毒死蜱残留量变化与其光谱特征参数变化趋势之间有着显著的规律性。这主要是因为随韭菜中农药残留浓度的改变，农药分子通过扩散、碰撞及能量传递等方式发生了一系列物理化学反应，吸收了部分能量，从而形成了不一样的吸收光谱^[15]，并使得最后的光谱特征参数发生了改变。故可以采用光谱特征参数针对农药残留量建立精度较高、稳定性好、预测能力强的有效模型。本研究所获最佳预测模型为基于SDnir参数构建的二次多项式回归模型：PR=3 438×SDnir²+78.53×SDnir+0.501。

通过采集喷洒不同浓度毒死蜱后韭菜样本的光谱数据，并提取其高光谱特征参数，研究分析了光谱反射率曲线随农药残留量变化的情况，通过计算农药残留量和光谱特征参数之间的相关性，找出了与农药残留量相关性最高的的光谱特征参数——近红外一阶微分总和(SDnir)，并采用此参数建立了反演毒死蜱残留量的模型，该模型的决定系数(R²)均通过了0.01的极显著性检测水平。研究表明，农药残留量与高光谱特征参数之间具有很好的相关性，因此利用植物光谱特征参数建立反演农药残留量变化的有效模型是可行的。本研究对于利用高光谱数据反演蔬菜中农药残留量具有重要的参考价值，对今后的快速无损农药残留检测技术研究开发提供了新的思路。