在激光誘導擊穿光譜技術具有多成分同時探測分析、快速、在線定性分析及定量檢測等特點。水稻產(chǎn)地溯源研究方面，在前期農(nóng)作物產(chǎn)地溯源研究基礎上，采用LIBS技術結合機器學習算法，對同一品種水稻的不同水稻產(chǎn)地進行快速識別研究。

水稻是中國主要糧食作物,而水稻品質與其生長的外部環(huán)境如土壤特性、氣候、日照時間和灌溉水等環(huán)境息息相關,高品質水稻的產(chǎn)地區(qū)域面積有一定地域限制,因此水稻可看成為是一個明顯的地理標志物。市場常出現(xiàn)一些假冒或者貼牌的知名優(yōu)質水稻出售,損害了水稻品牌，降低了消費者的水稻品質保障,并且擾亂了市場穩(wěn)定性，因此對于水稻產(chǎn)地快速識別技術的需求十分迫切。

在激光誘導擊穿光譜技術具有多成分同時探測分析、快速、在線定性分析及定量檢測等特點。水稻產(chǎn)地溯源研究方面，在前期農(nóng)作物產(chǎn)地溯源研究基礎上，采用LIBS技術結合機器學習算法，對同一品種水稻的不同水稻產(chǎn)地進行快速識別研究。

一、實驗內容

圖1激光誘導擊穿水稻光譜實驗裝置

在相同實驗條件下，獲得五個產(chǎn)地的水稻LIBS光譜信號。實驗過程中，為了防止水稻樣品表面過度激光燒蝕，將壓制成片的水稻樣品固定在三維平移臺上“弓”狀勻速運動，使每發(fā)激光脈沖作用在新的位置。為了降低激光脈沖能量抖動對水稻LIBS光譜穩(wěn)定性的影響，采用100個脈沖進行LIBS光譜平均。實驗工作是在標準大氣壓、室內溫度為25℃、空氣相對濕度為35%的環(huán)境下開展。

圖2水稻LIBS光譜（產(chǎn)地依次為大安、公主嶺、前郭、松原、洮兒河）

水稻內的元素含量與產(chǎn)地土壤特性、日照條件以及灌溉水質有關，水稻LIBS光譜強度的差異性，可反映出水稻的產(chǎn)地屬性，因此選取多條元素LIBS特征光譜信息可對水稻產(chǎn)地進行識別。

表1水稻LIBS特征譜線

在實驗過程中，受到激光脈沖能量抖動、空氣流動和樣品壓制不均勻等因素影響，導致水稻LIBS光譜譜線強度間絕對值存在一定的差異，從而削弱譜線強度相對低的元素作用。

在實驗過程中，受到激光脈沖能量抖動、空氣流動和樣品壓制不均勻等因素影響，導致水稻LIBS光譜譜線強度間絕對值存在一定的差異，從而削弱譜線強度相對低的元素作用。

二、水稻產(chǎn)地聚類

表2水稻產(chǎn)地識別機器學習算法模型結果對比

2.1水稻產(chǎn)地聚類

在進行水稻產(chǎn)地聚類分析過程中，由于LIBS特征光譜譜線數(shù)據(jù)變量之間具有強相關性，導致LIBS特征信息重疊從而降低水稻產(chǎn)地聚類分析精度。主成分分析(principacomponentanalysis，PCA)是將相關的變量綜合為一個或少數(shù)幾個主成分的非監(jiān)督學習算法，因此采用PCA對水稻LIBS的選擇16條元素特征譜線進行降維，除去水稻LIBS光譜中相關性較強的多余特征信息，從而實現(xiàn)水稻產(chǎn)地聚類分析，為水稻產(chǎn)地的識別莫定基礎。

2.2水稻產(chǎn)地識別

水稻LIBS光譜數(shù)據(jù)經(jīng)PCA降維后，由水稻產(chǎn)地聚類分析結果表明，部分產(chǎn)地聚類有一定的空間重疊，不能有效分開，因此需要結合機器學習算法來對水稻產(chǎn)地進行精確快速識別。

圖3結合LIBS和機器學習的水稻產(chǎn)地識別混淆矩陣

三、結論

結合LIBS光譜技術和PCA-BaggedTrees、PCA-Weigh-tedKNN、PCA-QuadraticSVM和PCA-CoarseGaussianSVM四種機器學習算法對同一水稻品種的五個水稻產(chǎn)地進行了識別研究?；谥鞒煞址治鰧λ綥IBS光譜進行降維，獲得水稻產(chǎn)地聚類分析散點圖，發(fā)現(xiàn)具有較好的空間聚類效果。

推薦：

實驗室一體化LIBS激光誘導光譜儀iSpecLIBS-SCI800

主要由激光器、高分辨率光譜儀、LIBS光路收集探頭、XYZ樣品窗、觸發(fā)延遲控制器等組成，由于其采用一體化，可擴展非常靈活，非常適合科研研究、LIBS光學應用實驗、光學應用中心等用戶，可以非常方便的靈活選用配置激光器和光譜儀。

審核編輯 黃宇