土壤有机污染物激光诱导荧光光谱检测方法研究进展
王翔1,2,3, 赵南京1,3,*, 俞志敏2, 孟德硕1,3, 肖雪1,3, 左兆陆1,3, 马明俊1,3, 杨瑞芳1,3, 刘建国1,3
1. 中国科学院环境光学与技术重点实验室, 中国科学院安徽光学精密机械研究所, 安徽 合肥 230031
2. 合肥学院, 安徽 合肥 230601
3. 安徽省环境光学监测技术重点实验室, 安徽 合肥 230031
*通讯联系人 e-mail: njzhao@aiofm.ac.cn

作者简介: 王翔, 1988年生, 合肥学院硕士研究生 e-mail: amoeba0101@163.com

摘要

土壤有机物污染源广、 危害程度高、 监测手段有限, 是继水污染、 大气污染又一个引起全球关注的环境问题。 土壤有机污染快速在线检测分析对农业生产、 土壤调查、 土质修复有着重要的意义。 激光诱导荧光(LIF)光谱技术是一种基于光致发光的物质成分和含量分析技术, 具有样品使用量少、 预处理过程简单、 检测速度快等特点, 在环境科学、 生物分析、 生命科学等众多领域有广泛应用。 国内外研究人员展开大量研究工作, 已形成较完善的方法体系及技术设备。 文章介绍了LIF测量系统的组成结构和工作原理, 综述了现阶段LIF技术在土壤有机污染物检测研究进展, 重点包括土壤中油类污染物、 多环芳烃污染物、 有机农药污染物的识别及定量分析方法等, 以及仪器开发过程中涉及的相关问题, 给出了LIF技术在土壤有机污染物检测方面的发展趋势, 为进一步发展基于LIF技术的土壤有机污染物现场快速检测仪器提供参考。

关键词: 激光诱导荧光光谱; 油类; 多环芳烃; 有机农药; 发展趋势
中图分类号:O433 文献标志码:A
Detection Method Progress and Development Trend of Organic Pollutants in Soil Using Laser-Induced Fluorescence Spectroscopy
WANG Xiang1,2,3, ZHAO Nan-jing1,3,*, YU Zhi-min2, MENG De-shuo1,3, XIAO Xue1,3, ZUO Zhao-lu1,3, MA Ming-jun1,3, YANG Rui-fang1,3, LIU Jian-guo1,3
1. Key Laboratory of Optics and Technology, Anhui Institute of Optics and Fine Mechanics, Chinese Academy of Sciences, Heifei 230031, China
2. Department of Biological and Environmental Engineering, Hefei University, Hefei 230601, China
3. Key Laboratory of Optical Monitoring Technology for Environment, Anhui Province, Heifei 230031, China
Abstract

The organic pollution of soils, which is second to the pollution of air and water, has become a serious environmental problem all around the world, However, it has to face a range of challenges such as multi-pollutants, limited detection methods and widespread hazards . Laser induced fluorescence (LIF) spectroscopy technique has become a powerful method for the analysis of the elemental composition of materials.Due to the fact that it requires no need for sample preparation and rapid detection in Laboratory and on site conditions, it has been widely applied in a large variety of fields, such as environmental analysis, biological detection and biological science. Many researchers have focused on the research of quantitative Analysis with LIF. This paper gives a review of the mechanism of LIF technique and the progress of LIF technology, describing the progress development of LIF technology on organic pollution in soils, the qualitative and quantitative analysis methods of oil pollutants, polycyclic aromatic hydrocarbons and organic pesticides in soils are included in the LIF detection in soils. In addition, this paper describes the instrument development of LIF technology and inquiries about the developing prospect of LIF instruments, and also provides a reference on the developing prospect of LIF instruments.

Keyword: Laser-induced fluorescence spectroscopy; Oil; Polycyclic aromatic hydrocarbons; Organic pesticides; Development tendency
引言

土壤有机污染物主要来源于工业油类泄漏、 化石燃料或废弃物不完全燃烧产生的多环芳烃以及农耕过程中使用的有机农药等。 随着我国工业化进程迅速推进, 石化产品消耗量、 农业生产中化肥、 有机农药投放量增加, 土壤遭受有机污染物侵害的速度和范围不断扩大, 严重影响农作物产量和品质, 降低地下水、 地表水、 环境大气质量, 给人体健康造成潜在威胁。 因此对土壤有机污染物快速定性和定量分析具有重要意义。 激光诱导荧光(laser induced fluorescence, LIF)技术基于石油烃中大分子有机物、 多环芳烃中苯系物、 农药中有机磷等的荧光基团在激光作用下发射的特征荧光光谱进行污染物识别定量分析, 有助于迅速掌握土壤有机污染物的来源、 污染程度等信息, 为土壤污染风险评价及土壤修复提供技术支持和数据参考。

LIF技术是一种基于激光照射样品激发荧光, 根据荧光光谱特征和强度进行物质定性定量分析的技术[1]。 利用连续或脉冲激光作为光源, 照射液体、 气体、 固体等待测样品, 样品粒子的外层电子吸收激光能量产生能级跃迁, 从基态跃迁至第一激发态或更高能级, 处于激发态的电子不稳定, 在跃迁回基态过程中发射光子, 产生荧光[2, 3, 4], 然后通过透镜汇聚, 光纤传输荧光至光谱仪、 光电倍增管等光电检测系统进行分光探测, 由电荷耦合器件(charge-coupled device, CCD)等成像, 将光信号转变为电信号, 结合分类识别和化学计量等相关算法进行信号处理实现待测样品组分识别和定量分析[5]。 相对于传统有机物检测分析技术, 如高效液相色谱、 紫外-可见光分光光度法、 吸光光度法等, LIF技术具有快速、 灵敏、 样品预处理简单等优点, 被广泛应用于现场、 在线监测分析[6], 环境检测[7, 8]、 食品安全[9, 10]、 材料科学[11]、 医学[12, 13]、 及航空探测[14, 15]等不同学科领域都有较大的发展潜力。

由于近年来微电子技术、 材料科学以及激光技术的进步, LIF技术得到了快速发展[16]。 作为一种新兴的光谱检测技术, LIF技术以其取样量少、 实时、 检测效率高等优势, 在科研、 生产领域有广泛的应用。 本文主要介绍LIF系统组成结构、 工作原理、 LIF光谱定性定量分析方法、 LIF技术在土壤有机污染物检测技术方面的应用, 并给出LIF技术在土壤中有机污染物检测应用存在的一些问题及未来发展趋势。

1 LIF系统简介

激光诱导荧光实验测量系统原理框图如图1所示。 系统主要由激光器、 检测光路、 光电检测器以及数据处理模块组成。 激光器发射固定波长的脉冲激光, 经反射镜反射后作用在样品上; 步进电机控制样品台旋转, 确保激光不重复打点; 样品中荧光基团受激产生荧光, 荧光经透镜汇聚后通过光纤传送至单色仪狭缝, 经准直元件、 色散元件后在焦平面上按空间波长形成一系列的像点, 再由光电检测器探测各波长点荧光强度并转化为电信号传输至计算机, 利用相关软件和算法对荧光光谱数据处理分析, 探索样品中待测组分类型、 含量与光谱信息之间的联系。

图1 LIF实验装置示意图Fig.1 Schematic diagram of the LIF experiment set-up

固体激光器、 半导体激光器等是实验系统中常用的激光器。 固体激光器具有输出功率大、 使用寿命长、 能量波动小等优点; 半导体激光器由于其成本低、 质量轻、 寿命长、 体积小等特点, 更适合嵌入便携式检测系统。

检测光路包括滤光片、 聚焦透镜、 光纤等, 用于激光能量密度调节及荧光收集。 常用的检测光路有透射式光路、 斜入射式光路, 但这两种结构简单荧光收集效率有限。 采用共扼焦点技术的共聚焦式检测光路可以提高荧光收集效率。

付舰航等[17]研制了一种共聚焦式光路结构的微流控芯片分析仪。 其光学结构如图2所示。 激光束经前置滤光片滤光后, 再通过分光滤光镜和聚焦透镜作用于芯片的电泳通道。 由激光诱导的荧光透过分光镜后经过滤光片滤光、 收集透镜聚焦于小孔, 由光电倍增管将其转换为电信号, 提高了系统的灵敏度。 但是共聚焦式光路的调节相对复杂, 适合实验室检测分析, 现场实用性较小。

图2 共聚焦式LIF装置示意图Fig.2 Schematic diagram of the confocal LIF set-up

2 LIF光谱数据分析

仪器因素、 环境背景噪声等都会对光谱数据造成误差干扰。 为了提高荧光光谱数据的可靠性, 需要对采集的光谱数据进行预处理, 通常利用中心化变换、 均值化变换、 极差化变换等方法, 消除不同变量间因量级、 数据分布等引起的误差影响。 降低荧光光谱噪声通常采用平滑处理, 其基本思想是利用样品多点荧光强度的平均值代替这几个点中心的荧光值。 以达到提高信噪比, 降低噪声的目的。

结合化学计量法和模式识别法如主成分分析(principal component analysis, PCA), 偏最小二乘法(partial least square), 分层聚类分析(hierarchical clustering analysis, HCA), 支持向量机(support vector machine, SVM), 人工神经网络(artificial neural network, ANN )可对样品成分进行识别、 预测。

Yang等[18]基于LIF技术和反射光谱法对水稻中叶氮含量(leaf nitrogen content, LNC)进行预测, 利用PCA提取了荧光特征因子的前三个主成分, 其方差累积值达95.38%与97.76%, 再利用反向传播神经网络(back-propagation neural network, BPNN)对LNC进行预测, 实验结果表明, PCA-BPNN模型对LNC预测时, LIF技术的准确性高于反射光谱法。 PCA-BPNN模型可应用于水稻中LNC预测。

采用合适的校正方法如标准曲线法及基于主成分分析的主成分回归、 偏最小二乘回归、 多元校正方法, 克服基体效应对分析结果的影响。 通过建立线性回归方程对样品成分进行定标分析, 计算待测组分含量。

蔡元丽等[19]利用毛细管电泳-激光诱导荧光法测定样品溶液中抗癫痫药加巴喷丁含量。 以加巴喷丁衍生产物的峰面积与内标衍生产物峰面积的比值对加巴喷丁质量浓度作线性回归, 结果表明加巴喷丁在0.01~10 mg· L-1范围内呈良好线性关系, 检出限为2 μ g· L-1。 该方法实现了巴喷丁的高灵敏检测, 可应用于血液中加巴喷丁含量分析。

3 LIF研究进展
3.1 土壤油类污染物检测

土壤中油类污染主要来源于石油烃类产品开采、 炼制、 储存、 转运过程中产生的油污排放和泄漏, 石油烃类燃烧生成的大气污染物沉降, 以及作为各种杀虫剂、 防腐剂、 除草剂的溶剂或乳化剂等。

油类粘稠度高、 亲水性差, 进入环境土壤后破坏土壤水气平衡, 降低土壤活性, 影响植物生长及微生物种群结构, 更有可能渗入浅层地下水, 造成水源污染和扩散。 土壤中石油烃类通过挥发、 扩散、 转移造成大气污染, 此外污染物可通过呼吸, 作物富集等行为进入人体, 对人体造伤害[20, 21, 22]。 油类污染土壤造成的危害已引起广泛重视, 监测油类土壤污染状况具有重要意义。

常用石油类有机污染物分析方法有色谱法与重量法[23, 24, 25], 包括高效液相色谱、 气相色谱、 二氯甲烷抽提重量法等, 这些方法需要利用不同的有机溶剂对土壤中油类有机物进行萃取, 样品预处理相对复杂。 近年来LIF技术由于操作简单、 检测效率高, 已经开始应用在土壤中油类污染物的直接检测。

不同油类具有不同的组分及分子结构, 在激光激发下呈现出具有各自特征的荧光光谱, 利用LIF技术可以对不同油污土壤成分进行识别。

韩晓爽等[26] 利用PCA特征提取方法和SVM模型识别方法对柴油、 汽油、 重质燃料油以及五种原油的激光诱导荧光光谱进行识别分析。 结果显示识别精度达到100%, LIF技术可以作为油类鉴别的依据之一。 Mu等[27]采用355nm激光激发不同发动机油产生荧光和磷光光谱, 使用荧光光谱仪和增强型CCD检测荧光, 用多变量分析方法对发动机油品牌进行分类, 识别率高达100%。 Meng等[28]使用266 nm激光激发多个品牌发动机油, 收集各类油品60组荧光光谱进行PCA分析, 使用聚类分析法和SVM识别方法进行油类识别, 识别精度达到100%。 Fan等[29]利用PCA研究了在266和355 nm发射波长下的九种不同燃料的时间分辨激光诱导荧光光谱。 结果显示, LIF技术可用于石油类燃料的鉴别, 实验还通过荧光猝灭效应研究了混合燃料中生物质柴油的含量检测, 结果显示, 利用LIF技术可对混合燃料中生物柴油进行定量分析。

对有机污染物荧光强度与污染物浓度构建线性方程可对土壤中有机污染物的含量进行定量分析。

王忠东[30]等利用荧光光谱测量分析法研究了水和土壤中原油、 机油、 柴油三种矿物油的荧光特性, 结果表明, 矿物油具有较强的荧光, 在浓度0.0~1.0 mg· kg-1范围内, 其荧光强度与矿物油的浓度成线性关系, 在水中和土壤中的最低检测浓度分别为0.005和0.01 mg· kg-1。 LIF技术可应用于土壤中石油污染物的检测分析。

由于LIF技术对实验室条件依赖度小, 操作便捷, 适用于现场实时监测, 常被利用于石油污染程度的鉴别, 石油泄漏监测等。 Hengstermann[31]等结合激光诱导荧光光谱法与锥体渗透试验法对土壤中的石油烃进行原位分析, 构建现场油污独立监测系统, 该系统可应用于地表和地下土壤油污分析。 Lohmannsroben等[32]利用激光诱导荧光光谱法对30个石油产品污染的土壤样品进行原位分析。 与未受污染的实验室参考土壤相比, 23个土壤样品表现出较为显著的LIF信号, 被归类为受污染土壤。 此外还实验研究了LIF原位分析的可重复性, 结果显示重复性良好。 Marowsky等[33]建立了用于环境分析的激光诱导荧光-光纤传感系统, 利用波长为266 nm的小型固体激光器作为激发源, 采用时间分辨光谱仪、 增强型CCD作为光谱分离与探测器件。 通过多变量校准技术分析了天然水样品中的二甲苯和河水中的荧光示踪剂磺酰罗丹明G, 检测限分别为10 μ g· L-1和10 ng· L-1; 此外该系统还能够检测土壤中浓度高于100 mg· kg-1的油类污染。

激光诱导荧光技术作为一种能够用于土壤中油类污染物定性和定量分析的新型检测技术, 具有准确度高、 操作简便和可实现现场快速检测等优点, 为土壤中油类污染程度、 污染来源和扩散范围的检测分析提供了新方法。

3.2 土壤多环芳烃污染物检测

多环芳烃(polycyclic aromatic hydrocarbons, PAHs)是指分子中含有两个及两个以上苯环的碳氢化合物。 它来源于石油、 烟草、 木材、 煤、 有机高分子化合物等不完全燃烧以及垃圾焚烧填埋。 这些污染物经过大气沉降、 污水灌溉等进入土壤系统, 对以土壤为基质的动植物, 人类生产生活构造潜在威胁。

多环芳烃物理、 化学性质稳定, 具有慢性毒性、 致癌、 致畸、 致突变等危害, 易在生物体内富集, 并通过食物链对人体健康造成危害, 是世界范围内重点关注的环境污染物之一。 对土壤中PAHs进行快速、 现场监测具有重要意义, LIF技术应用于土壤中PAHs监测已成为国内外学者研究重点。

为了验证LIF技术直接检测土壤中PAHs的可行性, 研究人员通过实验室制备相应的PAHs土壤样品, 建立了PAHs浓度和荧光强度的定量关系, 研究表明, 在一定浓度范围内, PAHs的浓度和其荧光强度呈显著线性关系, LIF技术可应用于土壤中直接PAHs的检测。

Bublitz等[34]以337 nm波长紫外激光为光源, 研究了水和土壤样品中芳香烃的时间分辨激光诱导荧光光谱, 结果显示芳香烃在水中的检测限为0.5 mg· L-1, 在土壤中的检测限5 mg· kg-1。 Boas等[35]研究了激光诱导荧光系统用于土壤多环芳烃现场检测的可行性, 实验表明, 在0~1 000 mg· kg-1范围内, 多环芳烃浓度与荧光强度之间成线性关系。 LIF技术可作为土壤多环芳烃检测的新方法。 Lee等[36]利用偏最小二乘回归法研究了菲、 芘等多环芳烃浓度与其LIF强度之间的关系, 并将所得的LIF光谱强度与高效液相色谱测得的结果进行对比, 其相关系数分别为0.96和0.90, 表明LIF技术可对实验室配置样品进行定性与定量检测。 何俊等[37, 38]制备了不同质量分数蒽的土壤样品, 利用355 nm波长激光激发样品, 获得荧光光谱信息, 结果表明, 不同浓度多环芳烃蒽和其荧光强度成良好的线性关系(其相关系数为0.999)。 LIF技术可以对土壤中蒽进行直接定量检测分析。

为提高PAHs检测效果, 研究人员考察了PAHs分子特征、 土壤中水分含量、 粒径大小等因素对PAHs荧光光谱的影响。

Ko等[39, 40]先研究了水分含量和粒度分布等土壤基质条件对激光诱导荧光系统检测多环芳烃污染物的影响, 实验表明, 在不同土壤基质条件下, 多环芳烃的浓度与荧光强度均有显著相关性(R2> 0.97), 而其他因素影响也不可忽略。 此外还研究了土壤基质矿物成分、 溶剂、 水分对土壤样品中多环芳烃LIF荧光强度的影响, 结果表明, PAHs在不同土壤矿物表面上存在不同类型的结合方式, PAHs污染土壤荧光光谱可随PAHs在土壤中形态变化而改变。 张鹏等[41]研究了苯、 甲苯、 萘、 菲、 蒽、 芘和屈等不同环数的芳香烃及不同芳香烃混合物的LIF光谱。 结果表明, 芳香烃苯环数是荧光发射光谱的主要决定因素, 芳香烃的苯环数相同但结构不同对荧光光谱范围基本没有影响。 但荧光发射光谱是元素、 基团的指纹谱, 应和基团及分子结构相关, 出现该实验结果的原因需进行深入的研究。 为LIF技术的实际应用提供更多参考信息。 杨仁杰等[42]通过构建同步和异步二维相关荧光光谱, 研究了土壤粒径大小对多环芳烃蒽的荧光特性影响, 建立了80目和160目土壤粒径下土壤蒽浓度的标准曲线, 并通过304 nm处瑞利散射光对蒽荧光进行校正。 结果表明该方法有效降低了土壤粒径大小对蒽标准曲线的影响。

土壤基质中二氧化硅等化学成分在紫外激光作用下会产生荧光, 对土壤中微量有机污染物检测时会出现两者荧光累加的状况, 研究合适的土壤化学成分背景荧光去除方法是提高土壤有机污染物含量分析准确性的手段之一, 目前仍需要研究人员对此作相关探索。

3.3 土壤中农药检测

农业现代化进程加快促使农药用量大幅增长, 当杀虫剂、 灭菌剂、 除草剂等, 施加于土壤、 植被后遗留的农药超过环境土壤自净能力时, 会对土壤中可以改善土壤结构功能的微生物、 动植物造成破坏性伤害; 降低土壤活性; 农药被作物吸收富集, 经食物链在人体中累积, 对人体造成危害; 通过环境迁移, 生态系统循环对水资源, 大气造成污染。

对土壤农药污染检测是衡量土壤污染程度的重要参考之一。 常见的有机磷、 有机氯农药检测分析方法有色谱技术(气相色谱和液相色谱)[43, 44]以及气相色谱质谱联用技术[45], 但是以上方法需要消耗大量的药剂且仪器昂贵。 LIF技术操作简单、 便捷可实现农药污染物、 农药残留物的快速检测识别。

Diaw等[46]利用直接激光诱导荧光方法测定两种苯脲杀虫剂非草隆、 伏虫脲。 利用可调谐激光激发农药产生荧光, 通过选择合适的激发波长提高选择性。 在浓度范围分别为0.02~10和0.08~8 mg· kg-1内 。 两种农药浓度与荧光强度呈线性关系。 Mbaye等[47]搭建了直接激光诱导荧光高效液相色谱(direct laser photo-induced fluorescence high performance liquid chromatography, DL-PIF-HPLC)检测系统, 同时检测了萎锈灵、 杀草利、 敌稗三种苯胺类农药。 相对于传统的PIF方法, 增加了灵敏度, 并且减少了分析时间, 检测限在mg· kg-1范围内。 其农药浓度与荧光强度的线性拟合关系如图3所示。

图3 萎锈灵, 杀草利的激发波长为245 nm, 敌稗的激发波长为255 nm; 萎锈灵、 杀草利、 敌稗的PIF荧光检测波长设置在370, 354和464 nmFig.3 Calibration curves of carboxin, monalide and propanil; Laser irradiation is set at 245 nm for carboxin and monalide and 255 nm for propanil. PIF fluorescence detection is set at 370 nm for carboxin, 354 nm for monalide, and 464 nm for propanil

毛细管电泳(capillary electrophoresis, CE)[48, 49, 50]是以高压电场为驱动力, 以毛细管为分离通道, 依据样品中各组分之间分配系数的差异而实现高效、 快速分离的一类新型液相分离技术。 CE技术与LIF技术联用, 非常适合环境中痕量有机农药毒药的检测分析。

杨玉林等[51]通过CE-LIF技术对灭除威、 混杀威、 灭虫威三种氨基甲酸酯类农药的水解产物进行检测, 实验基于农药水解产生的甲胺与荧光衍生试剂4-氯-7-硝基-2, 1, 3-苯并二唑(NBD-C1)进行衍生化反应, 再用CE-LIF检测法测定。 结果显示三种农药的检出限分别可达3.0× 10-9, 1.0× 10-9, 3.0× 10-9 mol· L-1, 相对标准偏差在2.22%~3.37%(n=7)范围内。 曹丽伟等[52]建立了一种快速、 有效的CE-LIF检测系统, 用于有机磷除草剂草甘膦、 草胺膦、 草甘膦代谢衍生物氨甲基膦酸的检测, 在实验条件下测得草甘膦、 草胺膦、 氨甲基膦酸的检出限分别为3.21, 6.14和1.99 ng· kg-1, 可满足实际样品中有机磷农药及其代谢物残留的检测要求。 Zhou等[53]结合CE-LIF技术检测了有机磷杀虫剂草铵膦、 氨基甲基膦酸、 草甘膦, 检测限分别为2.8, 3.6和32.2 mg· kg-1。 Chen等[54]利用CE-LIF技术结合荧光量子点测量了蔬菜中农药噻虫嗪、 啶虫脒、 吡虫啉残留物, 在实验条件下检测限为0.05, 0.01和0.009 mg· kg-1。 王忠东等[55]研究了氨基甲酸酯类有机杀虫剂西维因及其水解物在溶剂和土壤中的LIF荧光特性, 结果表明, 农药西维因在溶剂和土壤中同样存在较强的荧光, LIF技术可以对土壤中农药有机物进行直接检测。

目前LIF技术应用在土壤中农药毒药直接检测的研究还不多, 有待于进一步的工作。

4 发展趋势

LIF技术作为一种新型的光谱检测方法, 在土壤有机污染物检测领域有着广泛的应用前景, 但LIF技术仍有以下几个方面需要完善和提高。

(1)研究土壤基质对LIF光谱的影响机制, 实现荧光光谱的背景去除与校正。 土壤成分比较复杂, 除了不同矿物成分之外, 土壤的颗粒大小、 含水量、 有机腐殖质都会对有机物荧光造成一定干扰, 研究合适的实验方法去除土壤有机物LIF光谱干扰因素是LIF技术发展的重点之一。 研究人员提出了土壤基质的漫反射率校正方法等, 减少了土壤基质对LIF信号干扰, 但需要进行更深层次研究。

(2)提高荧光收集效率, 实现微弱荧光信号的高灵敏检测。 环境土壤中痕量有机污染物的荧光微弱不容易检测。 设计改进荧光收集系统和高灵敏检测系统有利于提高微弱荧光的收集效率, 是提高LIF仪器精确性的关键。 微弱荧光信号的高灵敏检测亟待进一步研究。

(3)研究光谱分离算法, 实现有机污染物的多组分准确识别。 当环境样品中有机污染物种类较多时, 尤其是有机混合物中存在同分异构体时, 其荧光信号重叠严重, 难以鉴别, 对有机污染物的定性造成困难。 目前荧光信号分离定性还没有效果较显著的方法, 对于未知混合有机物污染物的定性定量存在一定难度。 研究合适的光谱分离算法有利于多组分有机物准确识别。

(4)开发便携化、 小型化、 专用化LIF仪器, 扩展LIF技术的现场检测能力。 现有的LIF系统大多依赖于实验室环境, 复杂的外场环境要求LIF仪器能够满足样品的现场快速检测, 便携式的LIF仪器将应运而生以应对某些突发状况、 现场检测分析等, 从而扩大LIF技术现场快速高灵敏检测应用。

5 结论

相比传统检测手段, LIF技术具有取样量少、 样品预处理简单、 检测效率高等优势, 在环境监测、 食品安全、 生物科学、 地质勘查等多领域有广泛的应用。 本文介绍了LIF技术原理、 系统构造、 光谱分析方法, 综述了LIF技术在土壤有机污染物检测的研究进展, 包括土壤有机污染的来源及危害、 利用LIF技术对油类、 多环芳烃、 农药等土壤有机污染物的荧光光谱获取方法、 特征光谱识别以及定量分析方法等。 LIF技术作为一种新方法应用在土壤有机物的检测可实现土壤油类、 多环芳烃、 农药等有机污染物的快速定量定性分析, 为土壤污染成分、 污染来源、 扩散范围、 污染危害程度提供数据参考, 为土壤在线监测、 污染土壤修复提供依据。 LIF技术在土壤有机污染物的现场高灵敏度检测有着广泛的应用前景。

The authors have declared that no competing interests exist.

参考文献
[1] Mosburger M, Sick V. Applied Physics B: Lasers and Optics, 2010, 99(1): 1. [本文引用:1]
[2] Yuan S, Chin S L, Zeng H P. Chin. Phys. B, 2014, 24(1): 014208. [本文引用:1]
[3] Sun R, Zobel N, Neubauer Y, et al. Optics and Lasers in Engineering, 2010, 48(12): 1231. [本文引用:1]
[4] Trost J, Zigan L, Leipertz A, et al. Applied Optics, 2013, 52(33): 8001. [本文引用:1]
[5] XU Jin-gou, WANG Ben-zun(许金钩, 王尊本). Fluorescence Analysis(荧光分析法). Beijing: Science Press (北京: 科学出版社), 2006. [本文引用:1]
[6] Paghaleh S J, Askari H R, Rahimi M, et al. Journal of Luminescence, 2015, 161: 135. [本文引用:1]
[7] Utkin A B, Felizardo R, Gameiro C, et al. Proc SPIE, 2014, 9286: 928609. [本文引用:1]
[8] Taketani F, Kanaya Y, Nakamura T, et al. Journal of Aerosol Science, 2013, 58: 1. [本文引用:1]
[9] CHEN Guan-hua, SUN Juan, DAI Yong-jia, et al(陈冠华, 孙娟, 代永佳, ). Electrophoresis(电泳), 2012, 33(14): 2192. [本文引用:1]
[10] MU Tao-tao, CHEN Si-ying, ZHANG Yin-chao, et al(牟涛涛, 陈思颖, 张寅超, ). Food Analytical Methods(食品分析方法), 2016, 9(1): 275. [本文引用:1]
[11] Htun M T. Journal of Polymer Research, 2012, 19(2): 9823. [本文引用:1]
[12] LIU Wei, ZHANG Xiao-he, LIU Kun-ping, et al(刘伟, 张小何, 刘坤平, ). Chinese Science Bulletin(科学通报), 2013, 58(17): 2003. [本文引用:1]
[13] Khosroshahi, Mohamad E, Rahmani M, et al. Journal of Fluorescence, 2012, 22(1): 281. [本文引用:1]
[14] Eshelman E, Daly M G, Slater G, et al. Planetary and Space Science, 2015, 119: 200. [本文引用:1]
[15] Storrie-L M C, Muller J P, Fisk M R, et al. Astrobiology, 2009, 9(10): 953. [本文引用:1]
[16] Ban E, Song E J. Journal of Chromatography. B, Analytical Technologies in the Biomedical and Life Sciences, 2013, 929: 180. [本文引用:1]
[17] FU Jian-hang, LIU Wei(付舰航, 刘威). Chinese Journal of Analysis Laboratory(分析试验室), 2014, (11): 1345. [本文引用:1]
[18] YANG Jian, SHI Shuo, GONG Wei, et al(杨健, 史硕, 龚威, ). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(2): 537. [本文引用:1]
[19] CAI Yuan-li, YANG Jia-jia, WANG Yu-fei, et al(蔡元丽, 杨甲甲, 王宇飞, ). Chinese Journal of Chromatography(色谱), 2010, 28(12): 1179. [本文引用:1]
[20] Tang J C, Wang M, Wang F, et al. Journal of Environmental Sciences, 2011, 23(5): 845. [本文引用:1]
[21] Adebiyi F M, Adeyemi A F. Chemistry and Ecology, 2010, 26(2): 137. [本文引用:1]
[22] Zargar M, Sarrafzadeh M H, Taheri B, et al. Petroleum Science and Technology, 2013, 31(24): 2585. [本文引用:1]
[23] YANG Hui-juan, LIU Wu-xing, LUO Yong-ming, et al(杨慧娟, 刘五星, 骆永明, ). Soils(土壤), 2014, 46(1): 134. [本文引用:1]
[24] MA Song-jiang, LUO Dao-cheng(马淞江, 罗道成). Metallurgical Analysis(冶金分析), 2017, 37(2): 7. [本文引用:1]
[25] WANG Ru-gang, WANG Min, NIU Xiao-wei, et al(王如刚, 王敏, 牛晓伟, ). Chinese Journal of Analytical Chemistry(分析化学), 2010, 38(3): 417. [本文引用:1]
[26] HAN Xiao-shuang, LIU De-qing, LUAN Xiao-ning, et al(韩晓爽, 刘德庆, 栾晓宁, ). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(2): 445. [本文引用:1]
[27] Mu T T, Chen S Y, Zhang Y C, et al. Analytical Letters, 2016, 49(8): 1233. [本文引用:1]
[28] Meng F D, Chen S Y, Zhang Y C, et al. Analytical Letters, 2015, 48(13): 2090. [本文引用:1]
[29] Fan Z, Schroeder O, Krahl J, et al. Land Bauforschung, 2015, 65(1): 1. [本文引用:1]
[30] WANG Zhong-dong, MA Qing-wan(王忠东, 马庆万). Optics and Precision Engineering(光学精密工程), 2010, (4): 842. [本文引用:1]
[31] Hengstermann T, Schultze R H, Wollenhaupt H, et al. Field Screening Europe, 2002: 299. [本文引用:1]
[32] Lohmannsroben H G, Roch T. Journal of Environmental Monitoring, 2000, 2(1): 17. [本文引用:1]
[33] Marowsky G, Lewitzka F, Bunting U, et al. Proc SPIE, 2001, 4205: 218. [本文引用:1]
[34] Bublitz J, Christophersen A, Schade W. Fresenius Journal of Analytical Chemistry, 1996, 5(6): 684. [本文引用:1]
[35] Boas Gary. Biophotonics International, 2004, 11(5): 16. [本文引用:1]
[36] Lee C K, Ko E J, Kim K W, et al. Water, Air, and Soil Pollution, 2004, 158(1): 261. [本文引用:1]
[37] HE Jun, DENG Hu, WU Zhi-xiang, et al(何俊, 邓琥, 武志翔, ). Opto-Electronic Engineering(光电工程), 2011, 6: 105. [本文引用:1]
[38] HE Jun, SHANG Li-ping, DENG Hu, et al(何俊, 尚丽平, 邓琥, ). Opto-Electronic Engineering(光电工程), 2014, 9: 51. [本文引用:1]
[39] Ko E J, Lee C K, Kim Y J, et al. Environmental Technology, 2003, 24(9): 1157. [本文引用:1]
[40] Ko E J, Kim K W, Park K, et al. Sensors, 2010, 10(4): 3868. [本文引用:1]
[41] ZHANG Peng, LIU Hai-feng, YUE Zong-yu, et al(张鹏, 刘海峰, 岳宗宇, ). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2015, 35(6): 1592. [本文引用:1]
[42] YANG Ren-jie, DONG Jia-mei, YANG Yan-rong, et al(杨仁杰, 董桂梅, 杨延荣). Optics and Precision Engineering(光学精密工程), 2016, 11: 2665. [本文引用:1]
[43] ZHANG Li, LIU Teng-fei, YANG Dai-feng, et al(张丽, 刘腾飞, 杨代凤, ). Environmental Science & Technology(环境科学与技术), 2015, 38(10): 134. [本文引用:1]
[44] ZHU Yong-zhu, FENG Ya-nan, JIN Zheng-han, et al(朱永哲, 冯雅男, 金正汉, ). Chinese Journal of Chromatography(色谱), 2013, 31(9): 850. [本文引用:1]
[45] LUO Min, WANG Lu, HE Ze-ying, et al(罗铭, 王璐, 贺泽英, ). Environmental Chemistry(环境化学), 2014, 33(12): 2216. [本文引用:1]
[46] Diaw P A, Maroto A, Mbaye O M A, et al. Talanta, 2013, 116: 569. [本文引用:1]
[47] Mbaye O M A, Maroto A, Gaye S M D, et al. Talanta, 2015, 132: 909. [本文引用:1]
[48] Elbashir A A, Aboul-Enein H Y. Biomedical Chromatography, 2015, 29(6): 835. [本文引用:1]
[49] Bol’shakova D S, Amelin V G. Journal of Analytical Chemistry, 2016, 71(10): 965. [本文引用:1]
[50] Saiz J, Thanh D M, Hauser P C, et al. Electrophoresis, 2013, 34(14): 2078. [本文引用:1]
[51] YANG Yu-lin, ZHAO Xiao-yin, ZHAO Wen-jie, et al (杨玉林, 赵晓寅, 赵文杰, ). Journal of East China Normal University·Natural Science(华东师范大学学报·自然科学版), 2012, 5: 54. [本文引用:1]
[52] CAO Li-wei, LIANG Si-liu, TAN Xiao-fang, et al(曹丽伟, 梁丝柳, 谭小芳, ). Chinese Journal of Chromatography(色谱), 2012, (12): 1295. [本文引用:1]
[53] Zhou L, Luo Z, Wang S, et al. Journal of Chromatography, 2007, 1149(2): 377. [本文引用:1]
[54] Chen G H, Sun J, Dai Y, et al. Electrophoresis, 2012, 33(14): 2192. [本文引用:1]
[55] WANG Zhong-dong, MA Qing-wan(王忠东, 马庆万). Optics and Precision Engineering(光学精密工程), 2010, (4): 842. [本文引用:1]