营养元素含量

安全的饮用水是人类健康的基本保障，是关系国计民生的重要公共健康资源。GB 5749-2022《生活饮用水卫生标准》已于2023年4月1日正式实施，GB/T 5750-2023《生活饮用水标准检验方法》作为GB 5749配套的检验方法，也于2023年10月1日正式实施。新标准将原标准中的“非常规指标”调整为“扩展指标”，以反映地区生活饮用水水质特征及在一定时间内或特殊情况的水质特征。指标数量由原标准的106项调整为97项，包括常规指标43项和扩展指标54项。与原标准相比，新标准的变化主要有以下几个方面：①更加关注感官指标；②更加关注消毒副产物；③更加关注风险变化；④提高部分指标限值。在标准检验方法中也大幅增加了高通量的分析方法和质谱技术的应用范畴。仪器信息网特别建立“《生活饮用水标准检验方法》——质谱篇”话题，聚焦质谱技术在生活饮用水检测工作相关的最新应用解决方案，以增强业界质谱专家和技术人员、疾控中心相关机构工作者之间的信息交流，同时向仪器用户提供饮用水检测领域更丰富的质谱产品、技术解决方案。本文邀请到赛默飞分享生活饮用水检测中ICP-MS相关的技术及解决方案。表1总结了GB 5749-2022中涉及到的元素和限量以及GB/T 5750-2023的检测方法，可以看出，主要包含的仪器方法有分光光度计、AFS、AAS、ICPOES、ICPMS、LC-ICPMS法等，而ICP-MS作为无机元素检测分析的主要方法之一，因其灵敏度高、动态线性范围宽、检出限低而越来越多的被使用，同时，GB/T 5750-2023还新增了砷、硒、汞、铬四种元素形态分析检验方法，均涉及到LC-ICP-MS联用。表1 GB/T 5750-2023中无机元素推荐检测方法案例分析——ICPMS对地表水和饮用水进行可靠性分析01 仪器参数氩气稀释功能（AGD）：AGD 所使用的氩气由仪器直接供应，并使用质量流量计进行精确调节。采用低、中、高三档预设的智能化在线氩气稀释模式，确保仪器性能的可靠性，实现卓越的长期稳定性分析。iSC-65 自动进样器：通过 LED 面板实现仪器状态可视化，具备独特的“Step ahead”功能，使两个相邻样品的分析时间重叠，最终缩短每个样品的周转时间。单位样品分析时间（对共 46个元素进行3次重复分析，包括提升和清洗时间 ）为2分38秒。ICPMS参数：自动进样器参数：样品和有证标准物质：与水样分析相关的一个主要挑战是高度可变的基质负荷。尽管饮用水中主要分析物（如碱性和碱土元素）的浓度可能大有不同，但河水、湖水或井水等地表水也可能含有大量的过渡金属，特别是铁。此外，溶解有机物和微生物可能影响分析，导致基质效应增加，进而导致信号抑制和漂移。为了覆盖广泛的潜在样品基质，共采集并分析了七份水样（包括一份有证标准物质CRM）。标准溶液及其浓度：根据不同水质样品中元素的预期浓度，对这些元素进行分组，分析范围很广（从 0.001 mg L -1到500 mg L-1），只需一次分析即可获得有毒元素和营养元素含量。（浓度单位为mgL-1）02实验结果检出限：通过测量试剂空白溶液（与样品并行制备），确定溶液检出限 (DL)。对于所有元素，达到的检出限显著低于法规通常要求的限值。准确度和稳定性：分析有证标准物质(CRM) 样品SLRS-5（天然河水），CRM的结果与参考值非常一致。每天在 12 小时内连续采集 300 份饮用水和地表水样品，并在10个工作日内重复该操作，共分析约 3000份样品，10个工作日内的质量控制（QC）标准品重复140 次的平均回收率在90%-120%的范围内，证明系统具有稳健且可靠的分析性能。03元素形态分析不同元素形态分析的流动相和分析柱都会有所不同，所以分析流程耗时耗力。赛默飞可以提供采用同一个流动相条件，相同色谱柱在10min之内同时分析溴、碘、铬、砷不同形态，提高了分析效率。色谱条件：采用高效能AG19和AS19阴离子色谱柱、梯度洗脱的方式ICPMS仪器参数：iCAP RQplus ICPMS时间扫描tQuant模式具有多元素采集功能，采用氦气碰撞模式解决砷、铬、溴、碘元素多原子离子干扰问题砷、铬、溴、碘4种元素11种形态分离图：5种市售瓶装饮用水及当地自来水检测的加标回收率在85.6%到121.6%之间，完全满足分析需求。饮用水元素分析特点1. 测试高低含量的元素---要求仪器线性范围宽、准确度高2. 多样品多元素分析---要求仪器稳定性好、效率高3. 元素形态分析---要求仪器联机方便、色谱柱性能强使用 iCAP RQplus ICP-MS 结合 iSC-65 自动进样器就可轻而易举地对水质元素进行快速、准确且稳定的常规监测，也可以与LC/IC联用进行多元素形态的分析。更多关于GB/T 5750-2023《生活饮用水标准检验方法》的质谱检测技术与解决方案请点击》》》

德国元素 | 运用杜马斯法测定化肥中的含氮量最近东方甄选的董宇辉老师的一句“谷贱伤农”，引起了大家的共鸣。氮元素是植物及农产品生长所必需的营养元素之一。仅仅依靠土壤本身产生的氮元素难以满足植物生长所需，通常我们会对植物与农产品生长的土壤加施含氮化肥，以促使植物茁壮成长。如何达到精准施肥？明确了解含氮化肥中氮的含量，精准控制施肥才能达到植物生长动态平衡。如何测定含氮化肥中的氮含量？传统消化-蒸馏滴定法，即凯氏定氮法，具有繁复的操作步骤、耗时长、使用腐蚀性酸、无法自动化等，使实验室的分析效率无法满足发展要求。目前越来越多的用户更加关注杜马斯（dumas）燃烧定氮法，与传统的凯式法相比，不仅测试效率高、测试准确，而且自动化操作、几分钟即可获得结果，满足了实验室高速发展需求。杜马斯法目前已被收录至多个肥料测试标准中，如gb/t 15063-2020复合肥料、gb/t 21633-2020掺混肥料（bb肥）、ny/t 2542-2014肥料 总氮含量的测定、ny/t1977-2010 水溶肥料 总氮、磷、钾含量的测定、sn/t 肥料中总氮含量的测定 燃烧分析法等，得到了大家的认可与推广。德国元素elementar在杜马斯快速定氮分析仪的研发脚步从未停歇。自1964年公司推出世界第一台杜马斯定氮仪后，公司响应食品、农产品、肥料等样品的分析需要更大样品量的需求，于1989年，进一步推出了全球首款克级样品量的杜马斯定氮仪，逐步推动了杜马斯定氮法在法规中的应用。经典案例：肥料中氮含量检测仪器型号：rapid max n exceed进样量：300-400mg

中国中医科学院中药资源中心黄璐琦院士团队提出了注意力机制（AM）、卷积神经网络（CNN）和长短时记忆（LSTM）的集成深度学习模型辅助的高光谱成像(HSI)。实现了薏苡仁的地理来源和质量的定量、快速无损检测。相关研究成果在以题为“Application of hyperspectral imaging assisted with integrated deep learning approaches in identifying geographical origins and predicting nutrient contents of Coix seeds”发表在国际学术期刊Food Chemistry（IF= 8.688）上。通讯作者为黄璐琦院士和杨健副研究员。薏苡仁含有丰富的营养物质，包括淀粉、蛋白质和油脂等。具有受保护地理标志和高水平营养物质含量的地理来源保证了薏苡仁的质量，但无损和快速预测这些质量指标的方法仍有待探索。本文提出了注意力机制( Attention Mechanism，AM )、卷积神经网络（Convolutional Neural Networks，CNN）和长短时记忆（Long short-term memory）的集成深度学习模型辅助的高光谱成像( High Spectral Imaging，HSI )。该方法实现了有效波长的选择，生产区域判别的预测精度最高，营养物质含量预测的平均绝对误差和均方根误差最低。此外，通过AM模型选择的波长对于预测地理来源和营养元素含量具有可解释性和可靠性。提出的HSI与集成深度学习模型的结合在薏苡仁的质量评价中具有很大的潜力。研究亮点:1.引入注意力机制以增强深度学习模型的性能2.所提出的深度学习模型适用于营养和来源预测3.研究中所选波长是可解释且可靠的图1. ACLSTM模型的结构。ACLSTM模型由注意力机制( AM )、卷积神经网络( CNN )和长短期记忆网络( LSTM )三部分组成。CNN前面的AM模块用于评估重要波长的权重，并将结果作为CNN模块的输入。CNN模型由3个隐藏层、2个全连接层和1个回归层组成。在CNN模型的隐藏层的卷积层后面加入LSTM模型，替换第一层全连接层。图2 . 产地预测效果和AM选择识别的有效波长。(a)通过AM模型选择(AM -测试集)在全波长测试集和有效波长测试集上的预测精度；(b)产地预测中预测效果最好的ACLSTM模型的测试组结果；(c)通过AM选择波长。在产地预测中，采用权重值相对较高的前9个波长进行模型预测。此外，在油脂、蛋白质和淀粉的预测中，采用权重值相对较高的前6个波长进行模型预测。图3 . 来自最佳模型组的三种营养物质含量的参考值与预测值。(a) - (c)使用基于全波长的最佳模型ACLSTM预测油、蛋白质和淀粉含量；(d) ~ (f)油分、蛋白质和淀粉含量预测使用基于所选波长的最佳模型CLSTM。R2，曲线相关系数的平方；Reg. bias，回归偏差。研究结论：本研究提出的ACLSTM模型(即AM、CNN和LSTM)具有变权重评价和连续光谱信息融合的优点，与传统的学习模型和单独的深度学习模块相比，在地理来源和营养物质含量预测方面取得了更令人满意的效果。此外，通过AM选择的有效HSI波长在提高预测效率和结果的可解释性方面具有可解释性和可靠性。整体结果表明HSI技术结合深度学习模型ACLSTM对薏苡仁质量评价具有巨大的应用潜力，该方法具有快速、无损、有效检测的优点。在未来的研究中，我们将收集更多来自不同生产区域、不同种植模式(有机与否)、不同储存年限的薏苡仁样本，以提高所提出模型的应用范围和可靠性。此外，基于有效波长，我们将尝试开发便携式和成本较低的高光谱设备，供工业使用。