Das Problem der Schwermetallverschmutzung in Bodenablagerungen wird immer deutlicher, und die Entwicklung von vor-Ort-Schnellerkennungstechnologien ist ein unverzichtbares Mittel geworden, um die Wirksamkeit der Schadstoffüberwachung sicherzustellen und die Umweltregulierung voranzutreiben. Basierend darauf schlägt diese Studie eine Methode zur quantitativen Analyse von Schwermetallelementen in Bodenablagerungen vor, die auf der laserinduzierten Plasmaspektroskopie (LIBS) in Kombination mit maschinellen Lernalgorithmen basiert. Zunächst wurden mit dem aufgebauten LIBS-Gerät Spektren von Bodenablagerungsproben gesammelt und die Wirkung verschiedener spektraler Vorverarbeitungsmethoden auf die Vorverarbeitungsleistung der Spektraldaten untersucht. Anschließend wurde basierend auf der Variablenwichtungsmessung (VIM) eine Merkmalsvariableauswahl an den vorverarbeiteten Spektraldaten durchgeführt. Mithilfe von Kreuzvalidierung wurden Parameter wie Vorverarbeitungsmethode und Variablenwichteschwelle optimiert. Basierend auf den optimierten Eingabevariablen wurden quantitative Analysemodelle für drei Schwermetallelemente (Pb, Cu und Zn) in Bodenproben erstellt und mit der Leistung anderer Kalibrierungsmodelle verglichen. Die Ergebnisse zeigen, dass das vorgeschlagene VIM-RF-Kalibrierungsmodell die beste Vorhersageleistung aufweist: Für Pb beträgt R²_p 0,9930, RMSE_p 0,0298 mg/kg; für Cu R²_p 0,9810, RMSE_p 0,1127 mg/kg; für Zn R²_p 0,9920, RMSE_p 0,1662 mg/kg. Daraus geht hervor, dass die in dieser Arbeit entwickelte Methode eine theoretische Referenz für die schnelle Erfassung und Behandlung der Schwermetallverschmutzung in Bodenablagerungen bieten kann.

Bodenablagerungen;Schwermetalle;laserinduzierte Plasmaspektroskopie;Random Forest;Merkmalsauswahl