《Analytica Chimica Acta》：A comprehensive soil pollution monitoring system based on convolutional recursive sequence network and terahertz spectroscopy
编辑推荐：
基于太赫兹光谱和CRST-CARS组合模型，本研究准确检测了土壤中Cd、Ni、Zn含量及分布，实现单种污染99.54%识别率，混合污染95.26%准确率，为土壤污染治理提供新方法。
作者：敖峰|徐丽佳|王宇超|吴志军
四川农业大学机电工程学院，中国雅安
摘要：
背景
准确分析土壤中重金属的总量及其分布模式有助于确定土壤污染的程度并采取适当的修复措施。传统的检测方法效率低下，而标准的机器学习方法在检测多种重金属污染物时灵敏度不足。本研究通过太赫兹光谱曲线分析，检测了不同污染类型和浓度土壤中镉（Cd）、镍（Ni）和锌（Zn）三种重金属的含量。
结果
我们设计了一种具有级联卷积核和循环序列结构的卷积递归序列网络（CRST），通过捕捉和整合连续太赫兹波段中的序列依赖性，进一步提高土壤重金属检测的准确性。我们将CRST方法与其他常见的机器学习模型和特征提取算法进行了比较，实验结果表明，在综合考虑所有数据的情况下，CRST方法能够准确识别土壤中的重金属污染类型。当土壤仅受一种重金属污染时，CARS-CRST组合模型的分类准确率为99.54%；当土壤受到多种重金属混合污染时，分类准确率为95.26%。CRST方法还能准确测定土壤中镉（Cd）、镍（Ni）和锌（Zn）的含量，在为这些元素构建预测模型时获得了最佳的R2值和RMSE值。
意义
本研究结合了太赫兹光谱技术和机器学习技术，对土壤中的重金属进行了定性和定量分析，为土壤的科学管理和精准监测提供了强有力的技术支持。结果表明，太赫兹技术和机器学习技术为土壤污染检测带来了新的思路和前景。
章节摘录
引言
土壤在地球生态系统中起着至关重要的作用。由于城市化进程的加快、工业活动的过度扩张、矿产开采、化肥使用以及生物毒性重金属成分的生产，土壤污染问题日益严重[1, 2, 3, 4]。常见的重金属污染源包括镉（Cd）、铬（Cr）、镍（Ni）、砷（As）和锌（Zn）等，这些物质难以降解并在土壤中积累。
样品制备
样品土壤采集自中国四川省雅安市的一个实验农田（坐标：29.989°N, 102.982°E）。样品取自表层土壤0-10厘米深度，采集土壤的平均pH值为6.85[45]。采集的土壤通过5毫米塑料筛网过滤，以去除作物根系、小石子等杂质，避免对后续土壤成分分析造成影响。过滤后的土壤经过研磨处理。
土壤重金属含量分析
不同金属元素具有不同的原子结构，因此在受到激发时会发出不同的特征光谱线。这些光谱线按照一定的顺序排列，并保持一定的强度比。光谱分析仪可以根据这些光谱线识别金属元素，并根据其强度来确定其含量。作为重金属元素的镉（Cd）、镍（Ni）和锌（Zn），在原子结构、电子排布及其相互作用方式上存在差异。
结论
土壤是环境污染的主要接收体，而重金属污染是土壤污染的主要类型之一。重金属在土壤中具有累积性、隐蔽性、不可逆性和长期性，会对环境和生态系统造成长期影响。通过研究土壤中的重金属含量，可以了解土壤污染的程度和范围，为制定有效的土壤修复和污染控制策略提供科学依据。
作者贡献声明
吴志军：软件开发、资源管理、项目统筹、数据整理。
王宇超：初稿撰写、验证、资金筹集、正式分析、数据整理。
敖峰：软件开发、方法设计、正式分析。
徐丽佳：验证、资金筹集、概念构思。
注意事项
作者声明不存在利益冲突。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
本研究得到了四川省科学技术厅的“科技创新培育项目”（项目编号：2021JDRC0091）、四川省科学技术厅的重点研发项目（项目编号：2020YFN0025）、四川省教育厅自然科学青年项目（项目编号：16ZA0032）以及四川省智能农业工程技术中心的资助。
