拉曼光譜結合偏最小二乘法定量分析水中聚乙烯和聚苯乙烯兩種微塑料

關鍵詞 微塑料；偏最小二乘法；拉曼光譜；化學計量學

塑料作為一種重要的有機合成高分子材料，具有輕質、多功能性、成本效益高及耐用等特性，在人類社會以及國民經濟的發展過程中起著非常重要的推動作用。近年來，塑料的產量急劇攀升，塑料污染與全球氣候變化、生物多樣性銳減和臭氧破壞等已并列成為全球重大環境問題。為了有效應對這一危機，我國于2021年9月印發了《“十四五”塑料污染治理行動方案》，進一步完善了塑料污染全鏈條治理體系。然而，大量的塑料殘留物被釋放到環境中，經過相互作用、機械磨損[1]、紫外線（UV）分解[2]、光氧化和生物降解等方法分解成微塑料（MPs）。MPs 是指粒徑≤5 mm 的塑料顆粒和碎片，作為一種在環境和有機體中積聚的新興污染物，廣泛分布于水體、陸地和大氣環境中， MPs 污染已發展成為全球性的環境問題。MPs 可以大量吸附水環境中持久性有機污染物、重金屬、抗生素、細菌、真菌以及病毒等，進而形成復合污染物[3]，其中，聚乙烯（Polyethylene， PE）和聚苯乙烯（Polystyrene， PS）是兩種典型的MPs，對多環芳烴的吸附能力較強[4]。MPs 能夠通過多種途徑進入生物體內，并在人體組織中積累而引發物理和生物效應[5]，進而對心血管系統[6]、消化系統[5]和呼吸系統[7]等產生嚴重危害。Prata 等[8]利用尼羅紅（NR）染色方法對不同品牌瓶裝水中MPs 的存在情況進行了評估，并借助FTIR 技術證實瓶裝水樣品中存在PS、PE 和聚酰胺（Polyamide， PA），其中PE 較常見。更值得關注的是， MPs 在物理、化學和生物等作用下可以逐漸破碎形成粒徑更小的納米級塑料顆粒，更容易進入生物細胞內部并積累在細胞溶酶體中，進而產生比塑料更大的危害[9]。MPs 來源與其化學組分密切相關，由于來源及形成條件差異， MPs 中所含元素種類及其形態存在顯著差異，進而呈現不同的毒理學和生物學特性。因此，水環境中MPs 的定量分析是實現MPs 溯源、風險評估與降解處理等的重要前提。

目前，水環境中MPs 的表征主要以定性分析為主，借助目視法、顯微鏡計數法和光譜法等能夠對MPs 進行直接觀察和計數，并統計其尺寸、形態、顏色和顆粒數等指標。目視法具有檢測過程簡單、成本低和化學危害小等優點，能夠通過肉眼或光學顯微鏡對MPs 進行初步分類和計數。然而， MPs 的尺寸不斷減小以及環境樣品中大量有機或無機等雜質的干擾，導致目視法的準確性和檢測效率降低[10]，因此，目視法僅適合作為MPs 分析的輔助方法。紅外光譜法作為一種反映樣品中化學鍵和官能團信息的分子振動光譜技術，具有分析速度快、對樣本無破壞和操作簡單等優勢，已廣泛應用于MPs 的定性檢測和成分分析。在國家標準（GB/T 40146—2021）[11]中，紅外光譜法被用于化妝品中塑料珠的定性分析，可識別粒徑大于20 μm 的MPs。遼寧省地方標準（DB21T 2751—2017）[12]利用傅立葉變換顯微紅外光譜法對海水中0.5～5.0 mm 的MPs 進行定性分析，通過顯微鏡下計數的方式進行定量分析。

基于拉曼光譜結合PLS在復雜體系定量分析方面具有良好的分析效果，然而尚未見將該方法用于水中MPs 定量分析的研究報道。本研究分別以蒸餾水、雨水、河水及其混合水樣為研究對象，建立了基于拉曼光譜結合PLS 的實際水樣中PE 和PS 的快速且準確的定量分析方法。首先，制備了33 個含有不同濃度MPs 的模擬水樣，并采集其拉曼光譜；其次，考察不同預處理方法（歸一化（Nor）、多元散射校正（MSC）、標準正態變換（SNV）、一階導數（D1st）、二階導數（D2nd）和小波變換（WT））對PLS 校正模型預測性能的影響，分別利用VIP、SiPLS 和MI 這3 種變量選擇方法對PLS 校正模型輸入變量進行選擇與優化，并采用留一法考察PLS 校正模型的預測能力。在最優的光譜預處理、變量選擇、輸入變量和潛變量等條件下，建立了基于拉曼光譜結合PLS 的實際水樣中PE 和PS 的定量分析方法。

1 實驗部分

1.1 儀器與試劑

QEpro6500型激光拉曼光譜系統（美國OceanOptics 公司）；數控超聲波清洗器（昆山市超聲儀器有限公司）。

蒸餾水和無水乙醇（廣東光華科技股份有限公司）；PE 和PS（東莞市特塑朗膠原料有限公司）。實際水樣包括陜西省西安市西北大學長安校區和太白校區的雨水、陜西省西安市西安理工大學曲江校區的雨水以及陜西省內灃河、灞河和護城河的河水。

1.2 實驗方法

分別采集陜西省西安市西北大學長安校區和太白校區以及西安理工大學曲江校區的雨水樣品。在采集雨水時，利用燒杯收集雨水樣品，嚴格按照四周無遮擋，最大程度降低外界環境因素對雨水樣本的潛在干擾，從而確保雨水樣本的純凈度和代表性。河水樣品的采樣地址為陜西省內灃河、灞河以及護城河，利用水樣采集器采集河面以下大約1 m 深處河水樣品，并除去肉眼可見的明顯生物雜質。上述雨水和河水樣品分別采用定性濾紙和0.45 μm 濾膜過濾，待用。

為了建立實際水樣中PE 和PS 的定量分析方法，共制備了33 個含有不同濃度PE 和PS 的模擬水樣（如表1 所示）。具體制備過程如下：稱取適量的PE 和PS（10 μm）于比色管中，加入7.00 mL 無水乙醇和3.00 mL 蒸餾水，超聲20 min， 保證MPs 顆粒均勻分散。其中， 1#～24#樣品是蒸餾水、河水和雨水的單一基質水樣品， 25#～33#樣品是由蒸餾水、河水和雨水中任意2 種或全部3 種單一基質水樣混合而成。為了獲得高質量的水樣品拉曼光譜，采用醋酸-硝酸（CN-CA）混合纖維素酯水性濾膜對水樣品進行過濾處理，待用。

1.3 拉曼光譜采集

利用QEpro6500 型激光拉曼光譜系統（美國OceanOptics 公司）采集實際水樣的Raman 光譜。該系統由半導體激光器（785 nm）、光纖（RPBY）、光譜儀（QEpro6500）及光譜處理軟件（OceanView）等組成，Raman 光譜采集范圍為0～2000 cm^–1， 光譜儀分辨率為4 cm^–1， 激光器功率為0～1500 mW范圍內可調。在采集拉曼光譜時，將富集有MPs 的CN-CA 混合纖維素酯水性濾膜置于樣品臺上，為了防止雜散光對拉曼光譜的影響，拉曼光譜采集在暗箱中進行。激光輸出功率設置為0.900 W， 探測距離設置為10.8 mm， 積分時間為20 s。為了減少實驗誤差，每個樣本隨機選擇6 個不同位置采集拉曼光譜，環境溫度為室溫，以空氣為背景檢測并將其扣除。

采用兩種方式劃分校正集和測試集：（1）以8 個蒸餾水樣本為校正集， 8 個河水和8 個雨水樣本為測試集，考察基于蒸餾水體系下的PLS 校正模型對實際水樣的預測能力；（2）在8 個蒸餾水的基礎上添加了9 個混合水樣作為校正集， 8 個河水樣本和8 個雨水樣本為測試集，考察混合水樣體系下PLS 校正模型對實際水樣的預測能力。

1.4 偏最小二乘法校正模型的建立及評價

PLS 是一種經典多元回歸分析方法，通常以全波段光譜或特征譜峰的所有數據點作為自變量，待分析組分濃度作為因變量，建立光譜強度和組分濃度之間的相關關系，能夠在一定程度上克服傳統單變量模型的缺陷[24]。拉曼光譜結合PLS 定量分析實際水樣中PE 和PS 的方法如圖1 所示，具體流程如下：（1）采集33 個水樣的拉曼光譜，并采用主成分分析（Principal component analysis， PCA）剔除異常光譜；（2）按照1.2節描述的兩種方法劃分校正集和測試集；（3）以全波段拉曼光譜作為輸入變量，建立初始化的PLS 校正模型；（4）為了建立預測性能優異的PLS校正模型，考察了光譜預處理、變量選擇、模型參數等對PLS校正模型預測性能的影響。對于基于蒸餾水的PLS校正模型探究了Nor、MSC、SNV、D1st、D2nd 和WT 6種光譜預處理方法對水樣Raman 光譜的預處理效果；對于基于混合水樣的PLS 校正模型，重點探究了MI 的PLS校正模型輸入變量選擇與優化方法。采用留一交叉驗證方法考察了所建立PLS 校正模型的預測性能。PLS校正模型的評價指標通常包括決定系數（R²）、均方根誤差（RMSE）、平均相對誤差（MRE）和平均絕對誤差（MAE）。R²越大，說明PLS校正模型的預測性能越好；RMSE、MRE 和MAE 的值越小，對應校正模型的預測性能越好。然而，對于最佳PLS校正對應的評價指標不一致的情況，引入了一個綜合指標Error，用于評估PLS校正模型的整體預測性能，通常認為， Error越小，回歸模型的預測性能越好。Error 的計算公式如下：

其中， RMSE 和MAE 的大小取決于樣品的濃度，而R²和MRE 通常小于1。通常， Error 越小， R²越大，RMSE、MRE 和MAE 越小，結果越好。

2 結果與討論

2.1 拉曼光譜解析

含PS 和PE 的實際水樣的拉曼光譜如圖2A 所示， PS 和PE 的特征峰光譜如圖2B 所示。PS 的主要特征拉曼峰位于620、792、998、1029、1179 和1600 cm^–1處。其中， 620 和792 cm^–1 處為C—C—C 鍵振動[26]， 998 cm^–1 處為C—C 苯環呼吸振動， 1029 cm^–1 處為C—H 鍵的搖擺振動[27]， 1179 cm^–1 處為苯環變形振動， 1600 cm^–1 處為C—C 伸縮振動[26]。PE 的主要拉曼特征峰位于1061、1128、1293、1416、1437 和1460 cm^–1 處。其中， 1061 和1128 cm^–1 處為C—C 鍵伸縮振動， 1293 cm^–1 處為CH₂ 彎曲振動，1416 和1437 cm^–1 處為CH₂ 彎曲振動， 1460 cm^–1 處為兩個CH₂的面內搖擺振動。此外，由不同基質水樣的拉曼光譜（圖2A）可見，由于樣品之間濃度差異較小，拉曼光譜圖重疊嚴重。因此，基于標準曲線法的單變量定量分析方法無法實現水中PE和PS的精準定量分析。

2.2 基于蒸餾水的小波變換-偏最小二乘（WT-PLS）校正模型

以8 個蒸餾水樣本為校正集、8 個河水樣本和8 個雨水樣本為測試集，探究基于蒸餾水體系下的PLS 校正模型對實際水樣的預測能力。重點考察了Nor、MSC、SNV、D1st、D2nd 和WT 這6 種方法對水樣拉曼光譜的預處理效果，并對比了基于6 種預處理方法的PLS 校正模型的預測性能（圖3 和表2）。以R² 和Error 作為評價指標，通過留一交叉驗證法對導數法和WT 等方法參數進行優化，以獲得更準確的定量分析結果。PLS 模型參數-潛變量參數范圍均為1～20， D1st 和D2nd 的平滑點范圍為1～25（奇數）， WT 的小波基函數db2～db14， coif1～coif5，分解層數1～15。以Error 最小為原則對PLS 校正模型進行優化，選擇最佳的光譜預處理方法。

2.3 基于混合水樣的互信息-偏最小二乘（MI-PLS）校正模型

為了建立穩定性好的PLS 校正模型，分別以8 個蒸餾水樣本和9個混合水樣本作為校正集、8個河水樣本和8 個雨水樣本為測試集，考察混合水樣體系下PLS 校正模型對實際水樣的預測能力。變量選擇是提升多元校正模型預測能力的重要策略之一，能夠剔除與當前學習任務無關或相關性較低的冗余特征，利用特征重要性評價函數和搜索策略，獲得近似最優的特征子集。針對復雜水環境體系MPs 拉曼光譜的復雜性和高維度性等特征，采用MI 理論方法進行特征選擇[28]，將篩選后剩余有用特征進行PLS建模。MI 是衡量相關性的參數，可以反映特征變量之間的任意關系，有助于定量分析。