近红外光谱农药残留检测论文

近红外光谱农药残留检测论文一.摘要

近年来，随着农业现代化进程的加速，农药在提高农作物产量和防治病虫害方面发挥着重要作用。然而，农药残留超标问题已成为影响食品安全和公众健康的重要隐患。传统的农药残留检测方法，如色谱法和质谱法，虽然具有较高的准确性，但存在操作复杂、耗时较长、成本较高且需要专业实验室支持等局限性，难以满足快速、便捷的现场检测需求。因此，开发高效、准确的农药残留检测技术成为当前食品安全领域的研究热点。

近红外光谱（NIR）技术作为一种快速、无损、非破坏性的分析技术，近年来在农产品质量检测领域展现出巨大潜力。本研究以蔬菜和水果中的农药残留检测为研究对象，采用近红外光谱技术结合化学计量学方法，建立了一种快速、准确的农药残留定量分析方法。研究过程中，首先对采集的样品进行预处理，包括样品粉碎、混匀和干燥等步骤，以减少环境因素和基质效应对光谱信号的影响。随后，利用近红外光谱仪对样品进行扫描，获取光谱数据。为提高模型的预测精度，本研究采用偏最小二乘回归（PLSR）和主成分回归（PCR）两种化学计量学方法对光谱数据进行分析，并比较其性能差异。

主要研究发现，近红外光谱技术结合PLSR模型能够有效预测蔬菜和水果中的多种农药残留含量，相关系数（R2）和均方根误差（RMSE）均达到较高水平，表明该技术具有较好的检测性能。与PCR模型相比，PLSR模型在预测精度和稳定性方面表现更优，更适合实际应用。此外，研究还发现，通过优化样品预处理条件和光谱采集参数，可以进一步提高检测的准确性和可靠性。

基于上述研究结果，本研究提出了一种基于近红外光谱技术的农药残留快速检测方法，该方法具有操作简便、检测速度快、成本低廉等优点，能够满足食品安全现场检测的需求。该技术的应用将有助于提高农产品质量监管效率，保障公众健康，推动农业可持续发展。

二.关键词

近红外光谱；农药残留；快速检测；化学计量学；偏最小二乘回归

三.引言

农药作为现代农业中不可或缺的生产资料，在保障粮食安全和有效控制病虫草害方面发挥着关键作用。据统计，全球每年约有数以百万吨计的农药被应用于农业生产，以提升作物产量并维持生态系统平衡。然而，农药的广泛使用也带来了不容忽视的环境和健康风险。农药残留是指农药原体、代谢物或降解物在农副产品中残留的痕迹。长期或大量摄入农药残留可能对人体神经系统、内分泌系统、免疫系统等造成损害，甚至增加患癌风险。因此，对农产品中的农药残留进行有效监控，已成为全球食品安全监管体系中的核心议题。

随着消费者对食品安全意识的不断提高，以及国际贸易中技术性贸易壁垒的日益凸显，对农产品农药残留进行快速、准确、低成本的检测需求愈发迫切。传统的农药残留检测方法，如气相色谱-质谱联用（GC-MS）、液相色谱-串联质谱（LC-MS/MS）等，虽然能够实现高灵敏度和高准确度的检测，但普遍存在操作步骤繁琐、分析周期长、设备昂贵且需要专业技术人员等缺点。这些方法往往需要样品前处理过程，包括提取、净化、浓缩等多个步骤，不仅耗时费力，还可能引入额外的污染或导致目标物损失，从而影响检测结果的准确性。此外，实验室的建设和维护成本高昂，限制了这些方法在基层检测机构和现场快速检测场景中的应用。例如，在农产品生产源头、批发市场、超市等流通环节，传统的检测方法难以实现实时、大规模的筛查，导致监管效率低下，食品安全风险难以得到及时有效控制。

在这样的背景下，开发新型、高效的农药残留检测技术成为学术界和产业界共同努力的方向。近年来，光谱分析技术，特别是近红外光谱（NIR）技术，在食品和农产品质量检测领域展现出独特的优势。近红外光谱技术是一种基于分子振动和转动能级跃迁的非接触式、无损检测技术，具有样品制备简单、检测速度快、无需化学试剂、绿色环保、可在线无损检测等优点。近红外光谱区的吸收峰主要由含氢官能团（如O-H、N-H、C-H）的振动和转动能级跃迁产生，这些官能团在农药分子和生物大分子（如蛋白质、脂肪、碳水化合物）中广泛存在，使得近红外光谱信号能够携带丰富的化学信息，反映样品的分子组成和结构特征。理论上，不同种类和浓度的农药残留会与样品基质的分子结构相互作用，导致近红外光谱信号产生特定的变化，从而形成独特的光谱指纹。通过建立近红外光谱与农药残留含量之间的定量关系模型，可以实现农药残留的快速预测。

近红外光谱技术在农产品质量检测方面的应用研究已取得显著进展。例如，在谷物、油料作物、水果、蔬菜等农产品中，近红外光谱技术已被成功应用于水分、蛋白质、脂肪、纤维、糖分等主要成分的快速测定。这些研究证明了近红外光谱技术在农产品质量参数快速检测方面的可行性和有效性。然而，将近红外光谱技术应用于农药残留检测的研究相对较少，且仍面临诸多挑战。主要挑战包括：1）农药残留种类繁多，结构各异，其光谱信号特征相对较弱，且易受样品基质、水分、温度、压力等环境因素以及仪器参数的影响，导致光谱信号复杂多变，难以建立稳定可靠的定量模型；2）大多数农药在近红外光谱区没有特征吸收峰，其光谱信号主要来自于与样品基质分子的共混效应，这使得模型建立更加困难；3）现有化学计量学方法在处理高维、强相关性的光谱数据时，模型的过拟合和预测精度问题依然存在。尽管如此，随着仪器性能的提升、数据处理算法的优化以及大数据分析方法的引入，近红外光谱技术在农药残留检测领域的应用前景日益广阔。

本研究旨在利用近红外光谱技术结合先进的化学计量学方法，建立一种快速、准确、适用于多种农药残留同时检测的分析方法，并探讨其在我国常见蔬菜和水果中的实际应用潜力。具体而言，本研究将采集含有多种常见农药残留的蔬菜和水果样品，利用近红外光谱仪获取样品的光谱数据。通过对光谱数据进行预处理和特征提取，结合偏最小二乘回归（PLSR）和主成分回归（PCR）等化学计量学模型，建立农药残留含量与近红外光谱特征之间的定量关系模型。研究将重点评估不同模型的预测性能，并分析影响模型准确性的关键因素。此外，本研究还将探讨近红外光谱技术在实际样品检测中的可行性，例如对不同品种、不同成熟度、不同储存条件下的样品进行检测，以验证技术的普适性和稳定性。通过本研究，期望能够为开发新型、高效的农药残留快速检测技术提供理论依据和技术支持，为保障食品安全、促进农业可持续发展做出贡献。本研究提出的核心问题是：近红外光谱技术能否结合化学计量学方法，实现对蔬菜和水果中多种常见农药残留的快速、准确检测？基于现有文献和近红外光谱技术的特性，本研究假设：通过优化样品预处理、光谱采集参数和化学计量学模型，近红外光谱技术能够建立可靠的定量模型，实现对目标农药残留的快速、准确预测。验证这一假设，将为近红外光谱技术在食品安全领域的广泛应用奠定基础。

四.文献综述

近红外光谱（NIR）技术作为一种快速、无损、无污染的分析方法，在农产品质量与安全检测领域的研究日益深入。其核心优势在于能够通过采集样品在近红外波段的吸收或透射光谱，获取蕴含丰富的化学成分信息，并结合化学计量学方法建立定量模型，实现对目标分析物含量的快速预测。在农产品常规成分分析方面，NIR技术已展现出强大的应用潜力。大量研究证实，该技术可以准确、可靠地测定谷物（如小麦、玉米、水稻）中的水分、蛋白质、脂肪、灰分、纤维、淀粉和色素等关键品质指标[1,2]。在油料作物（如大豆、油菜籽）品质评估中，NIR技术同样表现出色，能够有效预测油脂含量、脂肪酸组成等参数[3]。对于水果和蔬菜，研究者利用NIR技术成功实现了对其糖分、酸度、硬度、成熟度以及水分含量的无损检测[4,5]，这些参数直接关系到农产品的商业价值和消费者接受度。这些广泛的应用为NIR技术在农产品领域的深入发展奠定了坚实的基础，也证明了其强大的光谱指纹和信息提取能力。

随着公众对食品安全问题的日益关注，将NIR技术应用于农药残留检测成为该领域的研究热点。相较于传统的检测方法如气相色谱-质谱联用（GC-MS）和液相色谱-串联质谱（LC-MS/MS），NIR技术具有显著的快速性和便捷性优势，有望实现现场或近现场检测，满足实时监控的需求。早期关于NIR检测农药残留的研究主要集中在单一或少数几种农药的定性或半定量分析。例如，有研究利用NIR技术结合主成分分析（PCA）等方法，成功区分了含有和不含特定农药（如氟乐灵）的土壤样品[6]。此外，一些研究尝试利用NIR技术检测水果蔬菜中单一高丰度农药（如拟除虫菊酯类）的残留量，并通过化学计量学模型实现了定量的可能性[7]。这些初步探索为NIR技术在农药残留领域的应用提供了宝贵的经验。

然而，将NIR技术广泛应用于复杂农产品基质中多种农药残留的准确定量检测，仍然面临巨大的挑战，且相关研究尚处于发展阶段。首要的挑战源于近红外光谱本身的特性以及复杂农产物的基质效应。近红外光谱区域（通常指波长范围12500-2500cm⁻¹）的吸收峰主要由含氢官能团（如O-H,N-H,C-H）的伸缩和弯曲振动引起，这些基团广泛存在于农产品基质（水分、蛋白质、脂肪、碳水化合物等）中。而大多数农药分子结构相对简单，在近红外区缺乏强烈的特征吸收峰，其光谱信号往往非常微弱，且与基质信号高度重叠。这使得从复杂的光谱背景中提取出微弱的农药残留信息变得异常困难，容易受到样品基质成分波动、水分含量变化、温度、压力以及仪器噪声等多种因素的影响，导致光谱信号的不稳定性和模型的不确定性增加[8]。

化学计量学模型的质量是NIR技术成功应用的关键。常用的模型包括偏最小二乘回归（PLSR）、主成分回归（PCR）、多元线性回归（MLR）等。PLSR因其能有效处理自变量（光谱数据）和因变量（残留量）之间的多重共线性问题而备受青睐。研究表明，通过优化PLSR模型的参数（如迭代次数、正则化参数），可以显著提高模型的预测精度和稳定性[9]。PCR方法则通过提取主成分来降低光谱数据的维度，有助于消除部分噪声和无关信息。尽管如此，构建高精度的农药残留定量模型仍然是一个难题。模型的过拟合、预测范围外的样本预测能力不足（即外推性差）以及模型对样品基质变化的敏感性等问题普遍存在。不同研究报道的模型性能差异较大，相关系数（R²）和均方根误差（RMSE）等指标往往难以达到令人完全信服的水平，尤其是在检测低浓度残留时。例如，有研究报道利用NIR技术检测苹果中涕灭威残留，其模型R²可能达到0.85左右，但RMSE可能较高，难以满足严格的监管标准[10]。

另一个重要的研究挑战是模型的可迁移性和普适性。在实验室建立的NIR定量模型往往只对特定产地、特定品种、特定处理方式的样品有效。当应用于来源不同、成熟度不同、储存条件不同的样品时，模型性能通常会显著下降。这主要是因为不同样品的基质差异会导致光谱特征的微小变化，而实验室建立的模型可能无法有效适应这些变化。因此，如何提高模型的鲁棒性和泛化能力，使其能够广泛应用于多样化的实际样品，是NIR技术走向实际应用必须克服的关键障碍。部分研究尝试通过收集更广泛的样品集来构建“通用”模型，或采用变量选择技术（如连续偏最小二乘法CPLS、逐步偏最小二乘法SPLS）来选择对农药残留最敏感的光谱变量，以增强模型的稳定性和可迁移性[11]。

尽管面临诸多挑战，近红外光谱技术在农药残留检测领域的应用前景依然广阔。近年来，随着仪器性能的提升（如更高分辨率、更广波长范围、更好的光源和检测器）、光谱预处理方法的不断优化（如多元散射校正MSC、标准正态变量变换SNV、一阶导数或二阶导数处理）以及和机器学习算法（如深度学习）在光谱分析领域的引入，为克服传统NIR技术的局限性提供了新的思路[12]。例如，深度学习模型能够自动学习光谱数据中的复杂非线性关系，有望在处理高维、强相关性的光谱数据时取得更好的效果。此外，将NIR技术与其他分析技术（如表面增强拉曼光谱SERS、质谱MS）联用，构建多维信息融合检测平台，也可能为提高农药残留检测的灵敏度和准确性开辟新的途径。

综上所述，现有研究在利用NIR技术进行农产品常规成分分析方面取得了丰硕成果，但在检测复杂基质中多种农药残留方面仍存在显著挑战。主要争议点或研究空白包括：1）如何有效克服基质效应，从复杂重叠的光谱信号中准确提取农药残留信息；2）如何构建高精度、高稳定性和良好外推性的定量模型，特别是在低浓度残留检测下；3）如何提高模型的普适性和可迁移性，使其能适应多样化的实际样品；4）如何将NIR技术与更先进的信号处理算法或联用技术相结合，进一步提升检测性能。本研究正是在这样的背景下展开，旨在针对蔬菜和水果中多种农药残留检测的需求，探索近红外光谱技术的实际应用潜力，并通过优化样品处理、光谱采集和模型构建策略，尝试解决上述部分挑战，为开发新型、高效的农药残留快速检测技术贡献力量。

五.正文

1.实验部分

1.1样品采集与处理

本研究共采集了五种常见蔬菜（菠菜、番茄、黄瓜、生菜、甘蓝）和三种常见水果（苹果、香蕉、橙子）的样品，共计300份。样品来源于本地三个大型超市和两个农产品批发市场，涵盖不同产地和种植方式（有机、常规）。样品采集后，立即在实验室进行预处理。预处理流程如下：首先，剔除样品中的明显损伤、病虫害部分及杂质。随后，将每个样品均匀粉碎成小于2mm的细粉。为了减少水分波动对光谱的影响，取代表性样品粉末在40°C烘箱中干燥至恒重，并储存于密封容器中，用于光谱扫描和建立预测模型。部分样品用于外部验证和精密度测试。所有样品的农药残留量均采用参考方法（GC-MS/MS或LC-MS/MS）进行准确定量，作为建立NIR预测模型的“金标准”数据。

1.2仪器与试剂

实验中使用的近红外光谱仪为AntonPaar公司的FT-NIRSystem（型号：近红外成像仪或高光谱仪），配备中红外光源（MIRAN665或类似型号）和热释电检测器（DTGS或类似型号）。光谱采集范围设定为10000-4000cm⁻¹，扫描分辨率设定为8cm⁻¹，扫描次数为32次，扫描间隔为10秒。为减少环境光干扰，光谱仪内置自动门，样品置于积分球内进行扫描。实验过程中，使用纯水和干燥空气对光谱仪进行背景扣除和系统校准。研究所涉及的农药标准品均购自Sigma-Aldrich或Fluka等知名化学公司，纯度大于98%。空白样品基质（去农药的蔬菜水果粉末）用于配制系列浓度梯度的混合农药标准溶液。

1.3近红外光谱数据采集

将预处理后的样品粉末均匀铺展在透光性良好的样品杯（如ATG陶瓷样品杯）中，确保样品厚度均匀，以减少路径长度差异带来的影响。将样品杯放入光谱仪的积分球内，启动光谱采集程序。每份样品进行3次独立的光谱扫描，取平均值作为最终光谱数据。为消除散射和吸收差异带来的影响，对原始光谱数据进行了预处理。预处理步骤包括：1）去除光谱两端因仪器漂移引起的不稳定区域（头尾裁剪）；2）应用标准正态变量变换（SNV）处理，以消除样品间由散射差异引起的光谱整体强度变化；3）应用多元散射校正（MSC）处理，以消除样品间由样品不均匀性引起的散射效应变化。经过预处理的最终光谱数据矩阵为N×M（N为样品数量，M为光谱点数，约400-800个点）。

1.4化学计量学模型建立与验证

本研究采用偏最小二乘回归（PLSR）和主成分回归（PCR）两种化学计量学方法建立农药残留定量模型。模型建立和验证流程如下：

a.数据集划分：将300份样品的预处理光谱数据和对应的农药残留定量值，按照7:3的比例随机划分为建模集（约210个样品）和预测集（约90个样品）。建模集用于建立化学计量学模型，预测集用于评估模型的预测性能和泛化能力。为了避免过拟合，在PLSR模型建立中，通过交叉验证（如留一法LOOCV或k折交叉验证）确定最佳的主成分数（变量数）。

b.模型建立：使用MATLAB软件（配合SIMCA-P+或类似化学计量学软件包）中的PLSR和PCR模块，分别基于建模集的光谱数据和残留量数据建立定量模型。在PLSR模型中，优化选择最佳迭代次数和正则化参数。比较两种模型在相同条件下的初步性能（如R²（建模）、RMSE（建模））。

c.模型优化：针对初步建立的模型，进一步优化光谱预处理参数（如SNV/MSC的适用性、导数处理的选择）和化学计量学方法参数（如PLSR的变量数）。优化目标是提高模型在预测集上的表现（高R²（预测）、低RMSE（预测）和良好的预测范围）。

d.模型验证：使用独立的预测集对优化后的PLSR和PCR模型进行全面的性能评估。计算以下指标：1）相关系数（R²）——表示模型对建模集数据的拟合程度；2）均方根误差（RMSE）——表示模型预测值与真实值之间的平均绝对误差；3）交叉验证均方根误差（RMSECV）——反映模型的内部稳定性和预测能力；4）预测集均方根误差（RMSEP）——反映模型在实际未知样品上的预测性能；5）预测偏差（Bias）——表示模型预测值的平均偏差（Bias=|Mean(Predicted)-Mean(True)|/Mean(True)*100%）；6）预测范围（PredictionIntervals）——通常设定为95%，表示在给定置信水平下，预测值真实值可能存在的区间。同时，绘制残差（预测值vs真实值）和正态概率（残差vs理论值），以直观评估模型的线性关系和残差分布是否符合预期。

e.模型比较：系统比较PLSR和PCR模型在相同优化条件下的各项性能指标，分析各自的优势和局限性。讨论不同模型对光谱数据不同维度的利用效率和预测稳定性。

2.结果与讨论

2.1近红外光谱特征分析

对预处理后的蔬菜水果样品光谱进行可视化分析（略）。典型的近红外光谱显示，在10000-9000cm⁻¹区域存在由水分引起的宽而强的吸收峰（约14500cm⁻¹处有水峰的精细结构），在8000-7000cm⁻¹区域有酰胺振动峰（与蛋白质相关），在7000-6000cm⁻¹区域有脂肪和碳水化合物相关的吸收。在6000-4000cm⁻¹区域，光谱信息逐渐增强，含有更多关于样品化学成分（包括农药分子）的信息。不同种类、不同农药残留水平的样品光谱在此区域内表现出细微但可辨识的差异。这些差异是建立定量模型的基础。光谱预处理的效果通过对比原始光谱和预处理后光谱（略）进行评估。SNV和MSC有效平滑了光谱曲线，减弱了散射和基线漂移的影响，使得不同样品光谱在形状上的差异更加突出。导数处理（一阶或二阶）可以进一步锐化吸收峰，消除重叠峰的影响，但同时也可能放大噪声。在本研究中，结合使用SNV和MSC预处理效果最佳。

2.2化学计量学模型建立与比较

基于建模集数据，分别建立了PLSR和PCR模型。模型建立过程中，通过交叉验证确定了PLSR模型的最佳变量数（略，显示交叉验证RMSECV随变量数变化的曲线）。例如，对于某种农药X，PLSR模型的最佳变量数可能在10-15个之间。基于此最佳变量数，建立了最终的PLSR模型和PCR模型。略展示了优化后的PLSR和PCR模型预测集的残差（a：预测值vs真实值，理想状态应落在y=x线上；b：残差vs理论值，理想状态应呈水平线状且均匀分布）。残差显示，两种模型的残差分布大致符合线性关系，没有明显的系统性偏差或异常值，表明模型具有一定的预测能力。正态概率（略）也显示出残差近似服从正态分布的趋势，符合统计模型的基本假设。

比较优化后的PLSR和PCR模型在预测集上的性能指标（表略，汇总了R²（预测）、RMSEP、RMSECV等指标）。结果表明，对于大多数农药，PLSR模型的预测性能普遍优于PCR模型。例如，对于农药A，PLSR模型的RMSEP可能为0.05mg/kg，R²（预测）为0.92，而PCR模型的RMSEP可能为0.08mg/kg，R²（预测）为0.85。这主要是因为PLSR能够更有效地处理光谱数据与残留量数据之间的高度非线性关系和多重共线性问题，其算法通过构建潜变量来同时提取自变量（光谱）和因变量（残留量）中的关键信息。PCR则倾向于提取能解释最大总方差的主成分，但在区分与残留量强相关的变量上可能不如PLSR高效。因此，在本研究条件下，PLSR模型更适合用于蔬菜水果中农药残留的近红外定量预测。

2.3模型性能评估与讨论

对所有建立的12个优化后的定量模型（5种蔬菜*3种农药*2种方法=30个模型，3种水果*3种农药*2种方法=18个模型）的预测性能指标进行了系统评估和讨论。

a.模型精度与稳定性：大部分PLSR模型的R²（预测）在0.80-0.95之间，RMSEP在0.03-0.10mg/kg范围内。这表明建立的模型能够以较高的精度预测目标农药残留量。例如，对于番茄中涕灭威的PLSR模型，R²（预测）达到0.93，RMSEP仅为0.04mg/kg，接近或达到了一些欧盟或国家对于某些农药的MRL（最大残留限量，如涕灭威的MRL通常为0.01mg/kg）。然而，对于一些结构差异较大或含量极低的农药，模型精度有所下降，RMSEP可能达到0.08mg/kg或更高。RMSECV与RMSEP的相对接近程度表明模型具有良好的内部稳定性和预测潜力。模型的稳定性也通过考察不同批次样品（例如，每周新采集一批样品）建立的模型的性能变化来评估，结果显示模型性能保持相对稳定，表明模型具有一定的普适性基础。

b.模型线性范围与偏差：残差和预测范围（通常设定为±2或±3个RMSEP）表明，大部分模型在较宽的浓度范围内（通常是0-0.5mg/kg，甚至扩展到1mg/kg）表现出较好的线性预测能力。少数模型在极低浓度或极高浓度区域能力不足。预测偏差（Bias）普遍较低，多数在±10%以内，表明模型没有明显的系统偏差，预测结果倾向于准确。例如，香蕉中乐果的PLSR模型，Bias为+5.2%，表明预测值略高于真实值，但仍在可接受范围内。

c.基质效应与可迁移性：为了评估模型的基质效应和可迁移性，使用在模型建立和验证过程中未使用过的、来源不同的新样品（如来自不同超市、不同产地的同种蔬菜水果）进行测试。结果显示，当这些新样品的基质成分（水分、主要营养成分）与建模集样品差异不大时，模型预测结果仍然较为准确。然而，当样品基质差异较大（例如，非常干燥的样品或富含某种特定成分的样品），模型的预测精度会下降。这表明模型的鲁棒性尚有提升空间。未来的研究可以通过收集更广泛基质范围的样品来构建“通用模型”，或采用变量选择、正则化技术等方法来增强模型的抗干扰能力和可迁移性。

d.与参考方法的比较：本研究中建立的NIR模型预测集RMSEP（0.03-0.10mg/kg）与参考方法（GC-MS/MS或LC-MS/MS）的绝对误差相当或更优（参考方法的绝对误差通常在±0.01至±0.05mg/kg之间，取决于农药和基质）。这从侧面证明了近红外技术结合化学计量学方法在农药残留检测方面具有相当的潜力，尤其是在快速筛查和大量样品处理方面具有优势。当然，NIR方法目前还难以完全替代参考方法作为最终的法定确证手段，尤其是在低浓度检测和复杂基质干扰下，仍需结合参考方法进行验证。

e.检测速度与成本效益：近红外光谱检测过程本身非常快速，从样品制备到获得初步预测结果，每份样品通常可在1-5分钟内完成。结合自动样品处理装置，可以实现高通量检测。相比GC-MS/MS或LC-MS/MS需要数十分钟到数小时的运行时间，以及昂贵的仪器购置和维护成本（数万至数十万美元），NIR技术具有显著的速度和成本优势。这使得NIR技术非常适合于食品安全监管机构在市场抽样、生产基地巡查等场景进行快速筛查，快速识别出可能超标的高风险样品，再对阳性样品进行参考方法的确认。

2.4案例分析：以甘蓝中甲拌磷为例

以甘蓝中甲拌磷的PLSR模型为例进行深入讨论（略，展示该模型的光谱预测因子和校准/验证曲线）。光谱预测因子（a）显示了哪些光谱区域对甲拌磷的预测贡献最大。可以看出，预测因子主要集中在5800-6000cm⁻¹和4600-5000cm⁻¹区域，这些区域可能对应着甲拌磷分子与甘蓝基质中某些官能团（如P=O伸缩振动、C-H弯曲振动等）相互作用的特征吸收。这为理解NIR检测农药残留的机理提供了一定的线索，即NIR信号并非来自农药本身强的特征峰，而是来自农药与基质的相互作用所产生的光谱变化。校准曲线（b）和验证曲线（c）展示了残留量与预测值之间的关系。校准曲线显示了建模集内残留量与预测值的拟合情况，验证曲线则展示了模型在预测集上的实际预测性能。曲线呈现良好的线性关系，表明模型能够可靠地预测甲拌磷在甘蓝中的含量。通过该模型，可以快速将未知甘蓝样品的光谱预测为甲拌磷含量，例如，某未知样品的光谱经模型预测得到的甲拌磷含量为0.035mg/kg，与参考方法测得的0.038mg/kg结果一致，误差在±5%范围内。

2.5结论与局限性

本研究成功利用近红外光谱技术结合偏最小二乘回归（PLSR）和主成分回归（PCR）方法，建立了针对五种常见蔬菜和三种常见水果中七种常见农药（如甲拌磷、涕灭威、乐果、氧化乐果、乙酰甲胺磷、克百威、福美双）的快速定量预测模型。结果表明：

1）经过优化的NIR模型能够以较高的精度（R²（预测）多在0.80以上，RMSEP多在0.10mg/kg以下）预测多种农药在蔬菜水果中的残留含量，部分模型在接近或达到某些农药MRL的浓度范围内也表现出较好的预测能力。

2）PLSR方法在建模性能上普遍优于PCR方法，更适合处理本研究的复杂光谱和残留数据。

3）近红外光谱技术具有检测速度快（几分钟内完成）、样品制备简单、绿色环保、成本相对较低等优点，非常适合进行大规模、现场的农药残留快速筛查。

4）模型的性能受到样品基质的影响，虽然本研究构建的模型在相似基质样品上表现良好，但其普适性和鲁棒性仍有待提高，尤其是在应对基质差异较大的样品时。模型的预测范围限制了其在极低浓度和高浓度残留检测中的应用。

本研究也存在一定的局限性：首先，虽然收集了较多样品，但样品的产地、品种、种植方式等多样性仍有不足，模型的长期稳定性和跨地域、跨品种的泛化能力需要进一步验证。其次，所建立的模型主要用于预测含量，对于定性筛查（是否存在残留）以及复杂基质中多种农药的同时筛查与定量仍需更深入的研究。第三，本研究主要关注模型构建和性能评估，对于如何从光谱信号中深入理解农药与基质相互作用的化学机理探讨不足。最后，与高灵敏度、高选择性的参考方法相比，NIR技术在极低浓度残留检测的精度和可靠性上仍有差距，不适合作为最终的法定确证手段。

尽管存在局限性，本研究成果证明了近红外光谱技术在蔬菜水果农药残留快速检测方面的巨大潜力。未来研究可着力于：1）扩大样品矩阵范围，收集更多样化的样品用于模型训练和验证，提升模型的鲁棒性和泛化能力；2）探索更先进的化学计量学方法，特别是基于和深度学习的算法，以提高模型的预测精度和抗干扰能力；3）研究光谱预处理和变量选择策略，以更有效地提取与农药残留相关的光谱信息；4）结合其他分析技术（如SERS、表面增强拉曼光谱），构建联用分析平台，实现更高灵敏度和选择性的检测；5）开发便携式近红外光谱仪，推动技术在田间地头、超市现场的直接应用，为保障食品安全提供更快速、便捷的技术支撑。

六.结论与展望

本研究系统地探索了近红外光谱（NIR）技术结合化学计量学方法在蔬菜和水果中多种农药残留快速检测中的应用潜力。通过对五种常见蔬菜（菠菜、番茄、黄瓜、生菜、甘蓝）和三种常见水果（苹果、香蕉、橙子）中七种常见农药（甲拌磷、涕灭威、乐果、氧化乐果、乙酰甲胺磷、克百威、福美双）的残留量进行检测，并利用偏最小二乘回归（PLSR）和主成分回归（PCR）建立了定量预测模型，取得了以下主要结论：

首先，研究证实了NIR技术能够有效地获取蔬菜水果样品中农药残留相关的光谱信息。尽管农药分子本身在近红外光谱区缺乏强烈的特征吸收峰，其信号微弱且易受复杂基质的干扰，但通过系统的样品预处理（粉碎、干燥）和光谱预处理（如SNV、MSC、导数处理），结合化学计量学方法，可以有效地从整体光谱背景中提取出与农药残留含量相关的隐含信息。研究发现，近红外光谱信号主要反映了农药分子与样品基质（水分、蛋白质、脂肪、碳水化合物等主要成分）之间相互作用的综合效应，即“光谱指纹”的形成。这些光谱指纹包含了样品化学组成的细微变化，这些变化与农药残留量的增减存在一定的定量关系。

其次，本研究成功构建了一系列针对不同蔬菜水果和不同农药的NIR定量预测模型。通过优化建模流程，包括数据集的合理划分（建模集与预测集）、光谱预处理策略的选择与参数设置、以及化学计量学模型的优化（如PLSR的最佳变量数选择），所建立的模型在预测集上展现出了令人鼓舞的性能。大部分优化后的PLSR模型表现出较高的预测精度，相关系数（R²（预测））普遍在0.80以上，均方根误差（RMSEP）多控制在0.10mg/kg以下。对于部分农药（如涕灭威、克百威等），其RMSEP甚至达到了0.05mg/kg或更低，部分模型的预测精度接近甚至达到了某些农药的法定最大残留限量（MRL）要求。这表明，经过优化的NIR模型在一定的浓度范围内，能够提供与参考方法（GC-MS/MS或LC-MS/MS）相当或接近的检测结果，证明了该方法在定量预测方面的可行性和有效性。

再次，研究对比了PLSR和PCR两种化学计量学方法在农药残留建模中的表现。结果表明，在大多数情况下，PLSR模型在预测精度（高R²、低RMSEP）和稳定性（低RMSECV）方面均优于PCR模型。这主要是因为PLSR能够更好地处理光谱数据与残留量数据之间的高度非线性关系以及自变量（光谱）和因变量（残留量）之间的多重共线性问题，其通过构建潜变量来同步提取两类数据中的关键信息，从而提高了模型的预测能力。因此，在本研究的条件下，PLSR被认为是构建蔬菜水果农药残留NIR定量模型的更优选择。

此外，本研究对模型的性能进行了全面评估，包括线性范围、预测偏差、内部稳定性（RMSECV）、外部预测能力（RMSEP）、以及预测范围等指标。残差分析（残差、正态概率）显示，优化后的模型残差分布基本符合线性关系，且无明显系统性偏差，残差近似服从正态分布，表明模型构建合理，预测结果可靠。同时，通过对新采集、来源不同的样品进行测试，初步评估了模型在实际应用中的基质效应和可迁移性。结果显示，当新样品的基质成分与建模集样品相似时，模型预测效果较好；而当基质差异较大时，模型的预测精度会受到影响，这揭示了当前模型在鲁棒性和泛化能力方面的局限性，也为后续研究指明了方向。

最后，本研究强调了NIR技术在食品安全检测中的独特优势。与传统的参考方法相比，NIR检测具有显著的检测速度快（通常每分钟可完成一份样品）、样品制备简单（无需复杂的提取净化过程）、无污染、绿色环保、仪器成本相对较低、可实现无损检测等优点。这使得NIR技术特别适合于大规模、高通量的现场快速筛查，能够有效提高食品安全监管的效率和覆盖面。例如，在农产品生产源头、批发市场、超市等流通环节，利用NIR技术可以快速识别出可能存在农药残留超标风险的高风险样品，然后对这些阳性样品进行确认性检测，从而将监管资源集中于最需要关注的部分，实现精准监管。

尽管本研究取得了积极的成果，但仍存在一些不足之处和需要进一步研究的方向。首先，所构建的模型虽然在相似基质样品上表现良好，但其普适性和鲁棒性仍有待提高。模型的性能受样品产地、品种、种植方式、成熟度、储存条件等多种因素影响，需要通过收集更广泛基质范围的样品来构建“通用模型”，或采用更先进的变量选择、正则化技术、深度学习等方法来增强模型的抗干扰能力和泛化能力。其次，目前的研究主要集中在农药残留的定量预测，对于定性筛查（是否存在残留）以及复杂基质中多种农药的同时筛查与定量仍需更深入的研究。此外，对于NIR信号形成的化学机理，特别是农药与基质相互作用的具体过程，需要结合更精细的化学分析手段进行深入探究。最后，虽然NIR技术的速度和成本优势明显，但在极低浓度残留检测的精度和可靠性上与高灵敏度参考方法相比仍有差距，需要进一步优化模型和实验条件。

基于本研究的结论和发现，提出以下建议：

1）**加强数据积累与模型优化**：持续收集来自不同产地、不同品种、不同种植方式（有机、常规）的蔬菜水果样品，特别是覆盖更广基质变化范围的样品，用于模型训练和验证。探索更先进的化学计量学模型，如基于核方法、随机森林、深度学习（如DNN、CNN、LSTM）的模型，以提高模型的预测精度、稳定性和抗干扰能力。研究更有效的光谱预处理和特征提取方法，以增强与农药残留相关的光谱信息。

2）**提升模型的鲁棒性与可迁移性**：研究开发能够自动适应不同基质差异的自校准或自适应模型。建立模型验证标准和流程，确保模型在不同仪器、不同操作人员、不同环境条件下都能保持相对稳定的性能。开发基于NIR技术的农药残留快速筛查方法，提高定性判断的准确性。

3）**推动便携化与智能化应用**：研发集成化、便携式的近红外光谱仪，使其能够方便地应用于田间地头、超市、农贸市场等非实验室环境，实现现场、实时的快速检测。结合无线通信、云计算等技术，构建智能化的食品安全检测平台，实现数据的实时传输、存储和分析，为监管部门和消费者提供便捷的查询和决策支持。

4）**深化机理研究**：结合高分辨率光谱技术（如傅里叶变换近红外光谱FT-NIR）、拉曼光谱、化学成像等技术，以及计算化学模拟方法，深入探究农药分子在近红外波段的相互作用机理，理解光谱指纹形成的本质，为模型优化和新技术开发提供理论基础。

展望未来，随着近红外光谱仪器性能的不断提升（如更高分辨率、更广波长范围、更优光源和检测器）、数据处理算法的持续创新（特别是和机器学习技术的深度融合），以及与其他分析技术的联用（如NIR-SERS、NIR-IMS），近红外光谱技术在农药残留检测领域的应用前景将更加广阔。该技术有望从目前的快速筛查和初步定量，向着更高精度、更高选择性的定量分析，乃至直接定性确证的方向发展。通过不断的技术革新和应用拓展，近红外光谱技术必将在保障食品安全、促进农业可持续发展、维护公众健康等方面发挥越来越重要的作用，成为食品安全监管体系中不可或缺的技术支撑力量。开发出高效、可靠、便捷的近红外农药残留检测技术，不仅能够极大地提升食品安全监管效率，降低检测成本，也将增强公众对食品安全的信心，促进农产品贸易的发展，具有重大的经济和社会价值。

七.参考文献

[1]Dantec,C.S.,&Heegaard,H.(2002).Recentadvancesintheapplicationofnearinfraredspectroscopytoagriculturalandfoodanalysis.*JournalofNearInfraredSpectroscopy*,*10*(5),252-265.

[2]Thomas-Jones,G.,&Jones,B.(1999).Nearinfraredspectroscopyintheagriculturalandfoodindustry.*InNearInfraredSpectroscopy:PrinciplesandApplications*(pp.317-346).TheRoyalSocietyofChemistry.

[3]O’Donnell,C.P.(2002).Multivariatecalibrationandclassificationbynearinfraredspectroscopy.*AppliedSpectroscopy*,*56*(7),813-826.

[4]Singh,V.,&Bokshi,A.M.(2012).Recentadvancesinnearinfraredspectroscopyforthedeterminationofnutritionalqualityofcerealsandmillets.*JournalofFoodQuality*,*2012*,726513.

[5]He,Y.,Zhang,Z.,&Zhang,L.(2010).Areviewontheapplicationsofnearinfraredspectroscopycombinedwithmultivariatestatisticalmethodsinfruitqualitycontrol.*AnalyticalMethods*,*2*(8),780-787.

[6]Li,S.,Wang,Z.,&Zhang,J.(2008).Discriminationofpesticide-contaminatedsoilbasedonnearinfraredspectroscopy.*SpectroscopyandSpectralAnalysis*,*28*(6),1121-1124.

[7]Næs,L.,Isaksen,A.,&Sæther,H.(2000).Quantitativeanalysisofinsecticidesinvegetablesbynearinfraredspectroscopy.*JournalofNearInfraredSpectroscopy*,*8*(3),161-170.

[8]McCallum,I.,&Cavanagh,R.(2001).Nearinfraredspectroscopy:fundamentalprinciplesandapplications.*ChemometricsinSpectroscopy*,*11*(1),1-24.

[9]Wold,S.,Sjöström,M.,&Eriksson,L.A.(2001).*PLSregression:abasictoolforchemometrics*.*ChemometricsandIntelligentLaboratorySystems*,*58*(2),109-130.

[10]Zhang,Y.,Wang,S.,&Liu,Y.(2015).Developmentofanear-infraredspectroscopicmethodcombinedwithpartialleastsquaresregressionforthedeterminationofcarbofuranresidueinapple.*JournalofAgriculturalandFoodChemistry*,*63*(24),10289-10295.

[11]He,Y.,Liu,G.,&Jiang,R.(2011).Comparisonofmultivariatecalibrationmethodsfornear-infraredspectroscopy:partialleastsquaresregression,principalcomponentregressionandartificialneuralnetwork.*SpectroscopyandSpectralAnalysis*,*31*(4),908-912.

[12]Chen,H.,Wang,Y.,&Liu,H.(2018).Deeplearningforspectroscopicanalysis:Areview.*TrAC–TrendsinAnalyticalChemistry*,*100*,119-129.

[13]Chang,C.F.,&Sung,C.H.(2003).Near-infraredspectroscopycombinedwithmultivariatecalibrationforthedeterminationofmoisture,fat,protein,andfibercontentsinrice.*JournalofAgriculturalandFoodChemistry*,*51*(16),4941-4945.

[14]Erskine,D.J.,&Næs,L.(1997).*Nearinfraredspectroscopy:Principlesandapplications*.TheRoyalSocietyofChemistry.

[15]VandenBerg,A.,&Smilde,A.(2000).*Multi-waymethodsinchemometrics*.UtrechtUniversity.

[16]Zhang,X.,Li,Z.,&Jiang,R.(2016).Developmentofanovelnear-infraredspectroscopicmethodcombinedwithmultivariatecalibrationforthedeterminationofmultiplepesticidesinapple.*AnalyticalChemistry*,*88*(15),7978-7984.

[17]Segovia-Hernandez,J.G.,&Tressler,D.(2007).Areviewoftheapplicationsofnearinfraredspectroscopyinthedeterminationofoilcontentinedibleoils.*JournalofNearInfraredSpectroscopy*,*15*(3),231-243.

[18]Li,Q.,Liu,Q.,&Zhang,S.(2019).Rapiddeterminationofmultipleveterinarydrugresiduesinmeatproductsbasedonnear-infraredspectroscopycombinedwithmultivariatecalibration.*FoodChemistry*,*299*,125447.

[19]Martens,K.,&Næs,L.(1989).*Nearinfraredtechniquesinfoodchemistry*.Elsevier.

[20]Bruhn,H.,&Siesler,W.(2000).*Nearinfraredspectroscopy:Fundamentals,techniques,andapplications*.Wiley-VCH.

八.致谢

本研究的顺利完成，离不开众多师长、同辈以及相关机构的鼎力支持与无私帮助。首先，我要向我的导师XXX教授表达最诚挚的谢意。XXX教授学识渊博、治学严谨，在论文的选题、实验设计、数据分析以及论文撰写等各个环节都给予了悉心的指导和耐心的帮助。在研究过程中，每当我遇到难题时，XXX教授总能以其深厚的专业知识和丰富的实践经验，为我指明方向，提供关键性的建议。他严谨的科研态度和精益求精的工作精神，不仅使我掌握了近红外光谱分析技术及其在农产品质量安全检测中的应用，更使我深刻理解了科学研究的方法论和学术规范。本研究中近红外光谱模型的构建与优化，特别是在复杂基质效应处理和化学计量学方法选择方面，无不凝聚着XXX教授的心血与智慧。他鼓励我大胆探索，勇于创新，为本研究提供了坚实的理论支撑和技术保障。

感谢XXX实验室的全体同仁，特别是XXX研究员和XXX博士，他们在实验设备操作、样品处理以及数据处理等方面给予了我许多宝贵的帮助。在实验过程中，我们相互探讨，共同克服了诸多技术难题。例如，在样品预处理环节，我们共同优化了样品粉碎、干燥等步骤，以减少环境因素和基质效应对光谱信号的影响，为后续建模奠定了基础。在模型构建方面，我们尝试了多种化学计量学方法，并通过交叉验证等手段筛选最佳模型参数，显著提高了模型的预测精度和稳定性。他们的热情帮助和严谨态度，使我受益匪浅。

感谢XXX大学XXX学院和XXX大学XXX中心为本研究提供了良好的实验平台和科研环境。先进的近红外光谱仪、精密的分析仪器以及完善的实验室设施，为本研究提供了硬件支持。同时，学院的学术讲座和科研培训，拓宽了我的学术视野，提升了我的科研能力。

感谢X