Zur schnellen Erkennung von Schwermetallen im Boden wurde eine Methode zur Auswahl von charakteristischen Wellenlängenvariablen basierend auf Ensemble-Analyse-Methoden vorgeschlagen, und eine Methode zur Bestimmung des Gehalts an Schwermetallen in landwirtschaftlichen Böden unter Verwendung der Röntgenfluoreszenzspektroskopie entwickelt. Es wurden Röntgenfluoreszenzspektraldaten von 91 vorbereiteten Bodenproben gesammelt, um ein Modell zur Erkennung von Schwermetallen im Boden zu erstellen. Die charakteristischen Wellenlängenvariablen wurden durch eine mehrstufige Merkmalsverkettungsmethode extrahiert: zunächst wurde der Intervall-Kombinationsoptimierungsalgorithmus (ICO) zur groben Auswahl der Wellenlängen eingesetzt, danach die konkurrierende adaptive Neugewichtungssampling-Methode (CARS) verwendet, um irrelevante Variablen innerhalb der Wellenlängenintervalle zu entfernen, und schließlich der sukzessive Projektionsalgorithmus (SPA) zur Wellenlängenreduktion. Durch den mehrstufigen ICO-CARS-SPA-Algorithmus für die Auswahl der Eigenvariablen des Röntgenfluoreszenzspektrums wurden fünf Gruppen charakteristischer Wellenlängenpunkte (26, 25, 29, 39, 33) erhalten. Darauf basierend wurden PLS-(Partielle Kleinste Quadrate)-Modelle zur Erkennung von Cu, Zn, As, Pb und Cr in Bodenproben erstellt und mit anderen herkömmlichen Wellenlängenauswahlverfahren verglichen. Die Ergebnisse zeigen, dass die vom ICO-CARS-SPA-Algorithmus in Kombination mit der PLS-Modellierung ausgewählten Variablen die beste Modellleistung erbrachten. Die Bestimmtheitskoeffizienten für die Validierungssets von Cu, Zn, As, Pb und Cr betrugen jeweils 0,9933, 0,9926, 0,9956, 0,9932 und 0,9886; die Wurzel des mittleren quadratischen Fehlers betrug 6,9385, 23,6984, 3,6326, 8,5106 und 14,7645; die mittleren relativen Abweichungen der Validierungssets lagen bei 0,2551, 0,0650, 0,1025, 0,2414 und 0,1047. Der auf Röntgenfluoreszenzspektroskopie basierende ICO-CARS-SPA-Algorithmus mit mehrstufiger Verkettungsstrategie kann mehr unwirksame Wellenlängen eliminieren, den Beitrag effektiver Informationen erhöhen und die Komplexität des Erkennungsmodells vereinfachen, was eine theoretische Grundlage für die Auswahl geeigneter Merkmalsbandextraktionsmethoden für Modelle zur Prognose des Gehalts an Schwermetallen im Boden bietet.

Röntgenfluoreszenzspektroskopie (XRF); Schwermetalle im Boden; optimale Wellenlängenauswahl; Ensemble-Modellanalyse