Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
UNIVERSIDAD NACIONAL DEL CENTRO DE LA
PROVINCIA DE BUENOS AIRES Facultad de Ciencias Exactas
Departamento de Ciencias Físicas y Ambientales
TESIS DOCTORAL
ANÁLISIS DE PLAGUICIDAS EN HORTALIZAS DE
HOJAS VERDES MEDIANTE ESPECTROSCOPÍA DE
PLASMAS PRODUCIDOS POR LÁSER
PRESENTADA POR
LIC. LUCILA MARTINO
DIRIGIDA POR
DR. CRISTIAN D’ ANGELO
TANDIL, 2020
DOCUMENTO PRESENTADO PARA LA OBTENCIÓN DEL TÍTULO
DOCTORA EN CIENCIAS APLICADAS, MENCIÓN
AMBIENTE Y SALUD
ANÁLISIS DE PLAGUICIDAS EN HORTALIZAS DE HOJAS
VERDES MEDIANTE ESPECTROSCOPÍA DE PLASMAS
PRODUCIDOS POR LÁSER
UNIVERSIDAD NACIONAL DEL CENTRO DE LA
PROVINCIA DE BUENOS AIRES Facultad de Ciencias Exactas
Departamento de Ciencias Físicas y Ambientales
Tandil, 2020
A mis viejos y hermano.
Especialmente a mi sobrino,
Faustino
Por enseñarme que cada pequeño paso, hace una gran diferencia.
i
AGRADECIMIENTOS
Esta Tesis Doctoral representa un largo camino de aprendizaje, el cual contó con momentos
satisfactorios y otros no tanto, que sirvieron tanto para un crecimiento académico como personal.
Hubiera sido imposible afrontar este proceso sin contar con el apoyo de mucha gente que me
acompañó, aconsejó y supieron sostenerme cuando fue necesario. Por esto, quiero empezar dando
las gracias.
Primero, a mi director Cristian, el “ingeniero en casi todo” y en especial, un amigo, el cual no sólo
me formó en el ámbito académico, sino también supo responder a mis cuestionamientos y
aconsejarme. Una persona que cree más en mi de lo que yo creo. Gracias por las infinitas charlas en
las largas horas de medición y por brindarme las muestras para llevar a cabo esta tesis.
A la Comisión del Doctorado en Ciencias Aplicadas, Mención Ambiente y Salud (DCAAS), de la
Facultad de Ciencias Exactas, por acompañarme en mí camino y fomentar nuestro crecimiento y
participación. Con esto extiendo mi agradecimiento también a la Universidad Nacional del Centro
de la Provincia de Buenos Aires (UNICEN).
Al Instituto de Física de Arroyo Seco (IFAS) donde realicé mis tareas de investigación. A todo el
personal científico y sobre todo técnico, por ayudarme a montar los equipos. En especial, a mis
amigos, compañeros de almuerzos y de risas.
A mis compañeros de oficina del grupo Espectroscopia-LIBS, a los que están y a los que estuvieron,
por el apoyo, las charlas y los mates de siempre.
A Claudia Marinelli y Rosana Cepeda, por enseñarme y brindarme su gran ayuda en el análisis
estadístico de los datos.
Al CONICET, quien me otorgó la beca para financiar mi investigación.
A mi familia, mi cable a tierra, por ser el apoyo incondicional, saber entenderme y darme ánimos. A
mi familia tandilense, a mi hermano y mi cuñada, a mi sobrino, Faustino, por enseñarme las
prioridades de la vida y darme tanto amor.
A mis amigos, de la vida, de la facultad, a mis colegas, a mis compañeras de cátedra y a los que me
acompañaron en el último tiempo.
A todos y a los que seguramente me olvido, que de una u otra manera formaron parte de mi vida
en este proceso, porque todo es aprendizaje.
Finalmente, a la educación pública, por permitir formarme y culminar mis estudios.
Infinitas GRACIAS.
ii
RESUMEN
La presencia de plaguicidas en los alimentos representa una amenaza importante para los
consumidores, sin embargo, la detección rápida directamente en las muestras implica una tarea
compleja. En este trabajo de investigación se evaluó la aplicación potencial de la técnica Laser
Induced Breakdown Spectroscopy (LIBS) para la medición rápida de determinados plaguicidas en
hortalizas de hojas verdes, identificándolos a partir del registro de las líneas de emisión que
componen los agentes activos. Los resultados obtenidos fueron exitosos, pudiendo encontrar
condiciones experimentales óptimas, posibilitando la identificación de los elementos en las
muestras pertinentes. A su vez, mediante la aplicación de análisis quimiométricos al conjunto de
datos LIBS, se pudo determinar que las muestras tienden a agruparse de acuerdo al plaguicida que
las compone, lo que posibilitó su clasificación. Por otro lado, fue posible cuantificar residuos de
plaguicidas mediante la medición de Cl, P y S. Se estableció una clara evidencia de la aplicabilidad
de esta técnica como una herramienta potencial para el estudio de plaguicidas en matrices
alimentarias. Esto se logró a partir de una preparación mínima de muestras, garantizando la rapidez
del análisis, bajos costos de aplicación, y sin producción de desechos tóxicos, evidenciando su uso
como técnica preliminar de evaluación o en forma complementaria a los métodos analíticos
tradicionalmente ya usados.
Palabras claves: Laser Induced Breakdown Spectroscopy; hortalizas; plaguicidas; métodos
quimiométricos; diagnóstica de plasmas.
iii
ABSTRACT
The use of pesticides in production systems is carried out in order to control pests and weeds.
However, due to use and abuse in their application, they cause adverse effects on white and non-
white organisms, reaching water bodies and air due to their drift. In turn, the presence of pesticide
residues in food represents an important threat to consumers, mainly due to the toxicity that they
can present in humans, finding evidence that determines the relationship of many diseases and even
deaths in the population by ingestion, contact, or mishandling of them.
From of the increasing knowledge about the potential dangers associated with the use of pesticides,
and the availability of data evidencing their presence in the environment, the need to introduce
controls on pesticide residues has become a matter of central concern for society.
Against this background, global environmental legislation fixes Maximum Residue Levels (MRLs),
which are increasingly stringent regulations for pesticide residues in water and food. These limits
are consistently exceeded as a result of the unreasonable application of pesticides, though. Non-
compliance with MRLs results in the presence of excessive amounts of pesticide residues in crop
products, leading to the accumulation of pesticide traces in the environment, the resurgence and
outbreak of resistant pests, and adverse health outcomes due to contaminated food consumption.
However, the techniques used for the detection and quantification of these residues require a long
procedure, use highly hazardous reagents, and offer no possibility of re-measuring the same sample.
Knowing the effects produced by the use of pesticides and with the premise that the maximum
permissible limits are exceeded in several cases, it is necessary to have rapid detection and
quantification methods that allow the analysis and evaluation of their presence, being the first step
to determine if the maximum allowed limits are exceeded with the consequent identification of risks
and decision making.
The Laser-Induced Breakdown Spectroscopy (LIBS) technique has made its way as a simple
diagnostic technique that allows rapid detection of interest elements in samples, regardless of their
state of aggregation. It is an analytical technique that relies on the formation and study of a plasma
induced by a focused high-power laser pulse on the surface of a sample to generate a plasma of high
temperature and electronic density around 10x1017 cm-3 , hence providing information about the
elements that it is composed of at the atomic level. The plasma emission produced, due to electronic
recombination, generates a spectrum. That spectrum is collected and its spectroscopic analysis
allows carrying out qualitative and/or quantitative analysis. LIBS has become established as an
important spectroscopic technique with enormous analytical potential due to its particular
characteristics and advantages over other techniques, such as no or minimal sample preparation,
iv
the capability of multielement analysis, no waste production, rapidity, affordable costs, and remote
sensing capability.
At present, the LIBS technique coupled with multivariate chemometric methods and data analysis
is being used as a new tool in the classification of samples. Chemometric techniques such as
principal component analysis (PCA) and linear discriminant analysis (LDA) are multivariate statistical
methods applied to: reduction of dimensional problems (number of variables), avoiding the loss of
essential information; pattern recognition; and characterization of two or more sample groups. At
the same time, the creation of calibration protocols using relatively simple experimental setups
allows finding detection and quantification limits with high precision.
With this, the objective of the present study was to evaluate and analyze the feasibility of using the
LIBS technique as a potential tool for the detection and quantification of some pesticides, including
herbicides and fungicides, in chard samples. The objectives proposed in this work were: i) to identify
the pesticides in contaminated chard samples based on the detection of the elements that make up
the active agents, ii) to characterize and classify the pesticides by chemometric methods, and iii)
establish routines for quantitative analysis. With the main purpose of contributing a new and/or
complementary analytical technique to the identification of pesticides in food or other matrices.
The research that has been carried out included systematic studies of laser-induced plasmas in order
to obtain advantageous information. An exhaustive study of the elements of difficult determination
that make up the active agents of pesticides was carried out, at atmospheric pressure and low
pressure with different experimental schemes, to obtain an optimal database that allows the
identification and characterization of pesticides starting from the application of chemometric
analysis. In turn, calibration protocols were carried out to study the sensitivity and precision of the
analytical technique, establishing the optimal plasma parameters. Finally, the plasmas produced
were characterized to evaluate their homogeneity and repeatability.
The results obtained from the LIBS signal records were successful, being able to find optimal
experimental conditions and allowing the identification of P, S, C, and Cl in all standard samples and
in the sample used for control purposes. A new signal registration acquisition method was also
developed, this guarantees the obtaining of several signal registrations with minimal sample
destruction and in a fast and versatile way. By applying multivariate analysis, it was observed that
the samples tend to group according to the pesticide that composes them and differ from the
control sample, in turn, differences in the classification of groups could be observed with a
confidence level of 95 %.
From the application of the LIBS technique, it was possible to quantify pesticide residues by
measuring Cl, P, and S, from a minimum preparation of the sample, guaranteeing the speed of the
analysis, low application costs, and no production of toxic waste. The proposed calibration models
were validated and it is concluded that they can be used in a complementary way to the analytical
methods traditionally used in the detection of pesticides.
v
Through this work, it has been shown that the LIBS technique can be used as a complementary tool
in agricultural applications and can in turn be applied to other matrices in addition to the one
presented in this work. Starting from new simple experimental configurations, with short execution
times, without the production of toxic waste and low application costs.
Keywords: Laser Induced Breakdown Spectroscopy; vegetables; pesticides; chemometric methods;
plasma diagnostics.
vi
TABLA DE CONTENIDO
1 Capítulo I: Introducción al problema de la investigación ......................................................... 1
Contextualización del problema ...................................................................................... 1
Hipótesis ........................................................................................................................ 3
Objetivos generales ........................................................................................................ 3
Plan de análisis propuesto .............................................................................................. 4
Factibilidad ..................................................................................................................... 5
Estructura de la tesis....................................................................................................... 5
2 Capítulo II: Conceptos básicos ................................................................................................ 7
Plaguicidas ...................................................................................................................... 7
2.1.1 Clasificación de plaguicidas ..................................................................................... 8
2.1.2 Límite Máximo de Residuos de Plaguicidas ............................................................ 11
2.1.3 Métodos analíticos convencionales para la detección de plaguicidas en alimentos 12
2.1.4 Situación actual en Argentina ................................................................................ 13
Marco Regulatorio en el control de plaguicidas: breve reseña. .................................. 13
Producción hortícola ................................................................................................. 14
Plaguicidas que pueden hallarse en los alimentos de consumo habitual .................... 15
Espectroscopia de Plasmas Producidos por Láser .......................................................... 22
2.2.1 Plasma y láseres .................................................................................................... 22
Técnica Laser Induced Breakdown Spectroscopy (LIBS) ................................................. 23
2.3.1 Fundamentos de la técnica LIBS ............................................................................ 26
2.3.2 Formación de plasmas LIBS (Cremers and Radziemsky 2006)................................. 27
2.3.3 Modelos de plasmas LIBS ...................................................................................... 28
Plasma absorbido homogéneo (Corney 1977a) ......................................................... 29
vii
Aproximación a plasma delgado (Corney 1977a) ....................................................... 30
2.3.4 Aspectos Analíticos de LIBS ................................................................................... 30
Análisis cualitativo .................................................................................................... 30
Análisis cuantitativo .................................................................................................. 34
Métodos quimiométricos aplicados a datos LIBS ........................................................... 39
2.4.1 Principios de quimiometría ................................................................................... 39
Análisis de Componentes Principales ........................................................................ 42
Análisis Discriminante Lineal ..................................................................................... 45
Análisis Multivariado de la Varianza (MANOVA) ........................................................ 48
3 Capítulo III: Materiales y Métodos ........................................................................................ 50
Equipo Experimental LIBS ............................................................................................. 50
3.1.1 Arreglo experimental 1: Registro de espectros de resolución media sin discriminación
temporal ………………………………………………………………………………………………………………………………50
3.1.2 Arreglo experimental 2: Registro de espectros de alta resolución y discriminación
temporal…………… ................................................................................................................. 51
3.1.3 Arreglo experimental 3: Registro de espectros de alta resolución y discriminación
temporal en condiciones de baja presión. ............................................................................ 53
Reactivos ...................................................................................................................... 54
Preparación de muestras .............................................................................................. 55
3.3.1 Preparación de muestras patrones ........................................................................ 55
3.3.2 Preparación de muestras de referencia con fines de calibración............................ 58
Obtención de registros de señales LIBS ......................................................................... 59
3.4.1 Pretratamiento de espectros................................................................................. 60
4 Capitulo IV: Identificación y caracterización de plaguicidas en muestras de acelga mediante la
técnica LIBS utilizando métodos quimiométricos .......................................................................... 61
Metodología ................................................................................................................. 62
Identificación de plaguicidas mediante el registro de señales LIBS ................................ 63
viii
4.2.1 Selección de líneas para registro de elementos ..................................................... 63
4.2.2 Condiciones experimentales de medición ............................................................. 65
4.2.3 Tiempos postbreakdown y de integración ............................................................. 66
4.2.4 Verificación de plasma delgado ............................................................................. 70
Metodología y cálculos ............................................................................................. 71
Aplicación directa ..................................................................................................... 73
Comparativa teórico – experimental ......................................................................... 73
4.2.5 Adquisición de datos LIBS ...................................................................................... 75
Obtención del número óptimo de adquisiciones LIBS ................................................ 75
Cálculo de relación señal-ruido ................................................................................. 77
Caracterización de plaguicidas ...................................................................................... 78
Discusión y conclusiones de la identificación y caracterización de plaguicidas ............... 83
5 Capítulo V: Cuantificación de plaguicidas .............................................................................. 85
Metodología ................................................................................................................. 85
5.1.1 Análisis cuantitativo .............................................................................................. 86
5.1.2 Figuras de mérito .................................................................................................. 87
Indicadores de capacidad de predicción: RMSE y MAE .............................................. 88
Cuantificación de Azufre ............................................................................................... 89
Cuantificación de Fósforo ............................................................................................. 92
Cuantificación de Carbono ............................................................................................ 96
Cuantificación de Cloro ................................................................................................. 97
5.5.1 Arreglo experimental LIBS ..................................................................................... 98
5.5.2 Obtención de parámetros espectroscópicos .......................................................... 99
5.5.3 Curva de calibración ............................................................................................ 102
Discusión y conclusiones de la cuantificación de plaguicidas ....................................... 104
6 Capítulo VI: Diagnóstica del plasma .................................................................................... 109
ix
Metodología ............................................................................................................... 110
6.1.1 Temperatura ....................................................................................................... 110
6.1.2 Densidad electrónica........................................................................................... 110
6.1.3 Equilibrio Termodinámico Local .......................................................................... 112
Estimación de Parámetros experimentales ................................................................. 112
6.2.1 Estimación de temperatura ................................................................................. 112
6.2.2 Estimación de densidad electrónica .................................................................... 115
6.2.3 Verificación de Equilibrio Termodinámico Local .................................................. 117
7 Capítulo VII: Conclusiones Generales y perspectivas ........................................................... 119
8 Referencias ........................................................................................................................ 123
1 ANEXOS.............................................................................................................................. 137
Características de un espectrómetro/monocromador. ........................................ 137
Rango de espectro libre (Free spectral range) .......................................................... 139
Resolución (poder resolvente). ............................................................................... 140
Análisis de la resolución (Anon 1972) ...................................................................... 142
Dispersión angular .................................................................................................. 144
Dispersión lineal (Anon 1972) ................................................................................. 145
Dispersión lineal en monocromador utilizado Jobin-Yvon THR ................................ 146
Comparación de medias para aplicación de métodos quimiométricos ................. 147
Análisis de la varianza: ANOVA ................................................................................ 147
Análisis de supuestos .............................................................................................. 149
Número óptimo de mediciones (jcgm 2008) ........................................................ 152
Evaluación tipo A de la incertidumbre típica ........................................................... 152
Número óptimo de mediciones: implementación en LIBS........................................ 154
Estimación de incertidumbres ............................................................................. 156
Estimación de incertidumbre en Plot de Boltzmann ................................................ 156
x
Estimación de incertidumbre de 𝑤𝐿′ (kT)............................................................... 157
Estimación de incertidumbre de 𝑛𝑒 𝑘𝑇 ................................................................... 157
Función transferencia ......................................................................................... 158
2 Lista de publicaciones declarada ........................................................................................ 159
xi
INDICE TABLAS
Tabla 2.1. Clasificación de plaguicidas según su campo de acción. .................................................. 9
Tabla 2.2. Clasificación de plaguicidas según el grupo químico. .................................................... 10
Tabla 2.3. Clasificación de plaguicidas según la toxicidad aguda. .................................................. 11
Tabla 3.1. Concentraciones de muestras de referencia de dimetoato y clorpirifos con fines de
calibración, y sus equivalencias de S, P, C y Cl. .............................................................................. 59
Tabla 4.1. Información espectroscópica de las líneas seleccionadas para la caracterización de
plaguicidas (Kramida, Olsen, and Ralchenko 2019). ...................................................................... 64
Tabla 4.2. Parámetros espectroscópicos para la detección de elementos en las muestras de estudio
mediante la técnica LIBS. ............................................................................................................. 69
Tabla 4.3. Potenciales de ionización de elementos seleccionados para justificar el modelo de plasma
delgado. ....................................................................................................................................... 72
Tabla 4.4. Relaciones señal-ruido para cada elemento medido en los plaguicidas de estudio. ...... 78
Tabla 4.5. Correlación de PC1 y PC2 con las variables originales. .................................................. 80
Tabla 4.6 Funciones discriminantes - datos estandarizados con las varianzas comunes. ............... 81
Tabla 4.7 Resultados de clasificación cruzada del análisis discriminante lineal (LDA). ................... 81
Tabla 4.8 Tabla resumen de análisis de varianza multivariante (MANOVA) que informa el resultado
de diferencias significativas entre los grupos de plaguicidas y la muestra control. ........................ 83
Tabla 5.1. Figuras de mérito calculadas para evaluar el desempeño del modelo de regresión de la
concentración de S II, a partir de diferentes modelos de validación. ............................................. 92
Tabla 5.2. LoD y LoQ para el S y el dimetoato. .............................................................................. 92
Tabla 5.3. Información espectroscópica de la línea de P II seleccionada para la cuantificación de
dimetoato. ................................................................................................................................... 93
Tabla 5.4. Figuras de mérito calculadas para evaluar el desempeño del modelo de regresión de la
concentración de P II, a partir de diferentes modelos de validación. ............................................ 95
Tabla 5.5. LoD y LoQ para el P y el dimetoato. .............................................................................. 96
Tabla 5.6. Información espectroscópica de la línea de Cl I seleccionada para la cuantificación. ..... 98
Tabla 5.7. Figuras de mérito calculadas para evaluar el desempeño del modelo de regresión de la
concentración de Cl I, a partir de diferentes modelos de validación. .......................................... 104
Tabla 5.8. LoD y LoQ para el Cl I y el clorpirifos. .......................................................................... 104
Tabla 5.9. LoD y LoQ para el C, S, P y Cl obtenidos a partir de la calibración con la técnica LIBS. 104
xii
Tabla 6.1. Datos espectroscópicos de líneas de emisión de Fe I seleccionadas para aplicación de plot
de Boltzmann. ............................................................................................................................ 114
Tabla 6.2. Obtención del criterio de McWhriter para verificación de LTE, a partir de la línea de Mg II.
.................................................................................................................................................. 118
Tabla Anexo 1. Dispersión lineal de Jobin Yvon THR (muy alta resolución) con red de difracción de
2000 líneas/mm………………………………………………………………………………………………………………………….147
Tabla Anexo 2. Función instrumental para el monocromador Jobin Yvon THR 1500, para diferentes
rendijas (r) entrada/salida expresado en µm……………………………………………………………………………….159
xiii
INDICE FIGURAS
Figura 2.1. Los diez alimentos con mayor carga de plaguicidas en Argentina. Fuente: Informe del
SENASA (2011/2016). ................................................................................................................... 16
Figura 2.2 Los diez plaguicidas con mayor presencia en alimentos. Fuente: Informe del SENASA
(2011/2016). ................................................................................................................................ 16
Figura 2.3. Comportamiento de la técnica LIBS frente a los requerimientos ideales para una técnica
espectroscópica. (Adaptado de Moncayo 2017). .......................................................................... 25
Figura 2.4. Una descripción esquemática de la historia temporal de un plasma LIBS. Se muestran el
tiempo postbreakdown (tb) y tiempo de integración (tw). (Adaptado de Cremers 2006). .............. 28
Figura 2.5. Validación Cruzada dejando uno afuera (LOOCV). (Domenech 2011b). ....................... 37
Figura 2.6. k- fold validación cruzada. (Domenech 2011a). ........................................................... 38
Figura 2.7. Representación de la reducción de la dimensionalidad llevada a cabo por PCA desde un
sistema de tres variables a un sistema de dos componentes principales (CP1 y CP2). ................... 45
Figura 3.1. Arreglo experimental LIBS 1. Registro de espectros de resolución media sin
discriminación temporal. (Adaptado de Papuccio 2020). .............................................................. 51
Figura 3.2. Arreglo experimental LIBS 2. Registro de espectros de alta resolución y discriminación
temporal. ..................................................................................................................................... 53
Figura 3.3. Arreglo experimental LIBS 3. Registro de espectros de alta resolución y discriminación
temporal en condiciones de baja presión. .................................................................................... 54
Figura 3.4. Armado de pellets de acelga con plaguicidas para la aplicación de LIBS. ...................... 56
Figura 3.5. Pellets obtenidos a partir de diferentes hortalizas....................................................... 56
Figura 3.6. Espectros de emisión LIBS en diferentes hortalizas con agregado de agua destilada.
Identificación de componentes mayoritarios. ............................................................................... 57
Figura 4.1. Perfil de línea de emisión de Cl I (725.66 nm) registrado con rendija de entrada y salida
de 80 µm, en condiciones de presión atmosférica y en baja presión (6x10-2 mbar). ...................... 66
Figura 4.2. Evolución de la intensidad en función del tiempo postbreakdown para a) S II, b) P I, c) C I
y d) Cl I. ........................................................................................................................................ 68
Figura 4.3. Familia de curvas de relaciones teóricas 𝐼𝑘𝑇, 𝑛𝑒𝐴𝐼𝑘𝑇, 𝑛𝑒𝐵 , para kT típicas entre 1,2 y
1,4 eV, para diferente 𝑛𝑒 entre 5x1016 y 1x1017 cm-3. Se pude ver la superposición de la relación
experimental en 𝐼𝐴𝑝𝑒𝑠𝑡𝐼𝐵𝑝𝑒𝑠𝑡 en este grupo de curvas. ............................................................ 74
Figura 4.4. Zoom de Figura 4.2 para enfatizar los datos. ............................................................... 74
xiv
Figura 4.5. Número óptimo de adquisiciones LIBS, por elemento, para cada plaguicida en cuestión.
.................................................................................................................................................... 75
Figura 4.6. Perfil de línea de emisión de P I (253.56 nm) registrado con rendija de entrada y salida
de 80 µm y b) gráfica obtenida del nuevo método de medición descrito en la sección 3.4 para la
muestra de acelga contaminada con clorpirifos............................................................................ 76
Figura 4.7. Intensidades netas para la línea de emisión de Cl I obtenidos del nuevo método de
registro de línea, registradas para todas las muestras de estudio. ................................................ 77
Figura 4.8. Biplot del análisis de componentes principales (PCA) para muestras contaminadas con
diferentes plaguicidas y la muestra control. ................................................................................. 79
Figura 4.9. Visualización de representación de análisis discriminante lineal (LDA) a partir de la
preasignación de grupos. ............................................................................................................. 82
Figura 5.1. Perfil de línea de emisión de S II (416,26 nm), en una muestra que contiene 80 mg/kg de
dimetoato (22,37 mg/kg de s) registrado con rendija de entrada y salida de 100 µm.................... 90
Figura 5.2. Curva de calibración de la línea de S II (416,26 nm), concentración agregada a partir de
dimetoato en muestras de hortalizas. Las barras de error vienen dadas por la incerteza del valor
instrumental. ............................................................................................................................... 91
Figura 5.3. Evolución de la intensidad en función del tiempo postbreakdown para la línea de P II
(460,21 nm), elegida para la cuantificación de fósforo, y por lo tanto de dimetoato. .................... 93
Figura 5.4. Perfil de línea de emisión de P II (460,21 nm), en una muestra que contiene 80 mg/kg de
dimetoato (10,81 mg/kg de P) registrado con rendija de entrada y salida de 100 µm. .................. 94
Figura 5.5 Curva de calibración de concentración de P II (460,21 nm), concentración agregada a
partir de dimetoato en muestras de hortalizas. Las barras de error vienen dadas por la incerteza del
valor instrumental........................................................................................................................ 95
Figura 5.6. Intensidad neta de C en función de la concentración agregada de clorpirifos a muestras
de hortalizas. Las barras de error vienen dadas por la incerteza del valor instrumental. ............... 97
Figura 5.7. Arreglo experimental LIBS. Adquisición y cuantificación de Cl a baja presión. .............. 99
Figura 5.8. Evolución de la intensidad en función del tiempo postbreakdown para la línea de Cl I
(837,59 nm), elegida para la cuantificación de cloro, y por lo tanto de clorpirifos. ...................... 100
Figura 5.9. Perfil de línea de emisión de Cl I (837,59 nm), en una muestra que contiene 100 mg/kg
de clorpirifos (30,33 mg/kg de Cl) registrado con rendija de entrada y salida de 200 µm a partir de la
configuración experimental de la Figura 5.6. .............................................................................. 101
xv
Figura 5.10. Registros de señales obtenidos de la medición de la línea de Cl I (837,59 nm) en una
muestra de acelga con 50 mg/kg de clorpirifos (15,61 mg/kg de Cl), con su fondo correspondiente y
la línea de Fe I (838,78 nm), con el fin de demostrar la no interferencia en la medición. ............ 102
Figura 5.11. Curva de calibración de concentración de Cl I (837,59 nm), concentración agregada a
partir de clorpirifos en muestras de hortalizas. Las barras de error vienen dadas por la incerteza del
valor instrumental...................................................................................................................... 103
Figura 6.1. Evolución esquemática de los tiempos postbreakdown y de integración para el Cl, P y S,
usados para cálculos de temperatura y densidad electrónica. .................................................... 113
Figura 6.2. Plot de Boltzmann basado en los datos experimentales de la Tabla 6.1, con perfiles
registrados en 300 ns. La temperatura estimada fue de kT = (0,83 ± 0,10) eV. Las barras de error
fueron calculadas mediante el cálculo de propagación de incertidumbre de Iji y de Aji para cada
caso en particular....................................................................................................................... 115
Figura 6.3. Perfil de la línea de emisión de Mg II (280,27 nm) con su perfil Voigt, para un tiempo
postbreakdown de 300 ns y de integración de 400 ns. ............................................................... 116
Figura 6.4. Ajuste exponencial para anchos Stark tabulados en función de KT para la línea de Mg II
(280, 27 nm), con una 𝑛𝑒′ = 1017 𝑐𝑚 − 3, según datos de tabla publicados (referencia en texto).
.................................................................................................................................................. 117
Figura Anexo 1. Esquema de haz incidente (inciden light) y difractado (diffracted light) sobre una red
de difracción de reflexión. .......................................................................................................... 137
Figura Anexo 2. Esquema utilizado para explicar la resolución o poder resolvente de una red de
difracción. .................................................................................................................................. 141
Figura Anexo 3. Esquema final que permite ver la capacidad de un equipo espectroscópico de
separar dos líneas diferentes que se encuentren separadas una determinada distancia. ............ 142
Figura Anexo 4. Gráfico de medias para el azufre, con intervalos de confianza del 95 %. ............ 149
Figura Anexo 5. Gráfico de residuos vs. predichos para verificación de homocedasticidad. a) P, b) S,
c) Cl, d) C. ................................................................................................................................... 151
1
1 CAPÍTULO I: INTRODUCCIÓN AL PROBLEMA DE LA INVESTIGACIÓN
CONTEXTUALIZACIÓN DEL PROBLEMA
Suele argumentarse que la evolución tecnológica en la fabricación de plaguicidas, junto a otras
innovaciones en la agricultura, por ejemplo la labranza cero y la utilización de múltiples fertilizantes,
han contribuido a que la producción agrícola haya logrado mantenerse al nivel de los incrementos
en la demanda de alimentos. Sin embargo, este desarrollo no solo no logró erradicar el hambre en
el mundo, sino que también se obtuvo a expensas de la salud humana y el medio ambiente, debido
a la incorporación y presencia de plaguicidas en concentraciones elevadas (United Nations (ONU)
2017). Como consecuencia, se encuentra evidencia de la presencia de los mismos en el ambiente y
los alimentos (Akoto, Azuure, and Adotey 2016; Cabaleiro 2018; Paz 2016), lo cual representa un
riesgo que debe ser evaluado, con el objetivo de determinar si se superan los límites máximos
permisibles y así, poder brindar información y herramientas de gestión a los organismos de control
específicos.
A la luz del creciente conocimiento sobre los peligros potenciales asociados con el uso de
plaguicidas, y la disponibilidad de datos que evidencian su presencia en el medio ambiente (Akoto,
Azuure y Adotey 2016; Bernieri et al. 2019; Besson et al. 2017; Campos et al. 2016), la necesidad de
introducir controles sobre los residuos de plaguicidas se ha convertido en una preocupación central
para la sociedad. En este contexto, la legislación ambiental global fija los límites máximos de
residuos (LMR), que son regulados de forma cada vez más estrictas para los residuos de plaguicidas
en el agua y los alimentos (Boa 2016). Sin embargo, estos límites se superan constantemente como
resultado de la aplicación irresponsable de plaguicidas (Paz 2016). El incumplimiento de los LMR da
como resultado la presencia de cantidades excesivas en los productos de cultivos, lo que lleva a una
acumulación de trazas de los mismos y sus componentes degradados en el medio ambiente, el
resurgimiento y brote de plagas resistentes, resultados adversos para la salud debido a una
exposición prolongada y al consumo de alimentos contaminados (Bernieri et al. 2019; Campos et al.
2016; Elgueta et al. 2019).
2
Por otra parte, las técnicas tradicionales utilizadas para la detección y cuantificación de residuos de
plaguicidas requieren de un elevado tiempo de ejecución, utilizan reactivos altamente peligrosos,
no ofrecen la posibilidad de volver a medir sobre la misma muestra y presentan altos costos (Cajka
et al. 2012; Furlani et al. 2011; Gómez-Ramos et al. 2013). Por lo tanto, es necesario contar con
nuevos métodos de detección y cuantificación que permitan analizar y evaluar en forma rápida, la
presencia de plaguicidas en diferentes matrices.
Desde hace ya unos años, la técnica de Espectroscopía de Plasmas Producidos por Láser (LIBS, por
sus siglas en inglés) se ha abierto camino como una técnica de diagnóstico simple que permite la
detección rápida de elementos de interés en diferentes muestras, independientemente de su
estado de agregación. Esta técnica consiste en enfocar un láser pulsado de alta potencia en la
superficie de la muestra para generar un plasma de temperatura y densidad electrónica elevadas,
proporcionando así información sobre los elementos que componen la muestra a nivel atómico.
Algunos estudios han utilizado la técnica LIBS en la detección de elementos tóxicos presentes en los
alimentos (Senesi et al. 2019), y otros se han concentrado especialmente en su uso para la detección
de plaguicidas y nutrientes en muestras de frutas y verduras. Kim et al. 2012, detectaron clorpirifos
y nutrientes en arroz y espinacas, y también lograron distinguir las muestras contaminadas con
plaguicidas, a elevadas concentraciones, de las muestras no contaminadas, mediante la aplicación
de análisis multivariado. Por otro lado, Multari et al. 2013, estudiaron la aplicación de la técnica LIBS
para diferenciar muestras contaminadas con diferentes plaguicidas (hexano, aldrín, clorpirifos,
dieldrina y HPCDD) en matrices complejas (grasas de tejidos y aceites grasos). Du et al. 2015,
detectaron clorpirifos en las superficies de la manzana, pero no pudieron encontrar resultados
satisfactorios en muestras a bajas concentraciones del mismo (1: 100 y 1: 1000). Sin embargo, en su
último trabajo publicado, lograron reducir los límites de detección mediante la aplicación de LIBS
con nanopartículas de plata (Zhao et al. 2019).
A partir de las consideraciones anteriormente nombradas, se plantea el siguiente trabajo de
investigación, en donde el principal objetivo es evaluar la factibilidad de utilizar la técnica LIBS como
una potencial herramienta para la detección, clasificación y cuantificación de algunos plaguicidas
sobre muestras de hortalizas de hojas verdes, mediante una preparación mínima de las muestras,
garantizando la rapidez del análisis, bajos costos de aplicación, y sin producción de desechos tóxicos.
3
Con todo esto se pretende aportar una nueva y/o complementaria herramienta analítica a la
identificación de plaguicidas en alimentos u otras matrices.
HIPÓTESIS
Es posible aplicar la técnica LIBS al estudio de matrices complejas mediante la fabricación de
muestras específicas de material vegetal. A partir del armado de pellets resistentes que
proporcionen una superficie de muestra uniforme para obtener emisiones LIBS estables, y
garantizar la representación de la composición de las muestras en los estudios analíticos.
La técnica LIBS en conjunto con estadística básica y métodos quimiométricos integrados, son
una herramienta útil para el monitoreo rápido, y simple en la detección y clasificación de
plaguicidas en matrices vegetales.
Pueden detectarse y cuantificarse plaguicidas en muestras de hortalizas de hojas verdes a partir
de los elementos atómicos que componen a los agentes activos.
Mediante la optimización de los esquemas experimentales y un estudio detallado de las líneas
atómicas en estudio, es posible disminuir los límites de detección y cuantificación de elementos
de interés.
OBJETIVOS GENERALES
Demostrar la viabilidad de la técnica LIBS para el estudio de residuos de plaguicidas en matrices
vegetales como una técnica simple, rápida y económica, a partir del análisis de líneas de emisión
representativas.
Optimizar el esquema experimental en la formación de plasmas y la adquisición de datos para
lograr detectar líneas habitualmente de difícil observación, con el posterior fin de disminuir los
límites de detección y cuantificación.
Investigar, analizar y aplicar estadística simple y técnicas de análisis multivariado para la
interpretación de la información obtenida mediante la técnica LIBS, con el fin de detectar,
clasificar y cuantificar la presencia de plaguicidas en muestras vegetales.
4
Desarrollar nuevas metodologías que permitan potenciar la capacidad de la técnica LIBS para
análisis cualitativos y cuantitativos, con el fin de facilitar las tareas de detección de plaguicidas;
que contribuyan al aporte de una nueva herramienta analítica de control.
PLAN DE ANÁLISIS PROPUESTO
Se van a desarrollar estudios de señales LIBS, en aplicaciones sobre muestras de interés
medioambiental, específicamente en hortalizas de hojas verdes, para lograr detectar elementos que
están presentes en los agentes activos de los plaguicidas y con esto inferir la presencia de los mismos
en las muestras de estudio. Esto se pretende lograr a partir de estudios sistemáticos de los plasmas
inducidos por láser a fin de obtener información ventajosa para aplicaciones tecnológicas y
analíticas. En particular, para lograr detectar y cuantificar elementos presentes y establecer bases
de datos útiles a cualquier experiencia que se realice a presión atmosférica y a baja presión,
estableciendo los parámetros óptimos del plasma.
La caracterización de los plasmas producidos por láser provee considerable información útil para
posteriores aplicaciones. Con este objetivo primario se pretende cumplir con las siguientes
actividades:
1) Perfeccionar la preparación de muestras representativas mediante la disminución del efecto
matriz a partir de un polvo fino y homogéneo obtenido de las hortalizas.
2) Realizar un esquema de registros de líneas de estudio en forma simple, con un formato de
integración temporal y espectral de las mismas, de forma tal que se permita un estudio de
elementos en forma eficaz y menos invasivo sobre las muestras que los registros habituales.
3) Optimizar los esquemas experimentales en los registros LIBS, para lograr detectar elementos de
difícil determinación (como es el caso del Cl y el S). Para esto se propone trabajar en condiciones
de baja presión y con diferentes formatos de observación del plasma.
4) Realizar experiencias y registros que se adapten a diferentes modelos de plasmas que incluyan
condiciones aproximadas a las reales. Esto incluirá un estudio exhaustivo para el análisis de los
tiempos postbreakdown, tiempos de adquisición, anchos de líneas, densidad electrónica,
5
estimación de temperaturas electrónicas y zonas de registros del plasma, a fin de adaptar los
modelos de plasmas requeridos.
5) Detectar ciertas moléculas que componen los agentes activos de plaguicidas, presentes
inicialmente en las muestras, a partir de la detección de líneas atómicas, mediante la aplicación
de técnicas de análisis quimiométrico, para lograr una caracterización y discriminación de
plaguicidas.
6) Evaluar la factibilidad del uso de la técnica LIBS. Para ello se pretende: estudiar la sensibilidad y
precisión de la técnica analítica, lograr protocolos de calibración para diversas matrices y
establecer rutinas para análisis cuantitativos, obtener configuraciones sencillas y económicas
para el análisis de muestras de alimentos.
FACTIBILIDAD
El tema de Tesis Doctoral propuesto se incluye en el Proyecto PIP bajo el título “Espectroscopia de
Plasmas Inducidos por Láser y Aplicaciones” en desarrollo con el grupo Espectroscopia-LIBS del
Instituto de Física Arroyo Seco (IFAS), perteneciente al Centro de Investigaciones en Física e
Ingeniería del Centro de la Provincia de Buenos Aires (CIFICEN) de la Facultad Ciencias Exactas de la
UNCPBA, Tandil, Provincia de Buenos Aires.
En cuanto a la infraestructura y equipamiento disponible, el grupo de Espectroscopia-LIBS posee
dos laboratorios de aproximadamente 40 m2, los cuales poseen dos láseres pulsados, dos
monocromadores y sensores con características específicas que permitieron el desarrollo de las
actividades propuestas.
ESTRUCTURA DE LA TESIS
Esta Tesis ha sido distribuida en capítulos con el fin de organizar la información. Las discusiones y
conclusiones obtenidas de cada estudio en particular, se abordan dentro de cada capítulo.
A partir del Capítulo II se presentan los conceptos básicos, mediante el desarrollo de un marco
teórico-conceptual, que son necesarios para la comprensión y el seguimiento de esta Tesis. Este se
divide en tres grandes bloques, por un lado, conceptos relacionados con plaguicidas, su clasificación,
marcos legales y métodos tradicionales de detección. Por el otro, una introducción a la
6
espectroscopia de plasmas producidos por láseres, fundamentos y aspectos teóricos. Por último, se
desarrollan los métodos quimiométricos utilizados en el análisis de datos LIBS.
A continuación, en el Capítulo III se describen los equipos experimentales utilizados para el registro
de señales, se exponen las metodologías utilizadas para el armado de muestras analíticas
representativas y de calibración, y por último se detallan los métodos empleados para la adquisición
y el procesamiento de datos mediante la técnica propuesta.
En el Capítulo IV, se desarrolla el análisis propuesto para la identificación y caracterización de
plaguicidas en muestras vegetales. Esto, mediante un estudio exhaustivo de parámetros
espectroscópicos con la consecuente obtención de una matriz de datos afín, que cumpla con los
requerimientos para la aplicación de métodos quimiométricos.
Por otra parte, en el Capítulo V, se exhiben los métodos y análisis llevados a cabo para lograr
cuantificar los elementos que forman parte de la composición de plaguicidas. Esto conlleva un
estudio de las líneas de emisión elegidas, con el fin de registrar señales LIBS a baja concentración de
los elementos de estudio.
En el Capítulo VI, se presenta un estudio detallado de caracterización de plasmas LIBS a partir del
cálculo y obtención de la temperatura y densidad electrónica, con el fin de optimizar la capacidad
analítica y la repetitividad de la técnica.
Finalmente, en el Capítulo VII, se exponen las conclusiones generales y perspectivas a futuro para la
eventual aplicación de los resultados obtenidos en esta Tesis Doctoral.
7
2 CAPÍTULO II: CONCEPTOS BÁSICOS
PLAGUICIDAS
Desde el comienzo mismo de la agricultura, asociado con el inicio de la vida sedentaria de los
humanos, los cultivos padecieron el ataque de plagas que los destruían y/o reducían drásticamente
su producción y el acopio de alimentos. Es por esto que desde hace mucho tiempo, se han empleado
distintas sustancias con el fin de evitar, reducir o combatir los daños y ataques de plagas. En un
principio, estas sustancias eran obtenidas de la naturaleza, como por ejemplo el azufre, pudiendo
considerarse como las precursoras de los plaguicidas. De esta forma, puede definirse a los
plaguicidas como sustancias químicas, líquidas o sólidas, que producen efectos tóxicos sobre ciertos
organismos vivos y que se utilizan, principalmente, para controlar plagas de la agricultura (Bedmar
2011b). Según el Codex Alimentarius (OMS/FAO 2005), se entiende por plaguicida a “cualquier
sustancia destinada a prevenir, destruir, atraer, repeler o combatir cualquier plaga, incluidas
especies indeseadas de plantas o animales, durante la producción y/o almacenamiento, transporte,
distribución y elaboración de alimentos, productos agrícolas o alimentos para animales, o que pueda
administrarse a los animales para combatir ectoparásitos”.
Desde la Revolución Industrial, donde comenzaron las fumigaciones, se utilizaban productos
derivados del petróleo como plaguicidas (Bedmar 2011b). Luego, en 1920 se crearon la mayoría de
los compuestos sintéticos existentes en la actualidad, a partir de compuestos de nitrógeno. Por
último, el crecimiento exponencial se produjo durante la Segunda Guerra Mundial, cuando se
difundió un insecticida basado en cloro, el DDT (Bedmar 2011a). Desde entonces se crearon por
síntesis química un gran número de sustancias plaguicidas, más eficaces para combatir plagas, pero
mucho más susceptibles de contaminar el ambiente y deteriorar la salud humana, lo que conllevó a
que en la actualidad se prohíba la aplicación de muchos de los plaguicidas más antiguos (Bedmar
2011b).
El actual modelo de agricultura industrial o modelo extractivo ha pretendido que la química,
mediante la síntesis de plaguicidas, controle a la biología, simplificando así la toma de decisiones.
Sin embargo, dentro de este modelo, no se ha tenido en cuenta que el uso excesivo de plaguicidas
presupone un serio riesgo. La dependencia de plaguicidas es sólo una solución a corto plazo,
8
teniendo en cuenta que son sustancias tóxicas que exhiben una elevada peligrosidad en su
fabricación debido a sus formulados y conllevan peligros para los agricultores que están en contacto
con los mismos (Aparicio et al. 2015). También, presentan una marcada peligrosidad en el medio
ambiente debido a su persistencia en el suelo, cuerpos de agua y en el aire, y finalmente para los
seres vivos, consumidores de alimentos contaminados con residuos (Akoto, Azuure y Adotey 2016;
Elgueta et al. 2019).
En este contexto, el desafío que se plantea a quienes toman decisiones de manejo de sistemas
agrícolas, es lograr los máximos rendimientos con la mínima dependencia de insumos externos,
debido a los posibles perjuicios ambientales y sociales de su utilización.
Para asegurar que las aplicaciones de plaguicidas no tengan efectos tóxicos en organismos no
blancos (aquellos a los cuales no va dirigida la aplicación de estos químicos) y en el ambiente, se han
sancionado normas y establecido procedimientos que los fabricantes de estos productos deben
respetar. Las entidades legalmente competentes deben evaluar si es aceptable el riesgo que resulta
del almacenamiento de un plaguicida en centros de distribución, de la manipulación del envase por
el usuario final, de los procedimientos recomendados para cada aplicación, y de la distancia entre
el área a tratar y las zonas residenciales, entre otras cuestiones. Son los organismos de control
quienes deben verificar y controlar en forma sistemática tanto el cumplimiento de las normas de
uso y la contaminación ambiental, como los efectos agudos y crónicos que se puedan registrarse en
ámbitos hospitalarios. Sin embargo, en la mayoría de los países, incluida la Argentina, las entidades
públicas y privadas han hecho un seguimiento insuficiente del uso de plaguicidas, provocando de
esta forma la presencia de los mismos en el ambiente y los alimentos (Wolansky 2010).
2.1.1 Clasificación de plaguicidas
Actualmente se distinguen tres criterios diferentes para clasificar a los plaguicidas (Henao and Nieto
2003):
1) Clasificación de los plaguicidas según el tipo de organismo que se desea controlar, es decir
el campo de acción al que fueron destinados. Según este criterio, la Agencia de Protección
del Medio Ambiente de Estados Unidos (Environmental Protection Agency. 2020) clasifica a
los plaguicidas como se describe a continuación en la Tabla 2.1.
9
Tabla 2.1. Clasificación de plaguicidas según su campo de acción.
Tipo Acción principal
Insecticidas Control de insectos
Fungicidas Control de hongos causantes de
enfermedades
Herbicidas Luchan contra las malezas, ya sea de un modo
general o selectivo, es decir, dejando
indemne al cultivo y destruyendo todas o
buena parte de las malezas.
Acaricidas Combaten la araña roja y los ácaros
Nematicidas Control de nematodos
Molusquicidas Control de babosas y caracoles
Rodenticidas Control de roedores
Desinfectantes del suelo Su acción se extiende a nematodos, insectos,
hongos y malas hierbas que se encuentran en
los suelos destinados a cultivo
Antibióticos de uso agrícola Luchan contra las bacteriosis propias de los
cultivos
Reguladores fisiológicos Aceleran o retardan el crecimiento, estimulan
la floración o fructificación o cambian en
alguna forma el comportamiento normal de
la planta
Repelentes Usados para ahuyentar las plagas
Atrayentes Usados para atraer las plagas (trampa)
Defoliantes Provocan las caídas de las hojas sin matar las
plantas
2) Clasificación de los plaguicidas según el grupo químico (Mattice 2010), los más importantes
se describen a continuación en la Tabla 2.2:
10
Tabla 2.2. Clasificación de plaguicidas según el grupo químico.
Tipo Uso principal
Organoclorados Insecticida
Organofosforados Insecticida
Piretroides Insecticidas
Ureas sustituidas Herbicida
Carbamatos Insecticidas
Fenoles Insecticida
Triazinas Herbicida
Organometálicos Fungicida
Derivados de ácido carboxílico Herbicida
Neonicotinoide Insecticidda
3) Clasificación según la toxicidad aguda: La Organización Mundial de la Salud (OMS)
(Organización Mundial de la Salud 2019) ha recomendado - sujeta a actualizaciones
periódicas - una clasificación de plaguicidas según el grado de peligrosidad, entendiendo a
ésta como su capacidad de producir daño agudo a la salud cuando se dan una o múltiples
exposiciones en un tiempo relativamente corto. Uno de los métodos utilizados para
expresar la toxicidad aguda es la dosis letal media que corresponde a la cantidad de
plaguicida (dosis letal) necesaria para causar la muerte del 50% de los animales de
experimentación usados en una prueba. Generalmente se usan ratas para los ensayos y de
estas mediciones se estima el efecto que pueda tener en los seres humanos. Mientras más
tóxico es el plaguicida, menos cantidad se necesita para matar al animal de
experimentación. La dosis letal media se representa como DL50. Se expresa en miligramos
del ingrediente activo por kilogramo de peso vivo del animal (mg/kg). A partir de esto, se ha
establecido una clasificación toxicológica de los plaguicidas de uso agrícola de acuerdo con
el riesgo que representa su uso para las personas, con el fin de recomendar precauciones
para su manipulación y aplicación. Lo expuesto anteriormente puede observarse en la tabla
a continuación (Tabla 2.3).
11
Tabla 2.3. Clasificación de plaguicidas según la toxicidad aguda.
Clase Toxicidad DL50 (mg/kg)
Clase IA Extremadamente peligrosos 0 -5
Clase IB Altamente peligrosos 5-50
Clase II Moderadamente peligrosos 50-100
Clase III Ligeramente peligrosos 500
2.1.2 Límite Máximo de Residuos de Plaguicidas
La aplicación desmedida de plaguicidas, sin considerar buenas prácticas de manejo, en los cultivos
puede provocar la aparición de residuos, incluidos sus metabolitos y los productos resultantes de su
degradación o reacción en alimentos o el ambiente. Cuando un plaguicida es aplicado en vegetales
o frutas puede absorberse o quedar en la superficie del cultivo, a su vez, si es aplicado sobre el suelo
puede ser absorbido por las raíces. A medida que transcurren los días, su concentración empieza a
reducirse, a esa pequeña porción que permanece sobre el cultivo o suelo se denomina residuo de
plaguicida. De esta forma, los residuos excesivos de plaguicidas se han convertido en un “asesino”
oculto en la mesa y en una gran amenaza para la seguridad y la salud alimentaria (Gómez Ramos
2013).
El control de plaguicidas ha cobrado una mayor importancia para la sociedad debido al mayor
conocimiento de los potenciales peligros asociados a su uso junto con la disponibilidad de datos
sobre su presencia en el ambiente (Akoto, Azuure, and Adotey 2016; Besson et al. 2017; Campos et
al. 2016, Bernieri et al. 2019). En este sentido, la legislación ambiental mundial establece límites
máximos permitidos de residuos de plaguicidas en aguas y alimentos cada vez más estrictos, lo que
conlleva la necesidad de realizar varios controles para asegurar que los productos agroalimentarios
están exentos de plaguicidas o bien que éstos se encuentran en concentraciones inferiores a los
valores permitidos (Aparicio et al. 2015; Boa 2016).
En 1966, la comisión del Codex Alimentarius (OMS/FAO 2005) creó el Comité del Codex sobre
Residuos de Pesticidas (CCRP) con el objetivo de fijar los Límites Máximos de Residuos (LMR) en
productos de origen animal y vegetal. Según la misma, se entiende por residuos de plaguicida a
“cualquier sustancia especificada presente en alimentos, productos agrícolas o alimentos para
12
animales como consecuencia del uso de un plaguicida”. El término incluye cualquier derivado de un
plaguicida, como productos de conversión, metabolitos y productos de reacción, y las impurezas
consideradas de importancia toxicológica (Boa 2016). Por otro lado, también se define el límite
máximo para residuos de plaguicida (LMRP) como “la concentración máxima de residuos de un
plaguicida (expresada en mg/kg), recomendada, para que se permita legalmente su uso en la
superficie o la parte interna de productos alimenticios para consumo humano y de piensos”.
Por tanto, es absolutamente necesario un control exhaustivo de los niveles de presencia de
plaguicidas en los productos de origen agrícola y de ahí el interés de desarrollar una metodología
analítica adecuada y rápida para la detección y cuantificación de plaguicidas. También, es
importante señalar que si los plaguicidas se aplican correctamente a los cultivos para los que han
sido elaborados, siguiendo las correspondientes medidas de seguridad, aplicando las dosis
adecuadas y respetando los correspondientes días de descanso (tiempos de carencia), el riesgo de
contaminación se reduce considerablemente.
2.1.3 Métodos analíticos convencionales para la detección de plaguicidas en alimentos
A raíz del conocimiento de los peligros de la presencia de los residuos de plaguicidas en alimentos y
el ambiente, es necesario encontrar métodos analíticos que permitan su detección de forma rápida
y eficaz, lo que viene asociado al empleo de equipos e instalaciones y técnicas adecuadas (Aparicio
et al. 2015).
Los métodos analíticos para la detección de residuos de plaguicidas en alimentos, tradicionalmente
usados, se basan generalmente en separación cromatográfica, tanto líquida (CL) como gaseosa (CG).
Muchos métodos homologados de análisis están basados en esta técnica, en los que se utilizan
diferentes detectores, como el de nitrógeno y fósforo (NPD), de captura electrónica (ECD), de
ionización de llama (FID) o de espectrometría de masas (MS). En este último caso, dada las ventajas
actuales que presenta la detección por MS, ésta es cada vez más utilizada (Andreu and Picó 2004).
Sin embargo, existen una gran variedad de compuestos que, debido a su inestabilidad térmica, baja
volatilidad y/o alta polaridad, no pueden determinarse por cromatografía (Ding, Liu, and Yeh 2000).
Este hecho ha provocado que la cromatografía líquida de alta resolución (HPLC) haya ido ganando
terreno en el análisis de este tipo de compuestos, y más aún, con su versión acoplada a un
espectrómetro de masas (Beyer and Biziuk 2008).
13
Dado que las técnicas cromatográficas, si bien constituyen técnicas de referencia, requieren de
equipos costosos y personal altamente calificado. Además, son métodos que demandan una
preparación de muestra compleja y de una inversión inicial muy elevada. Es por esto que,
actualmente se ha trabajado en el desarrollo de alternativas analíticas que sean más simples,
rápidas y económicamente sustentables que los métodos cromatográficos tradicionales.
2.1.4 Situación actual en Argentina
Marco Regulatorio en el control de plaguicidas: breve reseña.
Como ya se nombró, la Comisión del Codex Alimentarius de la FAO y la OMS (OMS/FAO 2005), fijó
los LMRP en productos de origen animal y vegetal. A nivel europeo, existe el reglamento CE N°
396/2005 del parlamento y consejo europeo del 23 de febrero de 2005 que estableció los niveles
máximos de plaguicidas en productos de origen animal y vegetal, para todos los países miembros
de la Unión Europea en alimentos y piensos de origen vegetal y animal (Reglamento (CE) No
396/2005 del Parlamento Europeo y del Consejo 2005).
En Argentina, la norma de presupuestos mínimos actualmente existente es la Ley Nacional N° 27.279
“de productos fitosanitarios” que lo único que regula es la gestión de los envases vacíos de
plaguicidas y no los productos en sí. Existen otras Leyes Nacionales que están en relación al impacto
ambiental de sustancias químicas, la Ley Nacional N° 24.051 de Residuos Peligrosos, en la que se
mencionan algunos agroquímicos y las Leyes Nacionales de agroquímicos que se explican a
continuación (Aparicio et al. 2015):
• Ley Nacional N° 18073: Prohibición de sustancias para el tratamiento de praderas naturales o
artificiales y para el tratamiento de algunas especies animales. Esta Ley fue sancionada el
20/01/1969; promulgada el 20/01/1969 y publicada el 27/03/1969.
• Ley Nacional N° 18.796: Modificación al Régimen de Plaguicidas; sancionada el 20/10/1970;
promulgada el 02/10/1970 y publicada el 08/10/1970.
• Ley Nacional N° 20.418: Tolerancias y límites administrativos de residuos de plaguicidas;
sancionada el 18/05/1973; promulgada el 18/05/1973 y publicada el 22/06/1973.
14
Estas leyes se refieren a plaguicidas que han sido prohibidos a nivel nacional e internacional, como
por ejemplo los plaguicidas organoclorados. La normativa argentina con respecto a la regulación de
los plaguicidas en el territorio es escasa y es necesaria la actualización de las mismas.
Producción hortícola
En la Argentina la producción de cultivos se extiende a lo largo del país debido a la amplia diversidad
de climas. Más precisamente, el cultivo de hortalizas, campo de estudio en esta Tesis Doctoral, tiene
sus epicentros en ciertas provincias, a saber Buenos Aires, Mendoza, Córdoba, Santiago del Estero,
Misiones, Santa Fe, Corrientes, Tucumán, Formosa, Salta, Chaco, Jujuy, San Juan y Río Negro. La
diversidad de variedades, los altos rendimientos y la época de producción permiten abastecer a
diversos mercados durante todo el año (Adlercreutz et al. 2014; Aparicio et al. 2015). En la Provincia
de Buenos Aires los cinturones hortícolas se sitúan alrededor de ciudades densamente pobladas,
como la ciudad costera de Mar del Plata, Buenos Aires y La Plata.
La producción total hortícola en el país oscila entre los 8 y 10 millones de toneladas, de las cuales
nueve especies (papa, tomate, cebolla, batata, zapallo, zanahoria, lechuga, poroto, ajo) representan
el 65 %; participan con el 20 % otras ocho especies (acelga, mandioca, zapallito, sandía, melón,
choclo, berenjena y pimiento) y el restante 15 % está cubierto por las demás hortalizas (Ferratto et
al. 2010).
En la Argentina, es el Servicio de Sanidad y Calidad Agroalimentaria (SENASA) (Paz 2016), es el
organismo estatal encargado de controlar los registros, las autorizaciones de uso y comercialización,
suspensión y/o cancelación de los plaguicidas, en el sistema productivo de cultivos extensivos y
frutihortícola. Este organismo depende del Ministerio de Agroindustria de la Nación y su
funcionamiento está regulado por una Resolución de la Ex Secretaria de Agricultura de la Nación
Nro 350/1999. Dicha resolución, conjuntamente con el Decreto del Poder Ejecutivo Nacional
1585/96 le otorga funciones al SENASA para establecer condiciones de uso de los plaguicidas, entre
ellas, los valores de LMRP. Es el SENASA quien debe controlar que los alimentos no superen esos
límites y se fijan sobre tres aspectos fundamentales: i) buenas prácticas agrícolas utilizadas en el
manejo de los productos fitosanitarios; ii) la toxicidad del producto que indica su peligrosidad y, iii)
la ingesta de un alimento por parte del consumidor que puede contener residuos de fitosanitarios,
lo que determina el grado de exposición de un consumidor a ese producto.
15
La Resolución 934/2010 del SENASA establece cuáles son los límites máximos de residuos de los
distintos plaguicidas; y cuentan con una regla por defecto según la cual si no se fijó un valor de LMRP
sobre un alimento determinado, se aplicará el valor 0,01 mg/kg. En la Unión Europea, se ha
avanzado en la fijación de valores de LMRP sobre los alimentos, siguiendo los lineamientos del
Codex Alimentarius, por lo tanto, la mayoría de los alimentos contienen, en Europa, un valor de
LMRP superior al 0,01 mg/kg (Reglamento (CE) No 396/2005 del Parlamento Europeo y del Consejo
2005). Sin embargo, estos valores escasas veces suelen alcanzarse en los alimentos de consumos,
en algunos casos encontrándose valores hasta tres órdenes de magnitud por encima (EFSA 2017;
Paz 2016).
Plaguicidas que pueden hallarse en los alimentos de consumo habitual
Los resultados de los controles llevados a cabo por SENASA (2011/2016) (Paz 2016), sobre frutas y
verduras, arrojaron la presencia de 80 plaguicidas; entre ellos, cuatro sustancias que están
prohibidas y otras seis que no están autorizadas. También hay que tener en cuenta que se utilizan
plaguicidas en cultivos que no cuentan con permisos, y otros que superan ampliamente los límites
máximos autorizados. En esa oportunidad, se informó que en el 63% de los controles realizados
entre 2011 y 2013 se detectó la presencia de restos de plaguicidas. Además, el 7% de las muestras
tomadas entre 2014 y 2016 tenían exceso de insecticidas, herbicidas y fungicidas. En la Figura 2.1
pueden visualizarse los diez alimentos que son consumidos por humanos y que arrojaron la mayor
carga de plaguicidas en el estudio.
16
Figura 2.1. Los diez alimentos con mayor carga de plaguicidas en Argentina. Fuente: Informe del SENASA
(2011/2016).
Al mismo tiempo, el SENASA comunicó en su informe los 10 plaguicidas con mayor presencia en
alimentos. Estos se pueden observar en la Figura 2.2.
Figura 2.2 Los diez plaguicidas con mayor presencia en alimentos. Fuente: Informe del SENASA (2011/2016).
Es por esto que, esta Tesis Doctoral se ha centrado en la detección de los principales cinco
plaguicidas de uso común en la producción agrícola intensiva y que han sido detectados en
19
20
21
22
23
24
25
26
Manzana Acelga Espinaca Lechuga Mandarina Pomelo Albahca Limón Naranja Achicoria
Can
tid
ad d
e p
lagu
icid
as d
etec
tad
os
0
5
10
15
20
25
30
35
Pre
sen
cia
de
pla
guic
idas
det
ecta
do
s en
al
imen
tos
(u.a
.)
17
alimentos: clorpirifos, carbendazim, cipermetrina, imidacloprid y dimetoato. Se presenta a
continuación un breve resumen de los mismos agrupados según su clasificación química.
Insecticida neonicotinoide
Se los conoce como la generación moderna de insecticidas seguros. Pertenecen a la familia de
insecticidas que actúan en el sistema nervioso central de los insectos y, con menor toxicidad, en
vertebrados (aves y mamíferos). Los neonicotinoides están entre los más usados a nivel mundial,
pero recientemente el uso de ciertos productos químicos de esta familia está siendo restringido en
algunos países, debido a una posible conexión con el desorden del colapso de colonias apícolas (Gill,
Ramos-Rodriguez, and Raine 2012; Tsvetkov et al. 2017).
En 1991 Bayer AG comienza a comercializar el primer neonicotinoide, imidacloprid (CONFIDOR®).
El imidacloprid es una sustancia con actividad insecticida por vía sistémica, por lo que puede ser
aplicado tanto vía foliar como vía radicular, a través del agua de riego (Drop Data 2010). Tiene efecto
residual prolongado en el suelo y está etiquetado como utilizable para el control de plagas,
tratamiento de semillas, para el control de termitas y pulgas y como un insecticida sistémico
(cucarachas y hormigas). Es posiblemente el insecticida de uso más extendido, tanto en el modo de
acción como en el mercado global. Actualmente se aplica al suelo, semillas, madera y pastos, como
también en tratamientos foliares en cultivos como cereales, algodón, granos, leguminosas, papas,
arroz, frutales, césped y vegetales. Además, cabe destacar que las tasas de aplicación de los
insecticidas neonicotinoides son mucho menores que las de los insecticidas usados previamente
(Covance Inc 2020).
Imidacloprid está catalogado actualmente como "moderadamente tóxico" por la OMS (Organización
Mundial de la Salud 2019) y la Agencia de Protección del Medio Ambiente de Estados Unidos
(Morera Rodríguez 2015) (Clase II o III, requiriendo una etiqueta de "Peligro" o "Precaución"), y una
potencialidad de ser contaminante de aguas subterráneas. Está catalogado como "probable"
carcinógeno por la EPA (grupo E), y no está en la lista de tóxicos para el sistema endocrino,
reproductivo o de desarrollo, o como un producto químico con problemas especiales con alguna
especie. No está prohibida, restringida o es ilegal su importación en ningún país. Sin embargo, ha
sido prohibido su uso como pesticida en Francia desde 1999. La tolerancia de residuos de
18
Imidacloprid en los alimentos varía entre las 0,02 mg/kg en los huevos a los 3,0 mg/kg en lúpulo
(Wagner 2016).
Fórmula semidesarrollada: C9H10ClN5O2
Fórmula molecular:
Insecticida organofosforado
Se comenzaron a utilizar luego de ser comprobada la toxicidad de plaguicidas organoclorados,
surgiendo como una segunda gran generación de plaguicidas no- bioacumulables, pero de toxicidad
alta en mamíferos (Carod Benedico 2002). Son sustancias orgánicas derivadas de la molécula de
ácido fosfórico y tuvieron un uso extendido histórico como “gases nerviosos” durante la segunda
guerra mundial (Carod Benedico 2002).
El dimetoato es un insecticida y acaricida organofosforado ampliamente utilizado. Fue patentado e
introducido en la década de 1950 por American Cyanamid. Al igual que otros organofosforados, el
dimetoato es un inhibidor de la acetilcolinesterasa que desactiva la colinesterasa, una enzima
esencial para la función del sistema nervioso central (Dauterman et al. 1960). Actúa tanto por
contacto como por ingestión. Se absorbe y distribuye fácilmente a través de los tejidos de las
plantas, y se degrada con relativa rapidez (Dauterman et al. 1960). Su periodo de semidegradación
oscila entre 18 horas y 8 semanas, y no es previsible que perdure en el agua, aunque es
relativamente estable a pH de 2 a 7 (Organización Mundial de la Salud 2012). Se ha calculado que la
ingesta diaria total procedente de los alimentos es de 0,001 μg/kg de peso corporal (Organización
Mundial de la Salud 2019). Fue catalogado como "moderadamente peligroso" por la OMS
(Organización Mundial de la Salud 2019) y la Agencia de Protección del Medio Ambiente de Estados
Unidos (clase II, moderadamente tóxico) (Morera Rodríguez 2015).
19
Fórmula química: C5H12NO3PS2
Fórmula molecular:
Por otra parte, el Clorpirifos es un organofosforado, este producto fue registrado por primera vez
en los Estados Unidos de América en 1965, fue permitido para uso residencial hasta el año 2000
cuando fue restringido por la EPA (Environmental Protection Agency 2006).
Los residuos de clorpirifos han sido asociados con una disminución en los niveles de la Hormona
Tiroxina (T4) y con un aumento en los niveles del estradiol en ovejas (Morales and Rodríguez 2004).
Se ha asociado además con bajo peso al momento del nacimiento, menor circunferencia craneal en
niños cuyas madres fueron expuestas en forma crónica al pesticida y efectos neurológicos en el feto
y los niños, incluso en cantidades muy pequeñas (Morales and Rodríguez 2004). Para los efectos
agudos, la EPA clasifica el clorpirifos como Clase II: Moderadamente tóxico (Morera Rodríguez
2015).
Fórmula química: C9H11Cl3NO3PS
Fórmula molecular:
Insecticida Piretroide
20
Se los conoce como los insecticidas más seguros en comparación a los organoclorados y
organofosforados. Los piretroides son un grupo de pesticidas artificiales desarrollados para
controlar preponderantemente las poblaciones de insectos plaga (Costa, Galli, and Murphy 1987).
Son neurotóxicos y actúan modulando los canales de sodio y potasio en las membranas neuronales.
Poseen una toxicidad alta para insectos y muy baja para mamíferos (Agencia para sustancias Tóxicas
y Registro de Enfermedades 2003). Son altamente bioconcentrados en peces, dependiendo de la
especie, la edad y otros factores; sin embargo no sufren biomagnificación en cadenas tróficas
(Agencia para sustancias Tóxicas y Registro de Enfermedades 2003). Su presencia en los sedimentos
de fondo en ecosistemas acuáticos puede resultar tóxica para organismos bentónicos, si están
biodisponibles, o para invertebrados de niveles tróficos inferiores, por poseer sistemas de
detoxificación deficientes (Agencia para sustancias Tóxicas y Registro de Enfermedades 2003).
La cipermetrina es un insecticida del grupo de los piretroides. Actúa como insecticida del estómago
y de contacto (Leahey 1985). Tiene amplitud de usos en el algodón, los cereales, los vegetales y las
frutas, para el almacenaje de la comida, en salud pública y en la cría de los animales. La cipermetrina
está clasificada por la OMS, como "moderadamente dañina" (clase II) (Organización Mundial de la
Salud 2019). Esta interactúa con los canales de sodio en las células nerviosas. Estos canales pueden
permanecer abiertos por segundos, a diferencia del período normal de pocas milésimas de segundo,
después de la transmisión de la señal (Vergara-Chen et al. 2019). La cipermetrina también interfiere
con otros receptores en el sistema nervioso, el efecto resultante es una larga secuencia de impulsos
repetitivos en los órganos sensitivos (Vergara-Chen et al. 2019).
Fórmula química: C22H19Cl2NO3
Fórmula molecular:
Fungicidas
21
Los fungicidas son sustancias tóxicas que se emplean para impedir el crecimiento o eliminar los
hongos y mohos perjudiciales para las plantas o los animales (Barioglio 2006). Todo fungicida, por
más eficaz que sea, si se utiliza en exceso puede causar daños fisiológicos a la planta (Barioglio 2006).
El carbendazim se utiliza ampliamente como fungicida bencimidazólico de amplio espectro (Cámara
de Sanidad Agropecuaria y Fertilizantes 2011). Si bien es de baja toxicidad aguda, está relacionado
con múltiples efectos crónicos en la salud (Red de Acción en Plaguicidas y sus alternativas para
América Latina (RAP-AL) 2008). Los efectos incluyen toxicidad hepática, toxicidad para el desarrollo,
como malformaciones en los ojos del feto, malformaciones en el cerebro, aumento de la mortalidad
y efectos reproductivos (principalmente en los testículos). Es considerado como posible cancerígeno
para seres humanos, mientras que la toxicidad aguda según la OMS es U (poco probable que
presente toxicidad aguda en uso normal) (Organización Mundial de la Salud 2019).
Fórmula química: C9H9N3O2
Fórmula molecular:
22
ESPECTROSCOPIA DE PLASMAS PRODUCIDOS POR LÁSER
2.2.1 Plasma y láseres
La clasificación de los cuatro elementos clásicos que definieron los antiguos griegos, tierra, aire,
agua y fuego (denominados elementos aristotélicos), data de aproximadamente 450 años a. C.,
estos persistieron hasta el Renacimiento y constituían toda la materia terrenal. Durante muchos
siglos, se consideró que sólo se encontraban tres estados de la materia, sólido, líquido y gaseoso,
siendo el agua la sustancia que mejor los representa, por ser la única que existe de forma natural
en los tres estados (Bellan 2008). Estos estados suelen encontrarse bajo determinadas
características y presentan propiedades particulares. Pero el desarrollo de nuevas tecnologías, para
producir en los laboratorios condiciones cada vez más extremas y energéticas, ha permitido que en
los últimos años se hayan descubierto otros estados. Así surge el estado plasma, siendo la forma en
la que se presentan los gases contenidos en el interior de las luces de neón, los tubos fluorescentes
y, por supuesto, las pantallas de plasma (Bellan 2008). También es el estado que caracteriza a las
auroras boreales y a los rayos. De hecho, se estima que el 99% de la materia del universo observable
es plasma formando parte del Sol, estrellas, nebulosas y pueden ser fácilmente detectables ya que
emiten luz. En cambio, en la Tierra los plasmas son mucho más escasos (Gurnett and Bhattacharjee
2005).
La denominación “plasma” se le atribuye, por primera vez, a Irving Langmuir, en la década del 90,
(premio Nobel en Química en 1932). Se puede definir como un medio parcial o totalmente ionizado,
en el que coexisten electrones libres, aniones, cationes y átomos neutros. La densidad de cargas
positivas y negativas es igual y por tanto se puede considerar electrónicamente neutro. En cuanto a
su comportamiento es similar al de los gases, con la excepción que dentro del plasma las partículas
tienen un comportamiento colectivo, encontrándose ligadas a través de fuerzas electromagnéticas
generadas entre ellas, siendo un buen conductor eléctrico (Bellan 2008). Otra importante diferencia
es la posibilidad de confinamiento lejos de las paredes del recipiente donde fue generado, así como
su manejo espacial (Fitzpatrick 2008).
Por otro lado, el gran poder del láser se demostró poco después de su invención cuando un rayo
láser enfocado produjo un destello en el aire similar a la chispa producida por la descarga de un rayo
entre dos nubes (Singh and Thakur 2007). Esto es debido a que, cuando se enfoca un rayo láser de
23
alta intensidad se genera un plasma a partir del material ablacionado. Los efectos del láser han
encontrado muchas aplicaciones tecnológicas, en el campo de la metalúrgica, producción de plasma
y semiconductores (J. P. Singh and Thakur 2007).
En los últimos años ha habido un notable interés tanto en una mayor comprensión de los plasmas
producidos por láser (Laser-Induced Plasma, LIP por sus siglas en inglés) como en el desarrollo de
sus aplicaciones. La espectroscopia de emisión se utiliza para el análisis elemental de objetos a partir
de los cuales se genera el plasma luminoso, obteniendo información valiosa en la composición de la
muestra y también se puede aplicar para determinar la temperatura, la densidad de electrones y
densidad de átomos en el LIP (Rusak et al. 1997).
TÉCNICA LASER INDUCED BREAKDOWN SPECTROSCOPY (LIBS)
La técnica Laser Induced Breakdown Spectroscopy (LIBS) ha resultado ser una herramienta de gran
utilidad, complementaria de la Espectrometría Analítica desde las últimas décadas (Winefordner et
al. 2004). Los principios de este tipo de análisis son similares a los utilizados por la Espectrometría
de Emisión Atómica (AES) convencional, que hace uso de plasmas de relativamente baja
temperatura, con un determinado protocolo de preparación de muestras. Estos procedimientos de
preparación son innecesarios en la técnica LIBS, lo cual da una ventaja considerable en dicho análisis
(C. A. D’Angelo et al. 2015).
Las técnicas de Espectrometría con Láser resultan versátiles para análisis químico debido a que
pueden hacerse monitoreos a tiempo real con buena sensibilidad y buena selectividad (Cremers and
Radziemski 1989). Sin embargo, pese a esos atributos, para que resulte de interés tecnológico o
como instrumental de campo, requiere otro nivel de investigación y desarrollo. Esto, con el fin de
demostrar en qué condiciones se puede asegurar estabilidad, confiabilidad y reproducibilidad de las
señales.
Los inicios de la técnica LIBS coinciden con la aparición del láser en la década del 60, donde aparecen
registros del análisis de plasmas generados por la interacción de láseres con medios gaseosos o
sólidos (Maiman 1969; Schawlow and Townes 1958). La técnica analítica LIBS emerge como tal en
1981 y es atribuida a los investigadores pioneros, que desarrollaron las primeras publicaciones de
plasmas generados sobre medios líquidos. En 1981 Loree et al. con su trabajo “Laser-induced
breakdown spectroscopy: Time-integrated applications” (Loree and Radziemski 1981) rebautizaron
24
la técnica con el acrónimo LIBS y a partir de entonces, esta técnica comenzó a ser de mayor
relevancia, y un número mayor de investigadores comenzó a trabajar con la misma permitiendo un
gran avance tanto en su conocimiento como sus aplicaciones. A su vez, los desarrollos actuales de
esta técnica para el análisis químico también se remontan al trabajo de Radziemski y Cremers
(Cremers and Radziemski 1989) y sus colaboradores, los cuales desarrollaron la técnica de
resolución temporal TRELIBS (time-resolved laser-induced breakdown spectroscopy) para controlar
y monitorear en tiempo real trazas de especies espectroscópicamente (Dudragne, Adam, and
Amouroux 1998).
En los últimos años, gran parte del trabajo de investigación en relación con esta técnica se ha
centrado en el desarrollo de instrumental, lo cual permitió que hoy pueda contarse con equipos
comerciales compactos, portátiles y sistemas para su uso en laboratorio con múltiples posibilidades
(Cremers and Radziemski 1989). Son varias las aplicaciones de esta técnica, se encuentran trabajos
realizados en diversos sólidos: metales, cerámicos, semiconductores, polímeros, preparados
farmacéuticos, suelos, dientes, metales sumergidos, hormigón, etc. (Garcimuño, Díaz Pace, and
Bertuccelli 2013; Labutin et al. 2014; L. J. Martino et al. 2019; Rehan et al. 2019; Santos et al. 2012;
Yao et al. 2017). En líquidos: agua, fundidos metálicos/vidrios, preparados farmacéuticos, fluidos
biológicos, aceites, lodos, etc. (Adamson et al. 2007; Ferrer et al. 2005; Multari et al. 2013; Terán et
al. 2019). Y por último, en gases: escapes industriales, monitoreo ambiental, combustibles,
aerosoles, etc. (Adamson et al. 2007; Gallou et al. 2011).
Comparada con otras técnicas de análisis químico presenta las siguientes ventajas (Fu et al. 2018):
1. Equipo simple: pocos instrumentos, bajo costo y fácil integración.
2. Análisis sin contacto: LIBS utiliza un láser pulsado como fuente de excitación y el estudio del
plasma se lleva a cabo mediante un análisis óptico. Esto hace que el análisis se produzca sin
contacto, especialmente en un entorno peligroso o en el campo de exploración espacial, lo que
conlleva a que tenga amplias posibilidades de aplicación.
3. Nula o escasa preparación de muestras: LIBS enfoca directamente el disparo del láser pulsado
sobra la muestra sin procesar o con un procesamiento mínimo.
4. Utilización de muestras en diferentes estados de agregación: las muestras pueden ser gases,
aerosoles, líquidos o sólidos.
25
5. Análisis no destructivo: el láser converge a la superficie de la muestra y solo se excita una
pequeña cantidad de la misma. Puede considerarse como no destructivo o casi no destructivo.
6. Análisis tridimensional: LIBS puede enfocar el láser en diferentes posiciones en la superficie de
la muestra, o repetir mediciones en la misma ubicación o en diferentes profundidades, para
extraer información de su composición y contenido.
7. Análisis de elementos totales: la energía del láser puede excitar simultáneamente todos los
elementos de la muestra, por lo que permite un análisis en forma simultánea.
8. Análisis remoto: el análisis de larga distancia del LIBS se puede lograr transmitiendo de forma
remota la energía del láser y recogiendo el espectro de emisión de plasma a través de una fibra
óptica o por la atmósfera.
9. Análisis en línea: LIBS es una tecnología muy rápida que proporciona resultados analíticos en
segundos, lo que la hace particularmente adecuada para análisis rápidos o monitoreo industrial
en línea.
En la Figura 2.3 se muestra el comportamiento de la técnica LIBS frente a los requerimientos ideales
de las técnicas espectroscópicas:
Figura 2.3. Comportamiento de la técnica LIBS frente a los requerimientos ideales para una técnica
espectroscópica. (Adaptado de Moncayo 2017).
0123456789
Preparación demuestras
Líquidos, sólidos y gases
Interferenciasespectrales
Efecto matriz
CalibraciónUso de varias regiones
espectrales
Adquisición simultáneadel espectro
Adquisición simultáneade elementos
Compatibilidad conotras técnicas
Características espectroscópicas LIBS
26
Dentro de las desventajas podemos mencionar que, aunque la técnica es simple, los procesos
involucrados: ablación, atomización y excitación, son complejos y difíciles de reproducir. Por otra
parte se pueden enumerar las siguientes limitaciones (Cremers and Radziemsky 2006):
1. Inestabilidad de las señales espectroscópicas.
2. Fluctuaciones de la intensidad láser.
3. Parámetros geométricos que varían.
4. Efectos matriz propios de la composición de la muestra (composición química, propiedades
físicas, compactación, humedad).
A pesar de sus limitaciones anteriormente mencionadas, existen distintas maneras de mejorar y
superar la mayoría de los inconvenientes, optimizando tanto la sensibilidad como la
reproducibilidad, con el fin de disminuir los límites de detección y cuantificación de la técnica.
2.3.1 Fundamentos de la técnica LIBS
LIBS es una técnica analítica, relativamente sencilla y útil para el análisis cualitativo y cuantitativo
de la composición química de muestras, ya sean sólidas, líquidas o gaseosas. Esto se realiza
mediante el análisis de las líneas de emisión atómica a partir de un plasma creado en el blanco
(Cremers and Radziemsky 2006). La técnica utiliza, como fuente de excitación, un láser pulsado de
alta energía enfocado dentro o en la superficie del medio en estudio, provocando una chispa
(plasma) apta para el diagnóstico, que brinda información respecto de los componentes del medio
en cuestión. Esto es a partir del estudio de las líneas espectrales de emisión de las especies que
conforman el plasma: iones, átomos neutros y moléculas simples. En el plasma formado se alcanzan
temperaturas de aproximadamente 15000 K, y se obtienen densidades electrónicas del orden de
1017 electrones/cm3; en esas condiciones el material se separa en sus componentes atómicos y con
alto grado de ionización produciendo emisión muy intensa de luz. Una parte de la luz del plasma se
recoge y un espectrómetro dispersa la luz emitida por las especies atómicas e iones excitados, un
detector registra las señales de emisión dispersadas, y por medio de una configuración electrónica
se digitalizan y muestran los resultados para su posterior análisis.
27
2.3.2 Formación de plasmas LIBS (Cremers and Radziemsky 2006)
En una primera instancia el pulso laser es enfocado sobre la superficie de un material, el material
absorbe la energía de la luz láser aumentando su temperatura casi instantáneamente en
aproximadamente 15000 K. Esta alta temperatura provoca la fusión y la evaporación del material,
debido a esto ocurre la ruptura de los enlaces que ligan a los átomos, luego se da la ionización y por
consecuencia se forma el plasma. Tras la finalización del pulso de luz láser, el plasma continúa
expandiéndose rápidamente en el entorno provocando una onda de choque (que se caracteriza por
su sonoridad); al mismo tiempo, se pueblan los niveles excitados de los átomos por medio de
procesos colisionales y absorción multifotónica. Posteriormente, hay una intensa emisión de luz que
formará un espectro característico.
La luz emitida por el plasma se caracteriza por tener un espectro de emisión continuo y discreto. El
continuo se debe principalmente a eventos bremsstrahlung y recombinación. En el proceso
bremsstrahlung, los fotones son emitidos por electrones acelerados o desacelerados en colisiones.
La recombinación ocurre cuando un electrón libre es capturado en un nivel de energía iónica o
atómica y abandona su exceso de energía cinética en forma de fotón. La luz del plasma es producida
por las emisiones de las transiciones espontaneas de los iones, átomos y moléculas en el plasma.
En un rango de tiempo de alrededor de 100 ns y algunas decenas de microsegundos, la emisión del
fondo del plasma es mínima y prevalecen las emisiones atómicas de los elementos, las cuales
ofrecen información analítica del material. En este rango de tiempo se recomienda llevar a cabo el
registro del plasma. Finalmente, ocurre su enfriamiento, se condensa el plasma y se depositan
partículas residuales en la superficie del material ablacionado.
El registro temporal del plasma producido por láser se observa en la Figura 2.4, donde se muestra
que el plasma se inicia casi con el pulso láser. En los primeros instantes de tiempo, la luz del plasma
se caracteriza por un espectro de emisión continuo. Conforme avanza el tiempo el plasma decae
seguido por un espectro discreto de los iones, átomos neutros y moléculas que se forman a partir
de la recombinación de átomos.
28
Figura 2.4. Una descripción esquemática de la historia temporal de un plasma LIBS. Se muestran el tiempo
postbreakdown (tb) y tiempo de integración (tw). (Adaptado de Cremers 2006).
La resolución temporal de la intensidad de emisión del plasma permite la discriminación a favor de
la región temporal, donde predominan las señales que se ajustan a un modelo de plasma
determinado. Dos parámetros observables en la Figura 2.4 permiten encontrar esta región, el
tiempo postbreakdown o tiempo de retardo (tb), representa el tiempo transcurrido desde el inicio
del pulso láser hasta el inicio de la adquisición de la señal del espectro LIBS. El mismo comprende
tiempos del orden de las centenas de ns para plasmas a baja presión y de microsegundos para
presión atmosférica. Por otro lado, el tiempo de integración (tw), este representa el intervalo de
tiempo entre el inicio y el final de la adquisición del espectro LIBS, con magnitudes de decenas de
ns hasta varios microsegundos.
2.3.3 Modelos de plasmas LIBS
En las experiencias LIBS a presión atmosférica las líneas observadas presentan una alta absorción y
el plasma formado es generalmente inhomogéneo en los tiempos de registro habituales. En donde
se entiende por inhomogeneidad a la distribución desigual de temperatura en el volumen del
mismo. Esto origina inconvenientes a la hora de usar las intensidades de líneas espectrales medidas
para cuantificar el contenido de un componente en el plasma. Los modelos de emisión atómica en
los plasmas se plantean a partir de relaciones entre emisividad y absorbancia de dentro del mismo
(Corney 1977b).
29
Plasma absorbido homogéneo (Corney 1977a)
Como primera aproximación al caso general de plasma inhomogéneo, se tiene al modelo de plasma
absorbido homogéneo en donde se presenta una misma temperatura en todo el volumen del
plasma. La intensidad de emisión de radiación del plasma para este modelo queda expresada como:
𝐼(𝜆, 𝐿, 𝑘𝑇) =2ℎ𝑐2
𝜆5
(1 − exp [−𝜅(𝜆)𝐿])
(exp [𝐸𝑗 − 𝐸𝑖
𝑘𝑇] − 1)
(ec. 2.1)
En donde, 𝐸𝑗 − 𝐸𝑖 es la diferencia de energía entre el nivel superior j y el inferior 𝑖, 𝑇 es la
temperatura del plasma, 𝑘 es la constante de Boltzmann, ℎ es la constante de Planck, 𝑐 es la
velocidad de la luz y 𝜅(𝜆)𝐿 es el espesor óptico, expresado por:
𝜅(𝜆)𝐿 =𝜆2
4𝑁𝑘𝐴𝑗𝑖
𝑔𝑗
Q𝑘(T)exp (−
𝐸𝑖
𝑘𝑇) [1 − exp(−(𝐸𝑗 − 𝐸𝑖)/𝑘𝑇)] 𝑃(𝜆)𝐿
(ec. 2.2)
Siendo 𝑁𝑘 la densidad de los emisores en el plasma de un elemento k, con su correspondiente
estado de ionización. En este caso 𝜆 es la longitud de onda expresada en nm, 𝑔𝑗 es el peso
estadístico del nivel superior, Q𝑘(T) es la función partición del elemento involucrado en un
determinado estado de ionización, Aji la probabilidad de transición espontánea, 𝑃(𝜆) es la función
forma de línea que depende exclusivamente de 𝜆 y la longitud de la columna del plasma 𝐿.
En un plasma homogéneo, el espesor óptico determina la proporción de la intensidad de emisión,
dada por 𝐼, en donde se ve atenuada debido a los fotones que son absorbidos por emisores
desexcitados antes de abandonar el volumen del plasma. El valor de este término da información
del tipo de plasma, ya sean delgados, gruesos, o extremadamente gruesos. Este término es
independiente de las coordenadas de posición en todo el plasma.
El espesor óptico, como se puede ver en la ecuación (ec. 2.1), depende de los parámetros
espectroscópicos de línea de emisión considerada, temperatura, densidad electrónica, como así
también de la densidad de las especies emisoras presentes en el plasma. Es el responsable de la
saturación de las líneas debido a la absorción.
30
En muchos trabajos encontrados en la literatura se utiliza la aproximación a plasma homogéneo
para llevar a cabo los análisis (D’Angelo et al. 2015; Martino et al. 2019; Terán et al. 2019).
Aproximación a plasma delgado (Corney 1977a)
Si el término de 𝜅(𝜆)𝐿 (ec. 2.2) es suficientemente bajo, los efectos de autoabsorción son
despreciables, y el plasma se define como fino o delgado. En este caso, es posible hacer una
expansión del término exponencial de la ecuación (ec. 2.1) y se toman solamente los dos primeros
términos. Con esto, la intensidad de la línea espectral, correspondiente a la transición entre los
niveles 𝐸𝑗 𝑦 𝐸𝑖 de las especies atómicas con concentración 𝑁𝑘, vendrá dada por la conocida
expresión de plasma delgado (ec. 2.3).
𝐼(𝜆, 𝐿, 𝑘𝑇) =ℎ𝑐2
2𝜆3𝐴𝑗𝑖𝑁𝑘
𝑔𝑗
Q𝑘(T)exp (−
𝐸𝑗
𝑘𝑇) 𝑃(𝜆) 𝐿
(ec. 2.3)
2.3.4 Aspectos Analíticos de LIBS
La base de toda medición de LIBS es el espectro del plasma que contiene información acerca de los
elementos presentes en la muestra, donde pueden ser utilizados como una “huella digital espectral”
para diferenciar muestras mediante el uso de herramientas adecuadas. Esta información está en
forma de líneas de emisión localizadas en una región del espectro en particular, con una intensidad
de línea también particular. Dada su versatilidad la técnica LIBS ha sido aplicada en el análisis de un
gran número de muestras de diferente procedencia y con diferentes fines (Han et al. 2018; Hussain
and Gondal 2008; L. J. Martino et al. 2019).
Análisis cualitativo
Los análisis cualitativos son llevados a cabo con el fin de identificar muestras, clasificar una muestra
desconocida entre dos a más clases a partir de utilizar la misma matriz en el análisis, o determinar
presencia o ausencia de algún elemento. Para esto, es necesario establecer un cierto límite de
detección, este se define como la concentración que produce una intensidad neta de línea
equivalente a tres veces la desviación estándar del fondo, medidas en cercanías de la misma
(Internation Union of Pure and Applied Chemistry 1997). Puede evaluarse mediante la expresión:
31
𝐿𝑜𝐷 = 𝑘𝜎𝑏
𝑎
(ec. 2.4)
Donde 𝜎𝑏 es la desviación estándar del fondo y 𝑎 la sensibilidad, dada por la pendiente de la recta
de calibración. Se utiliza a menudo un nivel de confianza del 90% con k =3.
El límite de detección se debe considerar como la cantidad mínima de analito que puede
determinarse con un nivel aceptable de exactitud (Cremers and Radziemsky 2006). A su vez, puede
verse afectado por muchos parámetros de medición tales como la energía del láser, así como las
características de la muestras.
Es importante mencionar que cuando la línea o líneas de interés no son detectadas no implica
necesariamente que el elemento no está presente en la muestra, sino que puede encontrarse a una
concentración menor al límite de detección de la técnica y el correspondiente arreglo experimental.
Para lograr realizar la identificación cualitativa de la composición de un material es necesario tener
en cuenta algunos aspectos (Cremers and Radziemsky 2006):
▫ Conocimiento de la muestra.
En algunos casos es posible tener conocimiento de la composición elemental de la muestra, esto
permite realizar las mediciones sobre ciertos elementos que se garantiza que van a estar presentes
en las mismas. A su vez, permite que sea posible determinar o inferir la presencia de ciertos
compuestos moleculares en las muestras a partir del registro de líneas de emisión atómicas de las
mismas.
▫ Aparición en el espectro de varias líneas de emisión características de cada elemento.
Cuanto mayor sea el número de líneas de emisión que pueda asignarse a un mismo elemento, mayor
será la certeza que se tenga sobre su identificación.
▫ Contar con una base de datos de las líneas de emisión de los elementos.
En un plasma LIBS característico, es posible registrar varias líneas que pertenezcan a diversos
elementos que forman parte de la muestra, por lo que es crucial una identificación confiable y rápida
de las líneas de emisión en la ablación con láser de muestras multicomponentes. En la identificación
de elementos mediante LIBS, se utiliza la base de datos de espectros atómicos del Instituto Nacional
de Estándares y Tecnología (NIST, por sus siglas en inglés) (Kramida, Olsen, and Ralchenko 2019).
32
Esta base de datos informa, además de las líneas de emisión, las intensidades relativas medidas por
distintos métodos de excitación y las principales constantes espectroscópicas. A su vez, contar con
una base de datos propia, creada en iguales condiciones a las propuestas para el análisis con el fin
de ser representativas, puede ser de gran aporte en la identificación de líneas características. Las
mismas pueden ser creadas a partir de materiales de referencia o muestras creadas con tal fin,
donde se garantice la presencia del elemento a determinar.
▫ Grado de ionización del elemento.
En un plasma LIBS frecuentemente se encuentran especies neutras o una vez ionizadas. Si en la base
de datos, dos elementos tienen líneas que interfieren espectralmente, y una línea pertenece a una
especie neutra o una vez ionizada y la otra línea pertenece a una especie doble o triplemente
ionizada, lo más probable es que la línea observada pertenezca a la primera especie propuesta.
▫ Intensidad relativa de líneas.
Las intensidades relativas de las líneas (Rel. Int. (Kramida, Olsen, and Ralchenko 2019)) proporcionan
una descripción cualitativa de cómo se ve el espectro de emisión de un elemento particular en una
fuente particular y se pueden utilizar como una guía para ayudar a la identificación. Sin embargo,
cabe señalar que las intensidades relativas de las especies neutras e ionizadas no son directamente
comparables entre las etapas de ionización. Además, las intensidades relativas de las líneas de
emisión LIBS dependen, en cierta medida, de la matriz de la muestra, de las condiciones de
excitación y de las tasas de emisión/absorción.
▫ Condiciones experimentales.
Ciertas condiciones experimentales determinan la observación de los elementos presentes en una
muestra. Por ejemplo algunas líneas son observadas simplemente en condiciones de presión
atmosférica, sin embargo, para ciertos elementos atómicos es necesario contar con condiciones de
baja presión (Lochte - Holtgreven 1968). De esta forma, se produce un aumento de la intensidad de
emisión y de la relación señal/ruido. La mejora observada se debe principalmente a la reducción de
la protección del plasma, lo que resulta en una mayor ablación y un aumento de camino medio ente
colisiones. En los plasmas producidos en condiciones de baja presión o en presencia de un gas
determinado, la dinámica de la pluma del mismo es afectada, así como también las características
de emisión del plasma, el tamaño del cráter y la cantidad de muestra ablacionada (Effenberger and
Scott 2010).
33
▫ Condición de la superficie de la muestra.
Uno de los factores que afecta las mediciones llevadas a cabo mediante la técnica LIBS es causada
por la condición de la superficie de la muestra. En LIBS, este efecto, se manifiesta por ejemplo
cuando la intensidad de las líneas de emisión de un grupo de elementos, que se observa en el
espectro no mantiene condiciones de repetitividad adecuadas de la señal entre diferentes puntos
de la misma muestra. Esto conduce a que no siempre sea posible establecer una relación directa
entre la intensidad de emisión de un dado elemento y la concentración media de la muestra, lo que
determina una limitación para las mediciones llevadas a cabo con la técnica. La principal causa de
este comportamiento es atribuida a la ablación selectiva, donde la vaporización y extracción de cada
uno de los constituyentes del material que compone la muestra depende de sus propiedades y
características. En resumen, cada plasma generado en distintos puntos de la muestra es diferente
en cuanto a su composición, parámetros y geometría. En consecuencia hay que obtener varios
registros en diferentes puntos para que sean representativos con las proporciones de las muestras.
En muestras vegetales la distribución del tamaño de partícula es un parámetro clave para la
composición de pellets prensados (Gustinelli et al. 2015). Existen algunos indicios donde los efectos
de matriz pueden ser reducidos mediante el análisis de pellets preparados a partir de partículas
pequeñas (orden de los 100 µm) (Santos et al. 2012; da Silva Gomes et al. 2011). La descomposición
de partículas y la vaporización, así también como la atomización del analito y las eficiencias de
excitación dentro de los plasmas inducidos por láser, generalmente se favorecen cuando son
ablacionadas las partículas de menor tamaño. En general, hay un límite superior de tamaño de
partícula más allá del cual la misma no se vaporiza por completo, disminuyendo así la relación entre
el tamaño de partícula y la intensidad de la línea de emisión (Asgill and Hahn 2009; Cremers and
Radziemski 1985; Gallou et al. 2011). De esta forma, es importante considerar estos aspectos en el
armado de muestras, ya que el rendimiento de los métodos microanalíticos pueden verse afectados
críticamente (Zeisler 1998) debido a que la pequeña porción ablacionada puede no representar la
composición real de la muestra, conduciendo a resultados imprecisos e inexactos.
En esta Tesis Doctoral, con el fin de lograr la detección confiable de los elementos presentes en las
muestras de estudio, varios de los aspectos mencionados con anterioridad se tuvieron en cuenta.
Un abordaje más detallado será discutido en los capítulos a continuación.
34
Análisis cuantitativo
La aplicación de la técnica LIBS ha evolucionado gracias a la posibilidad de realizar análisis
cuantitativos o semicuantitativos multielementales de forma sencilla o incluso in-situ, de la mayoría
de elementos en diversas situaciones (Cremers and Radziemsky 2006).
El método utilizado para lograr la cuantificación de las especies en una muestra son las curvas de
calibración (Cremers and Radziemsky 2006). Las curvas de calibración relacionan la intensidad de
emisión de una línea espectral de un determinado elemento medida en muestras de referencia, con
las correspondientes concentraciones conocidas en el rango de interés.
En general, para bajas concentraciones la curva de calibración es lineal, respondiendo al modelo de
plasma delgado, dado por la ecuación (ec. 2.3). En donde las intensidades de las líneas (integradas
en λ) son proporcionales a la concentración de elementos presente en el plasma, que a su vez es
proporcional a la que existe en la muestra.
La calibración es por lo general, fuertemente dependiente de las condiciones experimentales de
análisis. En un análisis LIBS hay muchos parámetros que afectan a las mediciones, algunos de estos
pueden ser controlados, tales como la energía de pulso de láser, y otros son dependientes del
procedimiento de obtención de la muestra y sobre las que no puede haber un alto grado de control.
En general, por diferentes efectos puede variar la ablación pulso a pulso, generando distintos
plasmas y finalmente las intensidades son diferentes. Dentro de los factores que pueden afectar el
análisis cuantitativo usando LIBS, se pueden encontrar (Cremers and Radziemsky 2006):
1. Láser: Longitud de onda, energía y duración del pulso, tasa de repetición.
2. Parámetros de muestreo: Distancia de la lente con la muestra, presión y composición de la
atmósfera circundante.
3. Muestra: Uniformidad en la composición, uniformidad de la superficie, efectos químicos y
físicos de matriz (compactación, composición física [por ejemplo, tamaño de partícula de
los componentes de las muestras], humedad, cantidad de agregado de aglutinante),
presencia de aerosoles (polvo) generados por cada pulso.
4. Espectrómetro: Poder de resolución.
5. Detector: Sensibilidad del detector, linealidad de la respuesta, área efectiva de iluminación.
35
Por otra parte, para llevar a cabo la cuantificación es necesario en este punto, considerar el límite
de cuantificación del esquema experimental o sistema de medición, en este caso se define como el
límite de concentración más bajo para mediciones cuantitativamente precisas, y viene dado por 3,3
veces el límite de detección, su expresión se representa en la ecuación a continuación (ec. 2.5)
(Internation Union of Pure and Applied Chemistry):
LoQ = 3,3 LoD (ec. 2.5)
Validación de modelos de calibración.
La validación es el proceso establecido para la obtención de pruebas documentadas, mediante
estudios sistemáticos de laboratorio y demostrativos, que un método de análisis es lo
suficientemente fiable y reproducible para producir el resultado previsto dentro de intervalos
definidos (Magnusson and Örnemark 2014). El proceso de validación permite el conocimiento de
las características de funcionamiento del método y proporciona un alto grado de confianza en el
mismo y en los resultados obtenidos al aplicarlo.
La validación de métodos permite demostrar que un método es "apropiado", es decir que el
resultado analítico es idóneo para el propósito deseado y es confiable para que cualquier decisión
basada en él pueda tomarse con total confianza.
Un método debe ser validado cuando es necesario demostrar que sus características de desempeño
son adecuadas para el uso previsto. La validación implica su aplicación a un número de muestras de
las que se conoce la propiedad a determinar y que no han sido utilizadas en la etapa de construcción
del modelo. De esta forma se verifica que el modelo construido constituye una correcta descripción
del sistema en estudio.
Después de construir un modelo de calibración, es interesante determinar la precisión del mismo al
predecir el resultado de nuevas observaciones que no se utilizan para construir el modelo y/o se
utilizan con fines de validación. En otras palabras, se pretende estimar el error de predicción.
Para llevarlo a cabo, la estrategia básica es (María Antonia and Marcos 2008):
1. Construir el modelo sobre un conjunto de datos de entrenamiento.
2. Aplicar el modelo en un nuevo conjunto de datos de prueba patrones para hacer predicciones.
3. Calcular los errores de predicción.
36
Las métricas estadísticas para cuantificar la calidad general de los modelos de regresión incluyen
(María Antonia and Marcos 2008):
▫ R al cuadrado (R2), que representa la correlación al cuadrado entre los valores de resultado
observados y los valores predichos por el modelo. Cuanto mayor sea el R2 ajustado, mejor será
el modelo.
▫ R Pearson, es una medida de dependencia lineal entre dos variables aleatorias cuantitativas.
▫ Error cuadrático medio (RMSE), que mide el error de predicción promedio realizado por el
modelo al predecir el resultado de una observación. Es decir, la diferencia cuadrática media
entre los valores de resultado conocidos observados y los valores predichos por el modelo.
Cuanto menor sea el RMSE, mejor será el modelo.
▫ Error absoluto medio (MAE), una alternativa al RMSE que es menos sensible a los valores
atípicos. Corresponde a la diferencia absoluta promedio entre los resultados observados y los
predichos. Cuanto más bajo sea el MAE, mejor será el modelo.
En la configuración de clasificación, la tasa de error de predicción se estima como la proporción de
observaciones mal clasificadas.
Metodologías aplicadas para la validación cruzada
i) Leave-one-out cross validation (LOOCV) (Amat 2016)
Este método funciona de la siguiente manera:
1. Dejar un punto de datos fuera y crear el modelo con el resto del conjunto de datos.
2. Probar el modelo con el punto de datos que se dejó en el paso 1 y registrar el error de prueba
asociado con la predicción.
3. Repetir el proceso para todos los puntos de datos.
4. Calcular el RMSE y MAE general tomando el promedio de todas estas estimaciones de error de
prueba registradas en el paso 2.
Esto puede observarse en la figura a continuación (Figura 2.5).
37
Figura 2.5. Validación Cruzada dejando uno afuera (LOOCV). (Domenech 2011b).
ii) K-fold validación cruzada (Amat 2016)
El método de validación cruzada k-fold evalúa el rendimiento del modelo en diferentes
subconjuntos de los datos de entrenamiento y luego calcula el error de predicción promedio. El
algoritmo es el siguiente:
1. Dividir aleatoriamente el conjunto de datos en k-subconjuntos (o k-fold).
2. Reservar un subconjunto y entrenar el modelo en todos los demás subconjuntos.
3. Probar el modelo en el subconjunto reservado y registrar el error de predicción.
4. Repetir este proceso hasta que cada uno de los k subconjuntos haya servido como conjunto de
prueba.
5. Calcular el promedio de los k errores registrados. Esto se llama el error de validación cruzada
que sirve como la métrica de rendimiento para el modelo.
La validación cruzada k-fold es un método robusto para estimar la precisión de un modelo.
La ventaja más obvia de k-fold en comparación con LOOCV es computacional. Una ventaja menos
obvia pero potencialmente más importante de k-fold es que a menudo proporciona estimaciones
más precisas de la tasa de error de prueba que LOOCV (James et al. 2014).
38
Figura 2.6. k- fold validación cruzada. (Domenech 2011a).
iii) K-fold validación cruzada repetida (Amat 2016)
El proceso de dividir los datos en k-fold puede repetirse varias veces, esto se denomina validación
cruzada repetida de k-fold. El error final del modelo se toma como el error medio del número de
repeticiones.
39
MÉTODOS QUIMIOMÉTRICOS APLICADOS A DATOS LIBS
En la mayoría de las investigaciones científicas nos encontramos con múltiples variables de interés.
A partir de esto, surgen algunas preguntas: ¿Deberíamos evaluar una variable a la vez? ¿Qué se
puede perder al realizar un análisis univariado? ¿En qué se diferencian los análisis de datos
multivariados de los métodos univariados que son más familiares? ¿Por qué necesitamos el análisis
multivariado?
Extraer información de un gran volumen de datos mediante gráficos simples y métodos de análisis
univariados es una misión casi imposible y a veces hasta errónea. Aunque en algunos casos puede
tener sentido aislar cada variable y estudiarla por separado, en la mayoría de los casos esto no es
así. Las variables están relacionadas en mayor o menor grado y en consecuencia, si cada variable se
analiza aisladamente, la estructura completa de los datos puede no ser revelada (Ferrero and López
2018). Los datos complejos requieren métodos de análisis que puedan hacer frente a múltiples
variables simultáneamente, que no sólo revelen variables influyentes sino también la relación que
dichas variables tienen entre sí para comprender completamente la estructura y las características
clave de los datos. Por ejemplo, no podemos simplemente utilizar la estación del año para predecir
el tiempo, ya que muchas otras variables son parte de la relación con el clima, esto es porque la
mayoría de los problemas reales son de naturaleza multivariada, lo que significa que existen
múltiples variables que contribuyen a ellos. En resumen, el análisis univariado no necesariamente
cuenta la historia completa de los datos o pueden ni siquiera ser exactos, en cambio, el análisis
multivariado es una herramienta para encontrar patrones y relaciones entre varias variables
simultáneamente.
2.4.1 Principios de quimiometría
La quimiometría es una disciplina metrológica que aplica conocimientos matemáticos,
especialmente estadísticos. Específicamente, se orienta a procesos químicos, extrayendo la mayor
cantidad posible de información y extendiendo el conocimiento de los sistemas químicos, a partir
de datos experimentales. Además, es necesario discriminar entre la información importante y la no
tan relevante, siendo esta, otra rama de estudio de la quimiometría (Mongay Fernandez 2005). El
Prof. Massart (1997) la define como “La quimiometría es la parte de la Química que se sirve de la
matemática, estadística y lógicas formal para: diseñar o seleccionar procedimientos experimentales
40
óptimos, proporcionar información química relevante a partir del análisis de señales analíticas, y
finalmente adquirir conocimiento de los sistemas químicos” (Ziegel et al. 2000).
Algunas áreas de aplicación principales de la quimiometría incluyen: (1) calibración, validación y
pruebas de significación; (2) optimización de mediciones químicas y procedimientos
experimentales; y (3) la extracción del máximo de información química de datos analíticos.
Nace como disciplina científica en la década del 70 con el desarrollo de la instrumentación y el gran
auge de la microinformática, especialmente en el área de instrumentos computarizados para
química analítica (Mongay Fernandez 2005). Estos han habilitado y permitido un alto crecimiento
en el campo de la quimiometría en los últimos 30 años. Sin embargo, los cálculos y algoritmos
necesarios para llevar a cabo ciertos análisis quimiométricos tuvieron que esperar para su desarrollo
hasta la aparición de los dispositivos informáticos actuales, capaces de procesar y realizar cálculos
de grandes conjuntos de datos sin mayor dificultad. En este período, los desarrollos se han centrado
en métodos multivariados (Gemperline 2006). Dado que el mundo que nos rodea es
inherentemente multivariado, tiene sentido tratar múltiples mediciones simultáneamente en
cualquier procedimiento de análisis de datos.
Las técnicas quimiométricas aplicadas al establecimiento de modelos de reconocimiento de pautas
se pueden subdividir en dos subclases (Mongay Fernandez 2005):
Técnicas de reconocimiento de pautas no supervisadas: Estos se basan en descubrir
agrupaciones de pautas en un espacio de N-dimensiones sin saber a priori a qué clase pertenece
cada muestra, es decir, sin información previa de las mismas. Es posible distinguir dos tipos:
técnicas de análisis exploratorio de datos como es el caso del Análisis Multivariado de la
Varianza (MANOVA, por sus siglas en inglés) o el Análisis de Componentes Principales (PCA, por
sus siglas en inglés), y las técnicas de análisis de agrupamiento, como el Análisis de Categorías
(CA, por sus siglas en inglés).
Técnicas de reconocimiento de pautas supervisadas: En este caso, la clasificación se basa en un
aprendizaje previo del sistema, con conjuntos de calibración o entrenamiento de objetos que
permiten definir cada clase, ya que estos objetos son de conocida pertenencia a una de las clases
y luego se utilizarán para predecir ese mismo tipo de información sobre muestras desconocidas.
La calidad de los resultados de la clasificación vendrá influenciada por la calidad de los conjuntos
41
de entrenamiento. Estos métodos pueden ser divididos a su vez en dos subgrupos: métodos
discriminantes y métodos de modelado (Derde and Massart 1986). Los métodos discriminantes
dividen el espacio en tantas regiones como clases haya en el conjunto de entrenamiento,
creando límites compartidos por los espacios; por ello, toda muestra desconocida siempre
podrá ser clasificada como perteneciente a una de las clases. Los más comunes son: Análisis
Discriminante (DA) y Vecino k más Cercano (k-Nearest Neighbour).
Por su parte, los métodos de modelado se basan en la creación de volúmenes en el espacio,
cada uno de los cuales presenta límites para cada una de las clases. Por ello, una muestra puede
clasificarse como perteneciente a alguna de las clases o a ninguna de ellas. Entre estos métodos
se cuentan el Reconocimiento de Pautas mediante Análisis Independiente Multicategórico
(PRIMA), las Clases Desigualmente Dispersas (UNEQ), el Modelado Blando Independiente de
Analogías de Clases (SIMCA) que es probablemente el más conocido y las Redes Neuronales
Artificiales Supervisadas (SANN).
En la última década, algunos autores han empleado herramientas quimiométricas para mejorar la
implementación de la técnica LIBS mediante la extracción de información útil a partir de la gran
cantidad de datos generados en estudios tanto cualitativos como cuantitativos (T. Zhang, Tang, and
Li 2018). En particular, varios algoritmos, típicamente empleados en quimiometría, han sido
aplicados al reconocimiento (tanto supervisado como no supervisado) de patrones en estudios de
tipo cualitativo, y a la calibración multivariada en estudios cuantitativos. Entre las herramientas más
frecuentemente empleadas se pueden mencionar el análisis de conglomerados (CA) (Yueh et al.
2009), análisis de componentes principales (PCA) (Markiewicz-Keszycka et al. 2018), el análisis
discriminante por cuadrados mínimos parciales (PLS-DA)(Kim et al. 2012), la regresión por
componentes principales (PCR), la regresión por cuadrados mínimos parciales (PLSR) (Markiewicz-
Keszycka et al. 2018) y las redes neuronales artificiales (ANN) (Manzoor et al. 2014). A pesar que,
tanto la técnica LIBS como los métodos de análisis multivariado son ampliamente conocidos
actualmente, la combinación de ambos todavía se encuentra en pleno desarrollo.
A continuación se va a proceder a describir sólo las técnicas multivariadas que han sido utilizadas
en el análisis de datos obtenidos en esta Tesis Doctoral.
42
Análisis de Componentes Principales
El Análisis de Componentes Principales (Jackson 1991; Jolliffe 2002; Wilmot and Mansell 2014; Ziegel
et al. 2000) es una técnica de descomposición/proyección bilineal capaz de condensar grandes
cantidades de datos en pocos parámetros. Estos se denominan componentes principales (PCs), y
contienen los niveles, diferencias y similitudes entre las muestras, y las variables que constituyen
los datos modelados. Dado un conjunto particular de datos multivariados, el PCA decide cuál es la
proyección óptima para poder analizar la estructura de esos datos (de variación o estructura de
covarianza).
La proyección se elige de modo que la mayor cantidad de la variabilidad de los datos sea retenida,
utilizando el menor número de direcciones ortogonales posibles.
El PCA constituye:
▫ un método para graficar datos multivariados en unas pocas dimensiones (2 en general);
▫ un método para hallar aquellas direcciones en las que los datos muestran mayor
variabilidad;
▫ un método para transformar las variables originales -generalmente correlacionadas- en
nuevas variables que son claramente ortogonales o incorrelacionadas.
Si se considera una matriz de datos S de covarianzas de n p (filas por columnas), donde se cuenta
con n unidades de análisis (individuos), a quienes se les han medido p características (variables),
como se muestra a continuación:
S
p Variables
n In
div
idu
os
43
PCA busca encontrar un número reducido k (2 ó 3, en general) de combinaciones lineales de las
variables originales que expliquen la mayor parte de la variabilidad presente en los datos.
El PCA utiliza generalmente la matriz de covarianzas (S). Si los datos están estandarizados, la matriz
de covarianzas coincide con la matriz de correlación (R). Como ambas matrices son simétricas, el
PCA puede llevarse a cabo con cualquiera de ellas. Si las variables originales tienen rangos de
variación o escalas muy diferentes, es conveniente estandarizar los datos para el PCA.
Se derivan las Componentes Principales para un conjunto de datos provenientes de una muestra
aleatoria. Sea S o R la matriz de orden p obtenida a partir de una muestra en la que se han medido
variables. El PCA se basa en la descomposición canónica de dicha matriz:
S = QQ’
donde:
Q = [q1,q2 … qp] Matriz de autovectores de S
= diag(1, 2,… , p) Matriz de autovalores de S
Entonces si la descomposición canónica de R (ó S) es
'q
'q
'q
00
0
0
00
qqqQ'QR
p
2
1
p
2
1
p21
las Componentes Principales son las nuevas variables [CP1 … CPp] que se definen mediante:
p)j(1
X
X
X
'q C
p
2
1
jj
Se puede probar que 𝑉𝑎𝑟(𝐶𝑗) = 𝜆𝑗. Es decir, los autovalores de R (ó S) son las varianzas de las
Componentes Principales.
44
Una medida que indica la variabilidad de un conjunto de datos multivariados es la llamada varianza
total. Se define como la suma de las varianzas de las variables originales. En términos matriciales,
es la traza (S) con los datos crudos ó traza (R) con los datos estandarizados. En cualquier caso,
mediante la descomposición canónica se tiene que:
traza(R) = traza()
y por lo tanto
VTot = traza() = λ1 +λ2 + … +λp = Var(CP1) + … + Var(CPp)
De este modo, las Componentes han redistribuido la Varianza Total, haciendo que las primeras
acumulen la mayor parte. La Componente Cj acumula una proporción (%) de VTot igual a
λ j /VTot %
Entonces, si se eligen las primeras k Componentes (k<p) éstas acumulan una proporción de la
variabilidad total de los datos igual a
(1 + 2 + … + k ) / VTot %
Si el porcentaje anterior es elevado, se pueden reemplazar las p variables originales por un número
mucho menor k de componentes, con poca pérdida de información en términos de su variabilidad.
Dado que Q es una matriz ortogonal, nos permite interpretar a las componentes como
combinaciones lineales de las variables originales que resultan de una rotación de los ejes
coordenados. Esto asegura que las distancias entre los individuos se conserven; son las mismas si se
calculan con los valores originales o con los valores que corresponden a las componentes
principales.
La rotación que se mencionó se efectúa de manera que hace coincidir:
▫ el primer eje PC1 con la dirección en la que los datos muestran mayor variabilidad;
▫ el segundo eje PC2 con la dirección de mayor variabilidad entre las ortogonales a PC1;
▫ el tercer eje PC3 con la dirección de mayor variabilidad entre las ortogonales a PC1 y a PC2;
y así siguiendo con las restantes.
Lo expuesto anteriormente puede observarse en la figura a continuación (Figura 2.7).
45
Figura 2.7. Representación de la reducción de la dimensionalidad llevada a cabo por PCA desde un sistema
de tres variables a un sistema de dos componentes principales (CP1 y CP2).
Habitualmente se trabaja con las componentes principales centradas que surgen de centrar las
variables. Las componentes principales centradas tienen su valor promedio en el 0; es decir en el
punto en el que todos los ejes se cortan. De este modo, los individuos que queden cerca del 0
respecto a un eje tendrán un comportamiento promedio, mientras que los que estén más alejados
serán los más diferentes del promedio.
Dado que las CP son combinaciones lineales de las variables originales, es razonable pensar que las
variables originales que estén más fuertemente correlacionadas con ellas, serán las que más
aporten a su interpretación. Es necesario prestar atención a los signos de las correlaciones: si todas
las correlaciones tienen el mismo signo la componente en cuestión puede interpretarse como
“abundancia” o “escasez” de las variables involucradas. Si hay correlaciones con signos opuestos
existe una oposición entre las variables de uno y otro signo: hay individuos que tienen mucho de las
variables negativas y poco de las positivas y viceversa.
Análisis Discriminante Lineal
El método descrito hasta el momento, no sirve para ver si los objetos forman grupos cuando no se
tiene ningún conocimiento a priori. En cambio, el Análisis Discriminante (DA) se basa en el
reconocimiento de pautas supervisado, el punto de inicio es una serie de objetos cuya pertenencia
a un determinado grupo es conocida (Miller and Miller 2002).
X
Y
Z
PC1
PC2
PC1
PC2
46
El DA es una técnica estadística que se utiliza para clasificar a distintos individuos en grupos, o
poblaciones, alternativos, a partir de los valores de un conjunto de variables sobre los individuos a
los que se pretende clasificar. Cada individuo puede pertenecer a un solo grupo. El mismo, como
método de análisis multivariante, permite:
▫ “Explicar” la pertenencia de un individuo a uno u otro grupo en función de variables
independientes, cuantificando la importancia relativa de cada una de ellas.
▫ “Predecir” a que grupo pertenece un individuo que no forma parte de los datos analizados,
y del cual se conoce el valor de las variables de ese individuo, pero no sabemos a qué grupo
pertenece.
La estructura de la matriz de datos utilizada para aplicar un DA se observa a continuación:
En este caso, el conjunto de datos es de dimensión nxp, y hay una columna adicional que identifica
los grupos a los que se quiere asignar a los individuos. La pregunta es: ¿Las variables difieren según
el grupo de observaciones y, si lo hacen, qué variables? Dicho de otra manera, ¿se puede discriminar
entre grupos definidos a priori usando las variables? ¿Qué variables son las mejores para
discriminar?
El punto de partida del Análisis Discriminante Lineal (LDA, por sus siglas en inglés) es encontrar una
función discriminante lineal, Y, que sea combinación lineal de las variables originales, X1, X2, etc.
𝑌 = 𝑎1𝑋1 + 𝑎2𝑋2 + ⋯ + 𝑎𝑛𝑋𝑛
Las n medidas originales para cada objeto se combinan en un único valor de Y, de manera que los
datos se han reducido de n dimensiones a una dimensión. Los coeficientes de los términos se eligen
de manera que Y refleje la diferencia entre los grupos tanto como sea posible: los objetos en el
mismo grupo tendrán valores similares de Y y los objetos en grupos diferentes tendrán valores muy
p Variables
n In
div
idu
os p1 p2 p3 …. pn Grupo
47
diferentes de Y. En consecuencia, la función discriminante lineal proporciona un medio de
discriminación entre los grupos.
El éxito del LDA al distribuir o asignar un objeto correctamente se puede verificar de varias formas.
La más simple es utilizar la regla de clasificación para clasificar cada objeto en el grupo y registrar si
dicha clasificación es correcta. La tabla donde se resumen los resultados de este procedimiento
suele llamarse matriz de confusión o clasificación cruzada.
Un método alternativo para utilizar cuando se tiene más de dos grupos para clasificar es el análisis
de variables canónicas. Éste resulta ser una extensión del LDA que encuentra una serie de variables
canónicas Y1, Y2, que nuevamente, son combinaciones lineales de las variables originales.
En PCA no había supuestos subyacentes, excepto que las relaciones entre las variables deberían ser
lineales. En DA, hay toda una serie de suposiciones, y su validez dicta la utilidad del método para sus
propios datos (Goodstein 1987). Estos supuestos son los siguientes:
▫ Las observaciones se pueden dividir a priori en al menos dos grupos. Cada observación sólo
puede estar en un grupo.
▫ Hay al menos dos individuos por grupo.
▫ El número de individuos en el grupo más pequeño es mayor que el número de variables.
▫ Las variables están en una escala continua. Como se calculan las matrices de covarianza, no
puede usar variables nominales en el conjunto de datos. Puede convertirlos en variables ficticias
con ceros y unos, pero esto viola otros supuestos.
▫ Las relaciones entre las variables son lineales. Esto se debe a que se utilizan matrices de
covarianza.
▫ No existe una colinealidad del 100% entre las variables.
▫ Las variaciones dentro del grupo son aproximadamente similares entre los grupos. Esto también
se llama suposición de homogeneidad. Significa que la propagación de una variable particular
debe ser (aproximadamente) la misma para cada grupo de observaciones.
▫ Las relaciones entre variables deben ser similares para diferentes grupos. También significa que
una variable dentro de un grupo no puede tener el mismo valor (por ejemplo, cero) para cada
observación, ya que esto evita el cálculo de la matriz de covarianza. Algunos programas seguirán
produciendo resultados razonables incluso si no se cumple esta suposición.
48
▫ Las pruebas de hipótesis suponen la normalidad multivariada de las n variables dentro de cada
grupo.
▫ Los individuos son independientes. Esto significa que no se pueden utilizar series temporales,
datos parciales y comparaciones de antes y después.
Análisis Multivariado de la Varianza (MANOVA)
El análisis multivariado de la varianza (MANOVA) es una extensión del análisis de varianza común
(ANOVA). En ANOVA, se estudian las diferencias entre las diversas medias grupales en una variable
de respuesta única. En MANOVA, el número de variables de respuesta se incrementa a dos o más.
La hipótesis se refiere a una comparación de vectores de medias grupales (Foster, Barkus, and
Yavorsky 2014). El MANOVA es una técnica de dependencia que permite estimar las diferencias
entre las medias de varias categorías o tratamientos, mediante la comparación conjunta de las
variables dependientes observadas. Las categorías vienen dadas por el conjunto de criterios que
definen distintos estados, cuadros patológicos, grupos humanos, dosis, tratamientos, etc. Las
condiciones necesarias para utilizar el MANOVA son:
a) Hay varios tratamientos o grupos que se definen por el grado, la ausencia o presencia de una o
más variables independientes,
b) al interior de cada tratamiento o grupo seleccionado, hay varios individuos o sujetos, y
c) las mediciones para cada individuo o sujeto son independientes.
Se asume hipótesis nula cuando las medias no difieren significativamente (p 0,05) y se asume
hipótesis alternativa cuando las medias difieren significativamente (p < 0,05). Para la comparación
de las medias se usan varios métodos basados en la t de student.
A continuación se enumeran los supuestos estadísticos de esta técnica:
▫ Las variables se distribuyen de manera normal en conjunto, lo cual se evalúa mediante los test
de Mardia (distribución normal multivariada).
▫ Las varianzas de cada variable resultan iguales cuando son comparadas entre los grupos
(homocedasticidad).
▫ Los coeficientes de correlación (usualmente r de Pearson) entre dos variables para un mismo
grupo son comparables, asimismo para todos los grupos.
49
▫ Las variables dependientes se correlacionan entre sí.
Cuando se cumplen los supuestos para MANOVA y no hay interacciones presentes, esta técnica
funciona satisfactoriamente para probar la igualdad o la diferencia en las medias entre los grupos.
Sin embargo, se considera que el MANOVA (al igual que el LDA) es robusto a violaciones moderadas
de la normalidad, siempre que la violación sea creada por asimetría y no por valores atípicos
(Tabachnick and Fidell 2007).
Para los datos multivariados, casi siempre se puede considerar como una mejor opción que las
técnicas univariadas correspondientes (Stahle and Wold 1990).
Usualmente se aplica MANOVA en dos situaciones en particular: i) se quiere obtener información
de una prueba estadística en general, sobre varias variables dependientes correlacionadas en lugar
de realizar múltiples pruebas individuales, ii) explorar cómo varias variables independientes influyen
en algunos patrones de respuesta de las variables dependientes (Stahle and Wold 1990).
50
3 CAPÍTULO III: MATERIALES Y MÉTODOS
EQUIPO EXPERIMENTAL LIBS
Los equipos experimentales LIBS poseen la característica de presentar una configuración sencilla.
En líneas generales, es necesario contar con un láser con suficiente potencia y una lente de enfoque
para la generación del plasma sobre la superficie de la muestra. Luego, la emisión es dirigida dentro
de un espectrógrafo, donde se dispersa la luz y se descompone en componentes espectrales. A
continuación, es necesario convertir la señal de salida dispersada en una señal eléctrica mediante
un sensor que puede ser un fotomultiplicador, un arreglo de fotodiodos, una cámara CCD (Charge-
Coupled Device) o ICCD (Intensified Charge-Coupled Device). Finalmente, se procesa la señal emitida
por el plasma mediante una PC, donde se registran los datos con el fin de analizar los resultados
obtenidos.
3.1.1 Arreglo experimental 1: Registro de espectros de resolución media sin
discriminación temporal
Los plasmas se generaron con un láser Nd: YAG Q-switched pulsado (Laser Big Sky, Model Ultra,
Laser Technologies, Inc., USA), que opera en la longitud de onda fundamental de 1064 nm, con una
tasa de repetición de 2 pulsos/s, un ancho de pulso de 5 -7 ns y una energía de 50 mJ/pulso.
Los pulsos láser fueron enfocados sobre la superficie de la muestra en forma normal y en aire a
presión atmosférica, con una lente (L1) de 200 mm de longitud focal. Las muestras a ser analizadas
se ubicaron en un soporte rotativo a fin de realizar disparos con el láser en distintos lugares y evitar
cráteres por ablación que afectan a la señal.
La luz del plasma es colectada mediante una segunda lente de cuarzo (L2) de 100 mm de longitud
focal, y se forma la imagen del plasma sobre la rendija de entrada (100 μm) de un monocromador
(Model VM-504, Acton Research Corporation, USA, longitud focal 0,39 m) y posee una dispersión
lineal recíproca de 2.1 nm/mm en todo el espectro. La luz dispersada se detectó con un arreglo de
fotodiodos lineales (PDA) no intensificado (Model RY-1024, PDA, Princeton Instruments, Inc., USA),
y sin discriminación temporal. Este sistema permite medir un rango espectral de 200 a 1000 nm,
dividido en porciones de 50 nm cada una.
51
El PDA está sincronizado con los pulsos láser por una señal de trigger, luego la luz es integrada en
todo el tiempo de vida del plasma. La adquisición de los datos del detector y la parametrización de
ciertos datos de los registros (como por ejemplo, el tiempo de exposición) así como la visualización
y el almacenamiento de los espectros se realiza por medio de una PC.
Esta configuración es muy eficaz para análisis rápidos, utilizada con muy buenos resultados en
detección de componentes mayoritarios, aunque no tanto para la cuantificación de elementos. Una
descripción del mismo puede observarse en la Figura 3.1.
Figura 3.1. Arreglo experimental LIBS 1. Registro de espectros de resolución media sin discriminación
temporal. (Adaptado de Papuccio 2020).
3.1.2 Arreglo experimental 2: Registro de espectros de alta resolución y discriminación
temporal
En este caso, se utilizó un láser Nd: YAG Q-switched pulsado (Continuum Surelite II), que opera en
la longitud de onda fundamental de 1064 nm y ancho de pulso de alrededor de los 7 ns, con una
tasa de repetición de hasta 10 pulsos/s y una energía 100 mJ/pulso.
Los pulsos láser fueron enfocados sobre la superficie de la muestra en dirección normal, con una
lente (L1) con recubrimiento antirreflejo y de longitud focal de 100 mm.
52
Las muestras a ser analizadas se ubicaron en un soporte rotativo durante la medición, para evitar la
formación de cráteres profundos por el proceso de ablación, mejorando así la reproducibilidad, y
permitiendo el análisis de distintas zonas de las muestras.
La luz emitida por el plasma fue colectada mediante una segunda lente (L2) de 200 mm de longitud
focal (para líneas en la zona UV del espectro la señal fue colectada mediante una lente de cuarzo de
100 mm) y las mismas forman la imagen del plasma sobre la rendija de entrada (ancho de 100 μm)
de un monocromador (Jobin Yvon THR 1500, configuración Czerny - Turner, longitud focal 1.5 m).
La dispersión se produce mediante una red de difracción holográfica de 2000 líneas/mm, con esto
se tiene una resolución de R=300000 en doble pasaje a λ = 300 nm (tal como se utilizó en esta Tesis),
y una dispersión línea recíproca en el plano de la rendija de salida que se encuentra detallada en el
Anexo 1. Una cierta apertura de la rendija de entrada del monocromador permite el registro de una
correspondiente sección transversal del plasma. En este caso, la sección de los plasmas observados
se refiere al registro de señales provenientes de una porción determinada del volumen total del
plasma. Por otro lado, también se tiene una imagen del plasma formado por una lente sobre una
pantalla para lograr un ajuste de alineación del plasma en forma visual. La posición de esta imagen
en la pantalla permite reproducir la posición del enfoque del láser sobre la muestra luego de cada
cambio de la misma, con muy buena precisión.
La luz es detectada por un fotomultiplicador (Hamamatsu modelo R928) y la señal eléctrica es
discriminada en el tiempo y promediada por un promediador Boxcar (Standford Research System,
módulos SR 250, SR 280). La discriminación temporal se lleva a cabo con determinados tiempos de
retardo postbreakdown (coordinada con una señal trigger proveniente del láser) y tiempos de
integración adecuados (tiempos de adquisición o acumulación de señal). Luego es promediada
(promedio por cada 3 muestras), enviada a un convertidor analógico-digital, y finalmente es
registrada por una PC.
La señal final registrada está dada por la intensidad de luz medida en la ventana temporal
seleccionada. Para analizar una porción del espectro se hace un barrido de una determinada zona
espectral, mediante la rotación de la red de difracción del monocromador con una velocidad
determinada. Esto permite hacer registros espectrales con una muy buena resolución en función de
la cantidad de disparos láser.
Esta configuración experimental es muy eficaz para análisis muy detallados, especialmente para el
análisis de líneas muy débiles o difíciles de observar. La gran capacidad de este arreglo está
53
orientada al estudio de la física de plasmas específicamente cuando es necesario el estudio de
perfiles de líneas. Una descripción del mismo puede observarse en la Figura 3.2.
Figura 3.2. Arreglo experimental LIBS 2. Registro de espectros de alta resolución y discriminación temporal.
3.1.3 Arreglo experimental 3: Registro de espectros de alta resolución y discriminación
temporal en condiciones de baja presión.
Hay ciertos elementos que requirieron que su obtención se lleve a cabo en condiciones de baja
presión, con el fin de obtener mayor intensidad en la medición. Para esto, fue necesario montar un
nuevo arreglo experimental, a partir del equipo experimental 2, crear una celda de vacío con
características específicas para este fin y utilizar nuevo equipamiento.
Las muestras se colocaron sobre un dispositivo rotativo adosado a un motor (220 V a 3 rev/min)
dentro de un soporte en Grilón preparado para trabajar en vacío. Luego, la sección posterior del
soporte se conectó mediante una manguera al sistema de vacío. Para sellar el sistema se utilizó un
cilindro de vidrio (103 mm de largo y 93.5 mm de diámetro interno) diseñado especialmente para
encastrar en el soporte. La junta entre el cilindro y el soporte plástico se aseguró por una junta tórica
recubierta por grasa siliconada de vacío.
54
El vacío dentro de la cámara se creó mediante una bomba mecánica (Varían SD 451) conectada a la
celda de la muestra mediante mangueras plásticas. Al sistema de vacío también se conectó un
manómetro analógico (Edwards Pirani PR 25-S) que permitió monitorear la presión dentro de la
cámara. La presión en equilibrio obtenida por la bomba y que se utilizará a lo largo de todo el trabajo
estuvo en el rango de 0,6 - 4x10-1 mbar. Un esquema de la configuración experimental al vacío,
puede observarse en la Figura 3.3.
Figura 3.3. Arreglo experimental LIBS 3. Registro de espectros de alta resolución y discriminación temporal
en condiciones de baja presión.
REACTIVOS
Como ya se discutió en la sección 2.1.6 los plaguicidas utilizados para el siguiente estudio de
investigación fueron: clorpirifos (C9H11Cl3NO3PS), carbendazim (C9H9N3O2), dimetoato
(C5H12NO3PS2), imidacloprid (C9H10ClN5O2) y cipermetrina (C22H19Cl2NO3), los mismos fueron
obtenidos en agronomías locales. El clorpirifos, imidacloprid y cipermetrina son insecticidas, el
dimetoato a su vez, es acaricida y el carbendazim es un fungicida. Los ingredientes activos poseen
una concentración de 250 g/L, 75 g/L, 500 g/L, 200 g/L y 125 g/L respectivamente.
55
PREPARACIÓN DE MUESTRAS
Una de las ventajas más ampliamente citadas de LIBS es que no requiere una significativa
preparación de las muestras de estudio, aunque esto también pude ser una limitación en la
adquisición de registros de señales (repetitividad de la señal, ablación extrema de la muestra, etc).
A partir de esto, se presentan a continuación las metodologías utilizadas con el fin de disminuir las
limitaciones mencionadas.
3.3.1 Preparación de muestras patrones
Para poner a punto la técnica fue necesaria la obtención y fabricación de muestras de hortalizas
como patrones, con este fin se seleccionaron muestras de acelga (Beta vulgaris var. Cicla). Este
vegetal ha sido considerado como alimento básico de la nutrición humana durante mucho tiempo
y a su vez, la elección vino aparejada a que es un cultivo que puede obtenerse a lo largo de todo el
año, independiente de las condiciones estacionarias y las marcadas diferencias de temperaturas que
se tienen en nuestra zona. De esta forma se garantizó la obtención continua de la misma para la
realización de muestras con fines analíticos. Estas fueron obtenidas de una huerta donde se lleva a
cabo una producción orgánica, es decir, sin la aplicación de plaguicidas o fertilizantes que pudieran
provocar interferencias en las mediciones.
Los pasos a seguir para la preparación de muestras contaminadas con diferentes plaguicidas se
pueden observar en la Figura 3.4. En una primera instancia, las hojas frescas de acelga se sometieron
a un lavado bajo agua de red, con el fin de eliminar restos de suciedad y microorganismos que
pudieran quedar adheridos sobre la superficie. Luego se procedió a un lavado con agua destilada, y
secado en un horno a 60 °C hasta peso constante. Una vez obtenido el material seco, fue pulverizado
y tamizado por medio de un tamiz de 60 mesh (250 µm) para obtener tamaños de partículas
homogéneos, debido a que como se informa en la literatura, la distribución del tamaño de partícula
afecta críticamente el desempeño de los métodos microanalíticos (Gustinelli et al. 2015). Luego,
alícuotas de 2.5 g de acelga pulverizada se mezcló y homogeneizó con 0.75 mL de cada plaguicida y
se dejaron secar a temperatura ambiente. Para fines de control, también se preparó una muestra
de acelga a través del mismo proceso, pero en esta ocasión se mezcló y se homogeneizó con 0,75
mL de agua destilada. Por último, se prepararon pellets mediante un compactador a 140 MPa por 1
min, con tamaños aproximadamente de 30 mm de diámetro y 2 y 4 mm de espesor. De esta forma
56
se proporciona una superficie de muestra más uniforme para obtener emisiones LIBS más estables
y se garantiza la representación de la composición de las muestras en los resultados analíticos
(Gondal et al. 2007).
Figura 3.4. Armado de pellets de acelga con plaguicidas para la aplicación de LIBS.
Por otro lado, con el fin de probar la reproducibilidad de aplicación de la técnica LIBS sobre
diferentes hortalizas, se crearon muestras de rúcula, lechuga y espinaca con el procedimiento
anteriormente descrito y el agregado de agua destilada. Los pellets obtenidos pueden observarse
en la Figura 3.5.
Figura 3.5. Pellets obtenidos a partir de diferentes hortalizas.
Hojas de acelga frescas
Polvo fino Plaguicidas Pellets
57
A partir del registro de señales mediante el arreglo experimental 1, se identificaron algunos
elementos típicos de las hortalizas elegidas. Para este fin, se registró un intervalo de 50 nm de
longitud de onda, centrado en 300 nm. A continuación, en la Figura 3.6 se presentan los espectros
obtenidos.
275 286 297 308 319 3300
1500
3000
275 286 297 308 319 3300
1500
3000
275 286 297 308 319 330
1500
3000
275 286 297 308 319 3300
1500
3000
Longitud de onda (nm)
Espinaca
Rúcula
Inte
nsid
ad (
u.a
.)
Lechuga
Al I
Mg II
Mg II Ca IIMg II
AcelgaMg II
Ca I Al IFe II
Si I
Figura 3.6. Espectros de emisión LIBS en diferentes hortalizas con agregado de agua destilada. Identificación
de elementos típicos.
A partir del análisis de los registros pudieron observarse líneas de emisión de elementos tales como
aluminio (Al), calcio (Ca), magnesio (Mg), hierro (Fe) y silicio (Si).
58
Las hortalizas, en general, aportan nutrientes necesarios que el organismo necesita para funcionar
y su proporción responde, en gran medida, al tipo de suelo del cultivo. En particular, los vegetales
de hojas verdes aportan macronutrientes, tales como Mg, Na, K, Ca, Si, entre otros. En la Figura 3.5
pueden observarse líneas de emisión características de algunos de estos elementos en las cuatro
hortalizas medidas. Por otro lado, el Fe, oligoelemento, sólo se observa en la acelga y la espinaca,
esto es debido a que, este mineral se encuentra en mayor concentración en estas hortalizas, siendo
las principales fuente de Fe de origen vegetal (3,3 mg/100 g y 2,7 mg/100 g), a diferencia de la
lechuga y de la rúcula, en donde su concentración es mucho menor (1,2 mg/100 g y 1,4 mg/100 g)
(Martinez Centelles 2020).
A partir de esto, se puede concluir que, al presentar matrices similares, se garantizaría la
reproducibilidad de la aplicación de la técnica LIBS, por tanto, sería posible aplicar los resultados
obtenidos de esta tesis a hortalizas de hojas verdes en general.
3.3.2 Preparación de muestras de referencia con fines de calibración
Siguiendo el mismo procedimiento de la sección anterior, se fabricaron muestras de referencia para
fines de calibración y para la validación del rendimiento analítico del método LIBS. Se adoptó el
enfoque de calibración de adición estándar debido a que emplea las propias muestras analíticas
para evitar cambios de matriz que pudieran alterar las mediciones. Las muestras de referencia con
concentraciones conocidas fueron obtenidas a partir de diluir los plaguicidas en cuestión, con
volúmenes apropiados de agua destilada. De esta forma se obtuvieron muestras de dimetoato, las
cuales contienen concentraciones crecientes de P y S, y por otro lado, muestras de clorpirifos,
utilizadas para el registro de C y Cl a diferentes concentraciones. Las mismas fueron creadas en los
rangos de concentración de plaguicidas de 0–80 mg/kg y 0-250 mg/kg, respectivamente. En la Tabla
3.1 se pueden observar las concentraciones de referencias obtenidas y sus equivalentes en
concentración para el S, P, Cl y C, calculados a partir de la proporción de estos elementos en los
plaguicidas mencionados.
59
Tabla 3.1. Concentraciones de muestras de referencia de dimetoato y clorpirifos con fines de calibración, y
sus equivalencias de S, P, C y Cl.
Dimetoato
(mg/kg) S (mg/kg) P (mg/kg)
Clorpirifos
(mg/kg) C (mg/kg) Cl (mg/kg)
0 0 0 0 0 0
10 2,796 1,352 20 6,16 6,066
20 5,592 2,704 50 15,4 15,165
40 11,184 5,408 80 24,64 24,264
50 13,98 6,76 100 30,8 30,33
80 22,368 10,816 250 77 75,825
OBTENCIÓN DE REGISTROS DE SEÑALES LIBS
Para la adquisición de los registros de señales LIBS se implementó un nuevo método de integración
óptico, a fin de mejorar y simplificar mediciones del tipo analíticas. Este método consistió en
aprovechar la gran sensibilidad del fotomultiplicador, junto a la resolución temporal para el análisis
de la señal dada por el boxcar y la alta resolución del monocromador. El mismo fue utilizado como
un espectrógrafo de integración de línea completa, de manera que es posible integrar todo el perfil
de una línea en cada plasma producido, sin detalles de la misma, pero obteniendo la intensidad
total. Para cada elemento, se seleccionó la porción del espectro que contiene solamente la línea
elegida y es totalmente registrada por el fotomultiplicador, lo cual se realizó seleccionando un
determinado ancho de la rendija de salida en función de la dispersión lineal del monocromador (ver
Anexo 1). Esto, se llevó a cabo para optimizar el registro de la línea seleccionada por el
fotomultiplicador, dejando fuera parte del espectro que interfiera con la señal final registrada. De
esta forma, permitió realizar un análisis rápido, con mínima destrucción de la muestra (menos
disparos de láser), pero al mismo tiempo con mayor adquisición de datos de intensidades de línea,
con el fin de realizar una buena estadística y compensar la limitación de repetitividad de LIBS.
Asimismo, se realizaron pruebas preliminares para determinar los valores óptimos para los
siguientes parámetros: elección de las líneas de emisión, tiempo postbreakdown y tiempo de
integración, número de registros de plasmas, sección a observar del plasma (discriminación en la
60
imagen del plasma en el plano de la rendija de entrada) y porción espectral a integrar (ancho de
rendija de salida).
3.4.1 Pretratamiento de espectros
Por otro lado, con el fin de aumentar la representatividad de los registros de señales LIBS, fue
necesario normalizar las intensidades de las señales del analito en estudio utilizando un parámetro
representativo de las condiciones de plasma reales. Dado que, al trabajar con diferentes plaguicidas,
las muestras a analizar presentaban diferencias de matriz debido a propiedades diferentes entre los
plaguicidas seleccionados, se procedió al procesamiento analítico de los datos. Para esto, se llevó a
cabo una normalización de los registros de línea obtenidos, los datos fueron normalizados con
respecto a un fondo medido con la función de obtenerlos en la misma escala.
Estos resultados ya habían sido estudiados en otras ocasiones. Castro and Pereira-Filho 2016
utilizaron doce tipos diferentes de normalización de datos para reducir la interferencia por matriz y
mejorar los modelos de calibración. Sus hallazgos muestran que la aplicación de los modelos de
normalización fue útil para compensar las diferencias entre las matrices de las muestras. Los
modelos sin normalizar presentaron errores de dos a cinco veces mayores. Por su lado, Karki et al.
2016 estudiaron el rendimiento analítico de varias técnicas de normalización de espectro diferentes,
a saber, normalización interna, normalización con luz total, normalización con fondo junto con el
métodos de suavizado de tres puntos, entre otras, para la cuantificación de Cr, Mn y Ni en acero
inoxidable. En este caso, los resultados finales mostraron la superioridad de la técnica de
normalización interna sobre el resto, independientemente de si se trata de análisis de Cr, Ni o Mn.
61
4 CAPITULO IV: IDENTIFICACIÓN Y CARACTERIZACIÓN DE PLAGUICIDAS EN
MUESTRAS DE ACELGA MEDIANTE LA TÉCNICA LIBS UTILIZANDO
MÉTODOS QUIMIOMÉTRICOS
La cantidad de trabajos de análisis LIBS que incorporan técnicas quimiométricas, ha aumentado en
forma constante desde la década de los 90 (Cremers, Radziemski, and Gottfried 2013). En los inicios,
el uso de la quimiometría se restringía para análisis cuantitativo, en la determinación de
concentraciones. En cambio, en los últimos años, la mayoría de los artículos LIBS se han centrado
en el análisis cualitativo, es decir, reconocimiento de patrones y clasificación de muestras.
La aplicación exitosa de la quimiometría a los datos espectrales depende de los propios datos, que
contienen información relacionada con las propiedades que se describirán y/o predecirán (Cremers,
Radziemski, and Gottfried 2013). Por esta razón, es esencial asegurar que se usen los espectros de
mejor calidad posible para construir el modelo quimiométrico apropiado. Esto incluye, no solo la
mejor relación señal/ruido de las líneas espectrales relevantes, sino también un buen control (o al
menos comprensión) de los parámetros experimentales. A su vez, se debe garantizar que las
características que utiliza el modelo para diferenciar las muestras (por ejemplo, líneas de emisión
seleccionadas) sean relevantes para la aplicación.
Las técnicas quimométricas, tales como el análisis de componentes principales (PCA) y el análisis
discriminante lineal (LDA), son métodos estadísticos multivariados aplicados a: reducción de
problemas dimensionales (número de variables), evitando así la pérdida de información esencial;
reconocimiento de patrones; y caracterización de un conjunto de muestras (Hopke 2003; Marini
2013; Miller and Miller 2002). Aunque las técnicas de análisis quimiométrico multivarial se han
aplicado a la clasificación de alimentos (Bilge et al. 2015; Markiewicz-Keszycka et al. 2018; Temiz et
al. 2018; Yuan et al. 2016), actualmente no se informan estudios que implementen LIBS junto con
técnicas quimiométricas para la caracterización de plaguicidas en vegetales.
En el presente estudio se evaluó la aplicabilidad de la técnica LIBS, combinada con métodos
quimiométricos, para la detección y caracterización rápida de plaguicidas, incluidos herbicidas y
fungicidas, en muestras de acelga. Por lo tanto, se estudió la viabilidad de la técnica LIBS para su
aplicación como una técnica simple y económica en la detección de plaguicidas en matrices
62
vegetales. Los objetivos propuestos en este capítulo fueron: i) identificar los plaguicidas en muestras
de acelga contaminadas con base en la detección de los elementos que componen los agentes
activos, y ii) caracterizar y clasificar los plaguicidas por métodos quimiométricos.
METODOLOGÍA
Para llevar a cabo los objetivos planteados, se utilizaron las muestras de acelga creadas siguiendo
las directrices enunciadas en la sección 3.3.1, contaminadas con los siguientes plaguicidas:
dimetoato, cipermetrina, imidacloprid, clorpirifos y carbendazim. Además se utilizó la muestra de
acelga con agua destilada con fines de control. Estos plaguicidas presentan en sus moléculas ciertos
elementos atómicos que se encuentran presentes en diferentes proporciones, o en algunos casos,
ausentes, y que sirven para diferenciar los agentes activos de estudio. Partiendo de la base que, la
selección de variables es especialmente importante para la construcción de análisis quimiométricos,
y que los mismos deben ser representativos del conjunto de muestras a medir, los elementos
atómicos elegidos para el análisis fueron: azufre, fósforo, carbono y cloro. Dentro de los plaguicidas
seleccionados, se encuentras tres insecticidas con presencia de Cl, el imidaclorpid, la cipermetrina
y el clorpirifos, a su vez, este último contiene en su forma molécular P y S, mismos elementos que
se encuentran en la molécula de dimetoato. El carbendazim, por su lado, presenta una fórmula
molecular más simple, pudiendo diferenciar a este plaguicida por la ausencia de los otros elementos
y las diferencias en la proporción de C, elemento en común entre los plaguicidas de estudio.
Se midieron registro de señales de P, S, C y Cl tanto en las muestras de acelga contaminadas con los
plaguicidas seleccionados como en la muestra de control. El conjunto de datos obtenido fue
posteriormente utilizado en la aplicación de análisis quimiométricos, para la caracterización y
clasificación de plaguicidas según las variables de estudio. Previamente, se realizó un análisis
estadístico para verificar si existen diferencias significativas entre las medias de las variables que
conforman los plaguicidas, mediante la aplicación de ANOVA, con un nivel de significancia p˂0,05.
A su vez, se verificaron los supuestos de normalidad (test Shapiro-Wilks) y homocedasticidad
(gráfico de dispersión) correspondientes (ver Anexo 2).
Luego, se aplicó un Análisis de Componentes Principales con las variables de estudio para analizar
la estructura de covariación, reducir la dimensión de información y lograr una representación
63
conjunta de datos. Como ya se mencionó, PCA es una técnica no supervisada ya que no se asigna
información de grupo (es decir, clase) a los datos del modelo.
A continuación, se aplicó una técnica supervisada, mediante un Análisis Discriminante Lineal, con el
fin de buscar relaciones lineales entre las variables continuas que mejor discriminan a los grupos a
los que se asignaron previamente las unidades de muestra. Cabe recordar, que el LDA genera grupos
homogéneos de acuerdo con la función que los clasifica. Las asignaciones de la función
discriminante pueden coincidir o no con la preasignación, a partir de la cual se construyó una tabla
de clasificación cruzada entre la asignación realizada por el método y la asignación propuesta.
Finalmente, se realizó un análisis de varianza multivariante, mediante el uso de la prueba de
Hotelling para detectar diferencias significativas entre los grupos, considerando un nivel de
confianza del 95%.
Los espectros fueron procesados usando el software Microcal Origin. Por otro lado, Rstudio Core
Team (2016) (Core Team) e InfoStat (2018) se utilizaron como softwares para los análisis
estadísticos.
IDENTIFICACIÓN DE PLAGUICIDAS MEDIANTE EL REGISTRO DE SEÑALES LIBS
Para la caracterización de los plaguicidas se registraron las líneas de emisión de los elementos P, S,
Cl y C. La adquisición de datos LIBS fue obtenida mediante los equipos experimentales de alta
resolución 2 y 3 (sección 3.1.2 y 3.1.3).
Las líneas seleccionadas, las condiciones experimentales y los tiempos de medición fueron elegidos
para cada elemento a partir de un estudio exhaustivo, que permitió encontrar las mejores
condiciones experimentales. Con el objetivo de garantizar intensidad máxima y que las líneas en
cuestión se encuentren relativamente aisladas y libres de interferencias con líneas de elementos
posiblemente presentes en las muestras.
4.2.1 Selección de líneas para registro de elementos
En una primera instancia, fue necesario realizar un estudio sobre las líneas de emisión de las
variables seleccionadas. Para esto se realizó una búsqueda en la base de datos de espectros
atómicos de NIST (Kramida, Olsen, and Ralchenko 2019), en donde se observó la intensidad relativa
64
reportada, la probabilidad de transición (Aji) y los niveles de energía (Ej, Ei), ya sean de elementos
en estado neutro o una vez ionizados. En esta instancia, se buscaba que la intensidad relativa y la
probabilidades de transición fueran las más altas posibles, mientras que los niveles de energía
fueran bajos o inclusive transiciones que involucren el estado fundamental (líneas resonantes). Sin
embargo, algunas de las características anteriormente mencionadas, no fueron posibles de
encontrar. En la tabla a continuación (Tabla 4.1) pueden observarse las líneas elegidas
conjuntamente con sus datos espectroscópicos.
Tabla 4.1. Información espectroscópica de las líneas seleccionadas para la caracterización de plaguicidas
(Kramida, Olsen, and Ralchenko 2019).
S II P I C I Cl I
Líneas seleccionadas (nm) 416,26 253,56 415,33 725,66
Probabilidad de transición (s-1) 2,3e+08 9,5e+07 ------ 1,5e+07
Ej (eV) 18,921905 7,2127021 7,94627039 10,6297964
Ei (eV) 15,944264 2.324457 10,930438 8,9216999
gj* 10 4 7 4
gi* 8 4 5 6
Término y configuración del
nivel superior**
3s23p2(3P)4
d- 4F
3s23p2(3P)4s -
2P 2s22p7 - 3D
3s23p4(3P)4p
- 4S°
Término y configuración del
nivel inferior **
3s23p2(3P)4
p - 4D° 3s23p3 - 2P° 2s2p3 - 3D°
3s23p4(3P)4s
- 4P
*Peso estadístico correspondiente a cada nivel
**Estructura electrónica correspondiente a cada nivel
Como se puede ver en la Tabla 4.1, las energías de excitación correspondientes a las transiciones de
las líneas seleccionadas son muy elevadas respecto a líneas resonantes. Esto representa una gran
dificultad a la hora de observar las correspondientes emisiones de estos elementos presentes en las
muestras.
Por otro lado, cabe destacar, que las líneas más intensas de algunos de los elementos seleccionados
(P, C y S), se encuentran en la región espectral ultravioleta del vacío (VUV) (Labutin et al. 2014; Lee
et al. 2017), imposible de registrar con la configuración experimental que contempla cierta
versatilidad.
65
4.2.2 Condiciones experimentales de medición
Hay trabajos recientes que ya han observado limitaciones en el registro de ciertas líneas y optaron
por superarlas de diferentes formas. Zhang et al. 2020 compararon medidas registradas con LIBS
tradicional y LIBS combinado con dispersión de resonancia Raman (LIBS-RRS) en la cuantificación de
S, logrando una mejora muy aceptable en la detección del elemento. Para ello, implementaron un
esquema experimental a presión atmosférica e irradiaron el plasma con un láser OPO (láser
sintonizable en longitud de onda de oscilador paramétrico óptico) para registrar la emisión Raman.
Por su parte, Labutin et al. 2014 determinaron concentraciones de Cl, S y C en la estructura de
hormigón, considerando que estos elementos son muy importantes en la corrosión del material.
Con tal fin, aplicaron la técnica LIBS con doble pulso, observando líneas en el espectro visible, UV e
IR. Por otro lado, en un trabajo muy reciente, Fernández-Menéndez et al. 2020 estudiaron la
evolución temporal de la emisión molecular de CaF junto con la emisión atómica de Ca en diferentes
regiones del plasma, logrando un nuevo método para el análisis cuantitativo de F y otros halógenos.
En nuestro caso, la detección S se vio dificultada a presión atmosférica debido justamente a las altas
energías de los niveles electrónicos excitados. Es por esto que se optó por llevar a cabo el registro
de señales a baja presión, con el esquema que ya fue descrito en la Figura 3.6.
Por otra parte, para el caso del P, se seleccionó la línea 253,56 nm de P I, y presión atmosférica,
debido a las limitaciones de observar líneas por debajo de 300 nm con la celda de vacío. Esto último
se debe a que la celda utilizada en estas mediciones estaba construida con vidrio BK7, que atenúa
totalmente la señal por debajo de la longitud de onda referida. Considerando, a su vez, que la línea
presentaba registros de señales óptimos.
El C también se eligió medir a baja presión debido a la mejor observación de la línea 415,33 nm, en
lugar de la 247,85 nm observable a presión atmosférica y generalmente estudiada (Labutin et al.
2014), cuyo registro de intensidad relativa era mucho menor.
Por último, en los trabajos encontrados en la literatura (Du et al. 2015; Tran et al. 2001; Zhao et al.
2019) demostraron que la detección de Cl se realiza mediante el estudio de la línea de emisión
837,59 nm. Sin embargo, para esta parte del trabajo se eligió estudiar la línea 725,66 nm, en
condiciones de baja presión, debido a especificaciones limitantes del monocromador utilizado, que
no permite la visualización de líneas por encima de los 800 nm.
66
Utilizando la configuración descripta en una superficie a presiones por debajo de la atmosférica
(Arreglo experimental 3), los registros LIBS obtenidos dieron como resultado espectros mejorados.
En la Figura 4.1 puede observarse, a modo de ejemplo, claramente la diferencia obtenida en el
registro de línea de Cl I (725,66 nm), en la muestra patrón obtenida por el agregado de clorpirifos,
registrada en condiciones de presión atmosférica y baja presión.
725,62 725,64 725,66 725,68 725,700,010
0,015
0,020
0,025
0,030
0,035
0,040
Inte
nsid
ad (
u.a
.)
Longitud de onda (nm)
Cl I (725.66 nm)
Baja presión
Cl I (725.66 nm)
Presión atm
Figura 4.1. Perfil de línea de emisión de Cl I (725.66 nm) registrado con rendija de entrada y salida de 80
µm, en condiciones de presión atmosférica y en baja presión (6x10-2 mbar).
4.2.3 Tiempos postbreakdown y de integración
Los tiempos de medición para cada elemento en particular fueron obtenidos mediante un estudio
de la línea de emisión integrada en cuestión a lo largo de diferentes tiempos postbreakdown. De
esta forma, se registraron señales para un tiempo de integración determinado, y se estudiaron las
variaciones de intensidades a lo largo del tiempo para encontrar condiciones experimentales donde
el plasma sea delgado (ec. 2.3) y como resultado, la intensidad fuera proporcional a la concentración
del elemento en la muestra.
Para cada línea seleccionada se eligieron rangos de tiempos determinados y con el fin de asegurar
una integración completa en el monocromador, se utilizaron rendijas de entrada y salida de 300 µm.
En las figuras a continuación (Figura 4.2) se observan los registros netos, obtenidos luego de realizar
67
la diferencia entre el promedio de tres mediciones en cada elemento, y sus respectivos fondos,
donde se aseguró que fueran obtenidos en zonas donde no exista presencia de otros elementos
posiblemente presentes en las muestras.
(a)
(b)
(c)
68
(d)
Figura 4.2. Evolución de la intensidad en función del tiempo postbreakdown para a) S II, b) P I, c) C I y d) Cl I.
Como puede observarse, en el caso del S II, el registro de intensidad neta marca una gran diferencia
alrededor de los 300 ns, tiempo elegido para el registro de señal de este elemento. Para el P I hay
dos zonas donde la diferencia es evidente, sin embargo se eligió llevar a cabo las mediciones con un
tiempo postbreakdown de 8 µs debido a que las señales eran más estables. Cabe destacar, que en
este caso la inestabilidad de las señales registradas es propia de la configuración experimental a
69
presión atmosférica utilizada, en comparación con las señales registradas a baja presión. En el
registro de señal de C I, la mayor diferencia neta se encuentra en 400 ns, y por úlitmo, para el caso
del Cl I la mayor diferencia se encuentra alrededor de los 250 ns. De esta forma, fue posible decidir
los tiempos postbreakdown, como así también, los tiempos de integración óptimos para llevar a
cabo los registros LIBS.
A modo de síntesis, los parámetros espectroscópicos obtenidos mediante el análisis de los registros
LIBS, se observan en la Tabla 4.2. La integración espectral fue estimada a partir de la rendija de salida
para la dispersión lineal en cada longitud de onda (ver Anexo 1).
Tabla 4.2. Parámetros espectroscópicos para la detección de elementos en las muestras de estudio mediante
la técnica LIBS.
P I S II C I Cl I
Línea medida 253,56 nm 416,26 nm 415,33 nm 725,66 nm
Condición
experimental
Presión
atmosférica Baja presión Baja presión Baja presión
Tiempo
postbreakdown 8 µs 300 ns 400 ns 250 ns
Tiempo de
integración 15 µs 4 µs 4 µs 4 µs
Rendijas entrada
y salida 300/300 µm 300/300 µm 300/300 µm 300/300 µm
Integración
espectral
0,049 nm 0,046 nm 0,046 nm 0,034 nm
Cabe destacar también, que al observarse los elementos que componen a los plaguicidas se
evidencia la presencia de hidrógeno, nitrógeno y oxígeno. Sin embargo, estos elementos no fueron
70
medidos debido a limitaciones propias de la configuración experimental y teniendo en cuenta que
se encuentran a altas concentraciones en el aire. Por otra parte, se considera, que los elementos
elegidos son representativos del sistema que se está investigando.
4.2.4 Verificación de plasma delgado
Al indicar que la intensidad del plasma es proporcional a la concentración de emisores, se asume
que el modelo de plasma elegido es el correspondiente a plasma delgado (ec. 2.3). Esta
aproximación se obtiene evaluando en el modelo de plasma absorbido homogeneo, un espesor
óptico (L) muy bajo (Corney 1977a). Generalmente se da con determinados valores de
temperatura del plasma (kT), concentración baja de emisores, y niveles Ej de energía excitados
(relativamente altos y bajo espesor de columna del plasma (L)).
A partir de la ec. 2.3 y con la forma de línea integrada, la intensidad se expresa de la siguiente
forma:
𝐼(𝑘𝑇, 𝑛𝑒 , 𝐿) =ℎ 𝑐2
2 𝑁𝑘 (𝑘𝑇, 𝑛𝑒)
𝑄(𝑇) 𝐴𝑗𝑖𝑔𝑗
𝜆𝑗𝑖3 𝑒𝑥𝑝 (
−𝐸𝑗
𝑘𝑇) 𝐿
(ec. 4.1)
Para verificar la condición de plasma delgado, se llevaron a cabo relaciones de dos líneas,
correspondientes a dos elementos con concentraciones relativas conocidas entre ellos. De este
modo, se tienen dos líneas integradas, A y B respectivamente, y se puede considerar una relación
entre las dos líneas a partir de la siguiente expresión:
(𝐼(𝑘𝑇, 𝑛𝑒))𝐴
(𝐼(𝑘𝑇, 𝑛𝑒))𝐵
=
(𝑁𝑘 (𝑘𝑇, 𝑛𝑒)
𝑄(𝑇) 𝐴𝑗𝑖 𝑔𝑗
𝜆𝑗𝑖3 𝑒𝑥 𝑝 (
−𝐸𝑗
𝑘𝑇 ) 𝐿)𝐴
(𝑁𝑘 (𝑘𝑇, 𝑛𝑒)
𝑄(𝑇) 𝐴𝑗𝑖𝑔𝑗
𝜆𝑗𝑖3 𝑒𝑥 𝑝 (
−𝐸𝑗
𝑘𝑇 ) 𝐿)𝐵
(ec. 4.2)
Experimentalmente, es necesario considerar ciertas condiciones para simplificar esta relación:
a) La longitud de columna del plasma L es la misma para todos los elementos involucrados en la
aproximación.
71
b) Se supone que en la ablación de un disparo del láser sobre la muestra se “arrancan”
concentraciones de elementos con densidades proporcionales a los existentes en la muestras. Esto
involucra una homogeneidad en la distribución de los elementos en la misma.
c) Contar con información clara de la relación de concentraciones de los elementos seleccionados.
Para esto, se tiene la fórmula conocida de los plaguicidas utilizados, con las relaciones de los
diferentes elementos.
d) Además de la ecuación de plasma delgado, y debido a la distribución de concentraciones de iones
dentro del plasma, se debe considerar la aplicación de la ecuación de Saha (Lochte - Holtgreven
1968). Esta ecuación establece una relación entre dos concentraciones de elementos de grados de
ionización consecutivos, y viene dada por:
𝑛𝑒
𝑁𝑧
𝑁𝑧−1= 𝑆𝑧−1 =
𝑄𝑍(𝑇)
𝑄𝑧−1(𝑇) 6.041786𝑥1021 (𝑘𝑇)
32 𝑒−(𝜒𝑧−1 𝑘𝑇⁄ )
(ec. 4.3)
En donde,
𝑛𝑒: Es la densidad electrónica en cm-3.
𝑁𝑧: Densidad de emisores considerando el grado de ionización z, expresada en cm-3.
𝑁𝑧−1: Densidad de emisores considerando el grado de ionización z-1, expresada en cm-3.
𝜒𝑧−1: Es el potencial de ionización del elemento en estado de ionización (z-1).
kT: Temperatura del plasma expresada en eV.
Metodología y cálculos
En primer lugar, para la demostración es necesario considerar dos elementos que están presentes
en plaguicidas con una relación bien conocida. Para esto se seleccionó al clorpirifos, y los elementos
Cl y S. A partir de los datos espectroscópicos de la Tabla 4.2 y los potenciales de ionización de las
líneas seleccionadas (Tabla 4.3), se cuenta con los datos necesarios para aplicar esta propuesta de
aproximación.
72
Tabla 4.3. Potenciales de ionización de elementos seleccionados para justificar el modelo de plasma
delgado.
Elemento
y estado de ionización
𝟀I (eV) 𝟀II (eV)
S II 10,36001 23,81364
Cl I 12,967632 23,33788
Para el modelado teórico se plantea la aplicación de la ecuación de relación (ec. 4.2) en comparación
con la relación de medidas experimentales y con parámetros típicos de plasmas LIBS.
Se tuvieron en cuenta los emisores 𝑁𝑘 (en donde k es el estado de ionización) para los diferentes
elementos, y se expresaron en función del N total del elemento presente en el plasma, a fin de
utilizar el dato de relaciones de elementos presentes en la muestra. Para esto último, se puede decir
que la concentración total de un determinado elemento es posible escribirla como una suma de la
concentración del elemento en su estado neutro y las correspondientes a los estados ionizados. En
este caso en particular, se descarta la posibilidad de tener presente a 𝑁𝐼𝐼𝐼 ya que los potenciales de
ionización de 𝑁𝐼𝐼 son lo suficientemente altos (II en Tabla 4.3), y con las temperaturas y densidades
electrónicas típicas en LIBS, se puede suponer 𝑁𝐼𝐼𝐼 despreciable. De este modo se puede expresar:
𝑁 = 𝑁𝐼 + 𝑁𝐼𝐼 (ec. 4.4)
Por otro lado, se tiene a la ecuación de Saha (ec. 4.3), para los elementos 𝑁𝐼 y 𝑁𝐼𝐼 , la cual se pude
reescribir de la forma:
𝑛𝑒
𝑁𝐼𝐼
𝑁𝐼= 𝑆𝐼 =
𝑄𝐼𝐼(𝑇)
𝑄𝐼(𝑇) 6.041786𝑥1021 (𝑘𝑇)
32 𝑒−(𝜒𝐼 𝑘𝑇⁄ )
(ec. 4.5)
Como se busca dejar expresado a 𝑁𝑘 en función del N total, se puede ver que a partir de las
ecuaciones (ec. 4.4) y (ec. 4.5), es posible obtener las concentraciones de los diferentes estados de
ionización según sea necesario:
𝑁𝐼 =𝑛𝑒
𝑛𝑒 + 𝑆𝐼 𝑁 (ec. 4.6)
73
𝑁𝐼𝐼 =𝑆𝐼
𝑛𝑒 + 𝑆𝐼 𝑁
(ec. 4.7)
Aplicación directa
Considerando al Cl como elemento A y el S como B, la relación de la (ec. 4.3), se puede expresar
como:
(𝐼(𝑘𝑇, 𝑛𝑒))𝐴
(𝐼(𝑘𝑇, 𝑛𝑒))𝐵
=
(1
𝑄(𝑇) 𝐴𝑗𝑖𝑔𝑗
𝜆𝑗𝑖3 𝑒𝑥𝑝 (
−𝐸𝑗
𝑘𝑇))
𝐴
(1
𝑄(𝑇) 𝐴𝑗𝑖𝑔𝑗
𝜆𝑗𝑖3 𝑒𝑥𝑝 (
−𝐸𝑗
𝑘𝑇))
𝐵
(𝑛𝑒
𝑛𝑒 + 𝑆𝐼)
𝐴
(𝑆𝐼
𝑛𝑒 + 𝑆𝐼)
𝐵
𝑁𝐴
𝑁𝐵
(ec. 4.8)
En donde se consideró la ecuación (ec. 4.6) para expresar la línea de Cl I, y la ecuación (ec. 4.7) para
el S II. Por otro lado, 𝑁𝐴
𝑁𝐵 es la relación de las concentraciones de Cl/S en el plaguicida elegido para la
verificación. En este caso, al elegir clorpirifos (C9H11Cl3NO3PS), en consecuencia, 𝑁𝐴
𝑁𝐵= 3.
Comparativa teórico – experimental
Experimentalmente, se tiene que la relación debe hacerse con las intensidades netas de los
elementos de los plaguicidas, esto es la diferencia entre intensidades de las líneas de los elementos
de las muestras con el plaguicida y la muestra de acelga sin contaminar. Por otro lado, hay que tener
en cuenta la eficiencia cuántica para cada longitud de onda de las líneas involucradas, para el sensor
utilizado. Con todo esto se obtuvo una relación experimental:
𝑅𝐴𝐵 =𝐼𝐴
𝐼𝐵 = 0,374 ± 0,050
(ec. 4.9)
Para hacer una comparativa con el modelo de relación de líneas de plasma delgado teórico (ec.
4.8) se graficó una familia de curvas, para diferentes 𝑛𝑒 típicas de LIBS, entre 5x1016 - 1x1017 cm-3,
para temperaturas entre 1,2 y 1,4 eV. Esto se muestra en la Figura 4.3 y Figura 4.4, en donde se
superpone la relación de los registros experimentales, dejando establecido que esta relación se
ajusta a datos típicos de LIBS y por lo tanto se aseguran condiciones de plasma delgado en el
74
registro de líneas obtenidos.
Figura 4.3. Familia de curvas de relaciones teóricas (𝐼(𝑘𝑇,𝑛𝑒))
𝐴
(𝐼(𝑘𝑇,𝑛𝑒))𝐵
, para kT típicas entre 1,2 y 1,4 eV, para
diferente 𝑛𝑒 entre 5x1016 y 1x1017 cm-3. Se pude ver la superposición de la relación experimental en 𝐼𝐴𝑝𝑒𝑠𝑡
𝐼𝐵𝑝𝑒𝑠𝑡 en
este grupo de curvas.
Figura 4.4. Zoom de Figura 4.2 para enfatizar los datos.
75
4.2.5 Adquisición de datos LIBS
Obtener datos de alta calidad es esencial para la aplicación exitosa de los métodos quimiométricos.
Los criterios para un buen conjunto de datos de entrenamiento incluyen no solo una buena relación
señal/ruido, sino también la inclusión de una variedad apropiada de diferentes tipos de muestras,
que a su vez sean representativas y la obtención de un número suficiente de espectros recolectados
de cada una (Cremers, Radziemski, and Gottfried 2013).
Obtención del número óptimo de adquisiciones LIBS
Con el fin de evaluar el número óptimo de adquisiciones LIBS a partir del método descrito en la
sección 3.4, se tomaron suficiente cantidad de datos en función de las desviaciones estándar de las
mediciones, calculando incerteza final estadística por debajo de la experimental (ver Anexo 2).
Luego de realizar los cálculos correspondientes, se obtuvieron los valores que se observan en la
Figura 4.5.
Figura 4.5. Número óptimo de adquisiciones LIBS, por elemento, para cada plaguicida en cuestión.
De esta forma, y a partir de evaluar los resultados obtenidos, se trabajó con un número óptimo de
adquisiciones de datos LIBS de 40. Luego, se obtuvieron los registros de cada elemento en cada
muestra, y también, se obtuvieron fondos que son registros obtenidos en una zona espectral
76
cercana a la línea sin interferencia de otros elementos, con el fin de obtener una intensidad neta en
cada caso.
Un ejemplo de perfil de línea de emisión de P I (253,56 nm) tomado a presión atmosférica y la gráfica
obtenida del nuevo método de medición descrito en la sección 3.4 para la muestra de acelga
contaminada con clorpirifos pueden observarse en la Figura 4.6.
253,50 253,52 253,54 253,56 253,58 253,60 253,62
0,005
0,010
0,015
0,020
0,025
0,030
0 10 20 30 400,04
0,05
0,06
0,07
0,08
0,09
0,10
0,11
0,12
Inte
nsid
ad (
u.a
.)
Longitud de onda (nm)
P I (253,56 nm)
Inte
nsid
ad (
u.a
.)
Registro
P I (253,56 nm)
P I fondo (253 nm)
Figura 4.6. Perfil de línea de emisión de P I (253.56 nm) registrado con rendija de entrada y salida de 80 µm y
b) gráfica obtenida del nuevo método de medición descrito en la sección 3.4 para la muestra de acelga
contaminada con clorpirifos.
De esta forma, se midieron registros de señales de S, P, Cl y C en las muestras de acelga
contaminadas con los plaguicidas en cuestión, y también fueron medidos en la muestra control.
Como ya se mencionó en la sección 3.3.4, las diferencias entre las propiedades de los plaguicidas
causan discrepancias en los registro de líneas obtenidos muestra a muestra, esto implica la
necesidad de realizar un procesamiento de datos. Para este fin, los registros de líneas obtenidos se
normalizaron con respecto a un fondo medido.
Nuevamente, a modo de ejemplo, en la Figura 4.7, se observa el registro de señal adquirido con el
nuevo método de adquisición y con los registros de líneas normalizados para el Cl I, en todas las
muestras de estudio.
77
0 10 20 30 40
-0,05
0,00
0,05
0,10
0,15
Inte
nsid
ad (
u.a
.)
Registros
Dimetoato Imidacloprid Carbendazim
Cipermetrina Clorpirifos Acelga
Figura 4.7. Intensidades netas para la línea de emisión de Cl I obtenidos del nuevo método de registro de
línea, registradas para todas las muestras de estudio.
En la Figura 4.7 se visualiza como aquellos plaguicidas con Cl en sus moléculas poseen una intensidad
mayor, no obstante, es notoria la inestabilidad en la medición, observándose en algunos casos la
superposición de los registros. En este punto, la aplicación de métodos quimiométricos juega un
papel muy importante, debido a que ayuda a disminuir este problema de fluctuación en la medición.
Cálculo de relación señal-ruido
La relación señal-ruido (SNR, por sus siglas en inglés) es un parámetro utilizado para evaluar la
calidad de una medición física. Con el fin de determinar las SNR para todos los elementos en cada
plaguicida en estudio, se aplicó a los registros obtenidos la siguiente fórmula:
𝑆
𝑁=
µ
σ
(ec. 4.10)
Donde µ es la media de la señal o el valor esperado y σ es la desviación estándar del ruido (fondo,
en este caso) (Hahn and Omenetto 2012). Los resultados se presentan en la siguiente tabla (Tabla
4.4):
78
Tabla 4.4. Relaciones señal-ruido para cada elemento medido en los plaguicidas de estudio.
SNR Cl SNR C SNR S SNR P
Carbendazim 0,80 31,58 2,21 5,20
Dimetoato 1,36 26,09 7,08 15,55
Clorpirifos 12,65 18,10 5,53 13,01
Imidacloprid 3,86 46,75 2,34 7,57
Cipermetrina 2,51 54,09 1,10 7,28
Control 1,95 26,40 0,30 6,44
Como era de esperarse, las relaciones señal-ruido más elevadas fueron alcanzadas por aquellos
elementos que se encuentran presentes en el agente activo del plaguicida en cuestión.
A su vez, cabe destacar que la obtención de espectros con una óptima relación señal/ruido, depende
también de la optimización de los parámetros experimentales. De esta forma, la importancia de
establecer condiciones espectrales adecuadas conlleva a la obtención de espectros más
representativos para el conjunto de datos que se propone establecer (Lentjes, Dickmann, and Meijer
2007; Nunes et al. 2009).
Por último, se utilizó el conjunto de datos obtenido, para cada muestra en cuestión, para la
aplicación de métodos quimiométricos con el fin de caracterizar y clasificar plaguicidas, según las
variables de estudio, en muestras de acelga. De esta forma, los datos obtenidos se organizaron
convenientemente en un matriz de dimensiones nxp, donde n corresponde a 240 unidades de
análisis que representan 40 muestras de cada uno de los 5 plaguicidas y 40 muestras tomadas como
control. Para cada unidad de análisis se registró el valor de las 4 variables en estudio P, S, C y Cl.
CARACTERIZACIÓN DE PLAGUICIDAS
Se llevó a cabo un PCA para explicar la variación de los datos mediante una reducción de la
dimensión, como puede verse en la Figura 4.8. El análisis recuperó el 78,5% de la variación con sus
79
dos primeras componentes principales. La dirección de mayor variación es explicada por el P y el S,
y la segunda dirección por el Cl y el C. A partir del análisis se deduce que la muestra control fue
caracterizada por valores bajos de todas las variables medidas, como era de esperarse. El dimetoato
se caracterizó por valores altos de P y S y bajos de C y Cl (cercanos al promedio), con respecto al
imidacloprid, carbendazim y cipermetrina se observa que entre ellos hay baja separación y tienen
valores bajos de P y S y más variables respecto de C y Cl. Por último, el clorpirifos tiene valores
intermedios de S y P y altos de Cl y C. Estos resultados son coincidentes con la correlación de las
variables en los PC1 y PC2, que pueden visualizarse en la Tabla 4.5.
Figura 4.8. Biplot del análisis de componentes principales (PCA) para muestras contaminadas con diferentes
plaguicidas y la muestra control.
80
Tabla 4.5. Correlación de PC1 y PC2 con las variables originales.
PC1 PC2
P 0,92 0,16
S 0,92 0,02
C -0,29 0,75
Cl 0,06 0,83
De la Tabla 4.5 se observa que CP1 tiene su mayor correlación con las variables P y S, mientras que
PC2 tiene su mayor correlación con las variables C y Cl. Por lo tanto la CP1 separa aquellos
plaguicidas con presencia o ausencia de S y P en su molécula, y por otro lado, la CP2 separa aquellos
plaguicidas con presencia o ausencia de Cl y C en sus moléculas
La representación del PCA mostró que las muestras tendían a agruparse según el plaguicida, aunque
se observan algunas muestras superpuestas o cruzadas. Sin embargo esto lleva a pensar que es
factible agruparlas según el plaguicida o la muestra control y, a partir de esto se generaron seis
grupos.
Como se detalló anteriormente, para corroborar las agrupaciones y explicarlas mediante funciones
lineales canónicas, se aplicó una LDA. Al tratarse de una técnica supervisada requiere que se asignen
clases, u otros valores predictivos, para el conjunto de datos de entrenamiento. En particular para
este caso, cada unidad de análisis fue pre asignada al grupo control o al plaguicida que le fuera
agregado; las variables utilizadas para la clasificación fueron P, S, C y Cl.
Las muestras se proyectaron en el plano formado por las funciones canónicas, el mismo reconstruye
el 82,57 % de la información.
Las funciones discriminantes canónicas fueron estandarizadas por varianzas comunes, para que la
variabilidad propia de cada grupo no enmascare la separación entre grupos. Las funciones
discriminantes canónicas se construyen como la combinación lineal de las variables originales y los
coeficientes que se muestran en la Tabla 4.6. Los resultados de clasificación cruzada del LDA se
observan en la Tabla 4.7, y por último en la Figura 4.9 puede visualizarse la representación LDA a
partir de los grupos asignados.
81
Tabla 4.6 Funciones discriminantes - datos estandarizados con las varianzas comunes.
FDL1 FDL2
P 0,56 0,12
S 0,82 -0,21
C -0,20 -0,11
Cl 0,18 1,01
Tabla 4.7 Resultados de clasificación cruzada del análisis discriminante lineal (LDA).
Grupo Carbendazim Cipermetrina Clorpirifos Control Dimetoato Imidacloprid Total Error
(%)
Carbendazim 38 0 0 0 0 2 40 5,00
Cipermetrina 0 36 0 0 0 4 40 10,00
Clorpirifos 0 2 38 0 0 0 40 5,00
Control 2 1 0 34 0 3 40 15,00
Dimetoato 0 0 1 0 39 0 40 2,50
Imidacloprid 4 4 0 0 0 32 40 20,00
Total 44 43 39 34 39 41 240 9,58
82
Figura 4.9. Visualización de representación de análisis discriminante lineal (LDA) a partir de la preasignación
de grupos.
El porcentaje de error de la clasificación alcanzado con el LDA es del 9.5%. Se observa que el grupo
imidacloprid es el más variable, dado que 8 de las 40 muestras han quedado mal clasificadas. De la
Figura 4.9, se observa que las cruces, correspondientes a este grupo, se distribuyen en los
cuadrantes 1, 2 y 3. De la Tabla 4.7 se puede observar que algunas muestras a las que se les había
preasignado como pertenecientes al grupo imidacloprid se distribuyeron en el grupo
correspondiente a la cipermetrina, plaguicida que contiene una concentración similar de Cl en su
agente activo y al carbendazim, el cual presenta la forma molecular más simple, con elementos que
se encuentran presentes en todos los plaguicidas.
Por otro lado, el grupo control tiene un número de muestras discordantes (6 de 40, que se
distribuyen entre los cuadrantes 2 y 3), relativamente alto. Esto indica que el grupo control es muy
heterogéneo, luego del imidacloprid. Estos resultados también pueden verificarse en la Tabla 4.7.
Si bien el LDA encuentra las funciones que mejor separan los grupos, esta técnica no permite indicar
si esta separación es significativa, es decir si los centroides de grupo son estadísticamente
diferentes. Para ello es posible aplicar un MANOVA. La prueba de Hotelling detectó diferencias
Imidacloprid Dimetoato Control Clorpirifos Cipermetrina Carbendazim
-4,10 -0,51 3,08 6,67 10,26
Eje Canónico 1
-4,23
-1,96
0,31
2,58
4,85
Eje
Ca
nó
nic
o 2
Imidacloprid Dimetoato Control Clorpirifos Cipermetrina Carbendazim
83
significativas entre los grupos con un nivel de confianza del 95%. Los resultados de lo anteriormente
expuesto pueden observarse en la Tabla 4.8.
Tabla 4.8 Tabla resumen de análisis de varianza multivariante (MANOVA) que informa el resultado de
diferencias significativas entre los grupos de plaguicidas y la muestra control.
Plaguicida P C S Cl n
Control 0,02 0,33 0,02 0,01 40 A
Dimetoato 0,05 0,50 0,65 0,01 40 B
Imidacloprid 0,02 0,63 0,04 0,05 40 C
Carbendazim 0,02 0,68 0,01 0,01 40 D
Cipermetrina 0,03 0,66 0,15 0,07 40 E
Clorpirifos 0,04 0,54 0,32 0,09 40 F
Medias con una letra común no son significativamente diferentes (p > 0,05)
Las medias observadas son significativamente diferentes con un p valor < 0,05, por lo tanto se puede
concluir que la separación es significativa y que es posible clasificar las muestras con plaguicidas
diferentes, incluso se la puede diferenciar de la muestra control.
DISCUSIÓN Y CONCLUSIONES DE LA IDENTIFICACIÓN Y CARACTERIZACIÓN DE PLAGUICIDAS
Se exploró la viabilidad de la técnica LIBS para la identificación de plaguicidas en matrices vegetales
de hojas verdes a través de la evaluación de los elementos que componen los agentes activos y su
posterior caracterización mediante el uso de técnicas quimiométricas. Los resultados de los
registros de señales LIBS fueron exitosos, pudiendo encontrar condiciones experimentales óptimas,
posibilitando la identificación de P, S, C y Cl en todas las muestras seleccionadas y en la muestra
utilizada para fines de control. Un nuevo método de adquisición de muestras también se aplicó, este
garantiza la obtención de varios registros de señal con una mínima destrucción de muestra y en
forma rápida y versátil, logrando de esta forma conseguir repetitividad en las mediciones y
aumentar la cantidad de datos obtenidos para la aplicación de métodos quimiométricos.
Por medio de un PCA, se pudo observar que las muestras tienden a agruparse de acuerdo con el
plaguicida que las compone y se diferencian de la muestra control. Luego, mediante la aplicación de
un LDA, se verificó que los plaguicidas se separaron, mediante una preasignación, con un bajo error
84
de clasificación del 9,5%. La corroboración de los resultados ya obtenidos fue así posible.
Finalmente, se aplicó un MANOVA y se encontró la existencia de diferencias significativas entre los
grupos con un nivel de confianza del 95%.
El análisis se propone como una herramienta potencial para un monitoreo rápido, simple, de bajo
costo y que no genera los desechos peligrosos producidos actualmente por los métodos
tradicionales (descritos en la sección 2.1.3).
Por otro lado, cabe destacar que esta caracterización funciona bien a altas concentraciones del
plaguicida en la muestra, lo que permite una buena clasificación y diferenciación. Debido a esto, el
análisis propuesto podría presentar ventajas en la detección de la composición molecular de una
sustancia activa, en el proceso de registro de plaguicidas, el cual es llevado a cabo por el SENASA
(Paz 2016), mediante la Ley N° 3489/58, Decreto 5769/59. Por el medio del mismo, se aprueba la
comercialización y el uso de un plaguicida luego de evaluar exhaustivamente una amplia
información científica, en la que se demuestra si el producto es efectivo para su uso y no presenta
riesgo inaceptable para la salud humana, animal o para el ambiente. A partir de la Resolución
SAGPyA 350/99 (Secretaría de Agricultura, Ganadería y Pesca), con la incorporación del registro de
agentes activos equivalentes, podría demostrarse mediante este método, la equivalencia respecto
de otros ya registrados en el país. De esta forma, se podría evaluar su posible uso alternativo o
complementario a los métodos analíticos tradicionales para control de calidad de agentes activos.
A su vez, puede plantearse como una herramienta útil para la evaluación de derrames de plaguicidas
en un huerto o matriz suelo. Los lineamientos a seguir en un derrame son determinados en un
manual de referencia emitido por la FAO (Boa 2016). En una primera instancia es importante la
identificación del plaguicida. En este contexto, esta herramienta permitiría detectar el plaguicida
correspondiente, mediante la medición de las líneas de P, S, C y Cl, utilizando los resultados de
clasificación como base de datos y, a su vez es posible determinar la extensión de la zona
contaminada. A partir de la identificación del plaguicida, puede establecerse si el mismo es
pertinente, es decir, que fue derramado en cantidades considerables y que presenta una baja
degradación. Mediante este análisis, se puede brindar información para la determinación de
evaluaciones de riesgos y las medidas a tomar en la zona contaminada.
85
5 CAPÍTULO V: CUANTIFICACIÓN DE PLAGUICIDAS
En la actualidad, las metodologías utilizadas para la detección de residuos de plaguicidas en
alimentos comprenden las cromatografías gaseosas y líquidas, espectrometrías de masas,
cromatografías de ultra alta precisión (HPLC), entre otras (Ferrer et al. 2005; Furlani et al. 2011;
Gómez Ramos 2013). Estas técnicas convencionales requieren de un alto tiempo de ejecución
sumado a la alta producción de desechos peligrosos. Es por esto que, últimamente se han estado
desarrollando tecnologías que superen los obstáculos presentados por las técnicas convencionales
y que sean aplicables en forma rápida. Con este fin, se han utilizado técnicas ópticas para el análisis
de productos agrícolas tales como estudio de residuos de plaguicidas en muestras de frutas, como
es el caso de la técnica Raman (Chen, Dong, and Ye 2018; Liu et al. 2013), sin embargo es necesario
mejorar tanto la sensibilidad como la capacidad cuantitativa del método.
Desde hace unos pocos años, se ha comenzado a estudiar la aplicación de la técnica LIBS como un
método rápido y confiable en la detección de residuos de plaguicidas, aprovechando las ventajas de
su utilización. Para este fin, se han aplicado análisis de calibración univariados, teniendo en cuenta
que a su vez, un pretratamiento espectral pueden mejorar efectivamente el rendimiento analítico,
es decir, los límites de detección (LoD), la precisión y repetibilidad de LIBS (Fu et al. 2018).
Con el objetivo de cuantificar residuos de plaguicidas en muestras de acelga, se propone en este
estudio la realización de muestras de referencia para el posterior armado de curvas de calibración,
evaluando la capacidad predictiva de los modelos mediante validaciones y estableciéndose los
límites de detección y cuantificación en cada caso.
METODOLOGÍA
Como ya se mencionó en la sección 3.3.2, se crearon dos conjuntos de muestras de referencia con
concentraciones conocidas y crecientes de dimetoato, con el fin de detectar y cuantificar P y S; y
clorpirifos, para la detección y cuantificación de C y Cl. De esta forma, se busca proponer métodos
de cuantificación de los plaguicidas a partir del análisis de los elementos que contienen en sus
moléculas. Se obtuvieron un total de seis muestras para cada plaguicida, en los rangos 0–80 mg/kg
para dimetoato y 0-250 mg/kg, para clorpirifos. En la Tabla 3.1 se pueden observar las equivalencias
en concentración para el P, S, C y Cl, calculadas a partir de la proporción de estos elementos en los
86
plaguicidas mencionados. Por otra parte, los registros LIBS fueron obtenidos mediante el arreglo
experimental 3, de alta resolución en condiciones de vacío, anteriormente mencionado (sección
3.1.3). En el caso del Cl, fue necesario cambiar y obtener una nueva configuración experimental,
como se detalla en el apartado específico.
5.1.1 Análisis cuantitativo
El procedimiento analítico más utilizado en análisis cuantitativo implica la construcción de una
“curva de calibración”. Una curva de calibración es la representación gráfica de una señal que se
mide en función de la concentración de un analito mediante una determinada técnica. La calibración
incluye la selección de un modelo para estimar los parámetros experimentales que permitan
determinar la linealidad de esa curva y, en consecuencia, la capacidad de un método analítico para
obtener resultados que sean directamente proporcionales a la concentración de un compuesto en
una muestra, dentro de un determinado intervalo de trabajo (María Antonia and Marcos 2008).
En una primera instancia es importante determinar el número mínimo de datos (valores de
concentración) para construir un modelo de calibración lineal robusto. Para este fin, existen varios
criterios y los mismos no están definidos de manera única por las organizaciones a cargo de la
estandarización y la trazabilidad de las mediciones químicas (Guezenoc, Gallet-Budynek, and
Bousquet 2019). Sin embargo, en base a referencias establecidas (Danzer and Currie 1998; Miller
and Miller 2002), el número mínimo de puntos para construir un modelo de calibración confiable
debe ser de alrededor de 5 o 6, considerando el blanco (valor de concentración cero). A su vez, los
mismos deberían están distribuidos en forma equidistantes en el rango de concentración elegido
para obtener el modelo de calibración más representativo relacionado al contexto analítico.
Por otro lado, para la aplicación de LIBS en la cuantificación de las variables de estudio, es
importante encontrar condiciones donde la emisión de líneas seleccionadas responda al modelo de
plasma delgado, dado por la ecuación 2.3, y de este modo se pueda aplicar una curva de calibración
lineal. En este caso, las intensidades de las líneas (integradas tanto en una línea λ0 como en un
determinado tiempo de registro o exposición) son proporcionales a la concentración de elementos
presente en el plasma, que a su vez son proporcionales a la correspondiente existente en la muestra.
Se tomaron 30 registros de perfiles de líneas espectralmente integrados con sus correspondientes
fondos (de acuerdo a lo observado en la Figura 4.4), obtenidos de una integración en una zona
87
espectral libre de cualquier emisión de elementos posiblemente presentes en las muestras.
Posteriormente, se realizó un análisis estadístico para cada una de las tandas de registros,
obteniéndose el promedio y la desviación estándar de cada una de ellas. Con el fin de aumentar la
representatividad de los registros de señales LIBS, se llevó a cabo un procesamiento de los datos. La
normalización de todos los datos de los distintos registros consistió en un normalizado con respecto
al fondo. A partir de estos datos, se realizó la diferencia entre el registro de línea y el fondo, el cual
permite obtener intensidades netas finales. Los espectros fueron procesados usando el software
Microcal Origin.
Una vez obtenidas las intensidades procesadas de los registros para cada una de las muestras, se
construyeron curvas de calibración mediante la gráfica de la intensidad neta de líneas frente a las
diferentes concentraciones correspondientes a cada elemento. Se evaluó la sensibilidad de los
modelos obtenidos y se calcularon, en cada caso, los parámetros de regresión, R2 y r Pearson. A
partir de datos obtenidos del análisis lineal aplicado se calcularon los límites de detección (LoD) y
cuantificación (LoQ) en cada caso.
Por otro lado, con el fin de evaluar el rendimiento analítico del método cuantitativo LIBS, se
procedieron a realizar pruebas de validación internas cruzadas, sobre las correspondientes curvas
de calibración. Para este objetivo se realizaron validaciones cruzadas completas mediante la
aplicación de varios métodos, leave-one-out cross validation (LOOCV), k-fold y k-fold repetida. Se
utilizó el software Rstudio Core Team (2016) (Core Team) para la ejecución de los modelos y
adquisición del error cuadrático medio (RMSE, por sus siglas en inglés), el error absoluto medio
(MAE, por sus siglas en inglés) y el R2, en cada caso.
5.1.2 Figuras de mérito
Para evaluar el desempeño analítico de los modelos, es necesario calcular valores correctos para las
figuras de mérito. El coeficiente de determinación, R2, es la figura de mérito más utilizada para
evaluar la calidad de un modelo de calibración. Sin embargo, este indicador es confiable sólo cuando
los puntos están distribuidos equitativamente en el rango de concentración y cuando no hay un
punto extremo, muy lejos de los demás. Por el contrario, si no se cumple una de estas condiciones,
la decisión basada solo en el parámetro R2 podría no ser sólida.
88
Por otro lado, el coeficiente de correlación de Pearson (r Pearson) es una prueba que mide la
relación estadística entre dos variables continuas. Si la asociación entre los elementos no es lineal,
entonces el coeficiente no se encuentra representado adecuadamente.
El coeficiente de correlación puede tomar un rango de valores de +1 a -1. Un valor de 0 indica que
no hay asociación entre las dos variables. Un valor mayor que 0 indica una asociación positiva. Es
decir, a medida que aumenta el valor de una variable, también lo hace el valor de la otra. Un valor
menor que 0 indica una asociación negativa; es decir, a medida que aumenta el valor de una
variable, el valor de la otra disminuye.
Indicadores de capacidad de predicción: RMSE y MAE
Luego, se debe determinar la capacidad de predicción. El RMSE y el MAE son dos de las métricas
más comunes utilizadas para medir la precisión de las variables continuas (Sammut and Webb 2010;
Shekhar and Xiong 2008). El cálculo del RMSE es la raíz cuadrada del promedio de las diferencias
cuadráticas entre la predicción y la observación real resultante de los valores de concentración
pronosticados de una serie de muestras. Se espera que este indicador sea lo más bajo posible para
un modelo confiable, y se describe mediante la siguiente ecuación:
𝑅𝑀𝑆𝐸 = √∑ (𝐶𝑃 − 𝐶��)
2𝑁𝑝=1
𝑁
(ec. 5.1)
donde 𝐶𝑃 es el valor de concentración predicha, 𝐶�� el valor real de concentración de la muestra p,
y N el número de muestras tomadas en cuenta. Cabe destacar que esta figura de mérito debe
considerarse con atención. Cuando todas las muestras que pertenecen al conjunto de calibración
(C) se tienen en cuenta simultáneamente, el valor RMSE resultante se denomina RMSEC. Sin
embargo, el valor RMSE debe calcularse sobre la base de un proceso de validación cruzada (CV) y
denominarse RMSECV. Entre las diferentes técnicas de validación cruzada, el método Leave-One-
Out (LOOV) es el más común. En este caso, el RMSECV es el valor promedio de los N valores de
RMSEC calculados durante el proceso de validación cruzada. Se espera que RMSECV revele mejor
las limitaciones del modelo de calibración que RMSEC.
Por otro lado, el MAE de un modelo con respecto a un conjunto de prueba, es un promedio
aritmético de los errores absolutos. Cada error de predicción es la diferencia entre el valor predicho
y el valor real. Se representa mediante la siguiente ecuación:
89
𝑀𝐴𝐸 = 1
𝑁∑|𝐶𝑝 − 𝐶��|
𝑁
𝑝=1
(ec. 5.2)
Por último, los LoD y LoQ se calculan a partir de datos del modelo de regresión mediante las
ecuaciones 2.4 y 2.5 respectivamente.
Por lo tanto, el conjunto de calibración debe cumplir los requisitos básicos para obtener resultados
confiables para los valores de estos límites. Finalmente, las cifras de mérito R2, r Pearson, RMSE,
MAE, LoD y LoQ son adecuadas para evaluar el rendimiento analítico, mediante validación de los
modelos (Motto-Ros et al. 2018).
CUANTIFICACIÓN DE AZUFRE
Para la cuantificación de azufre se estudió la línea de emisión 416,26 nm, correspondiente al S II,
que como ya se mencionó en la sección 4.2.1, la misma fue medida en condiciones de baja presión
y con parámetros temporales bien establecidos.
A modo de ejemplo y con el fin de ubicar la posición exacta de la línea, se registró un perfil de S II,
con rendija de entrada y salida del monocromador de 100 µm, como puede observarse a
continuación (Figura 5.1). El perfil fue registrado en una muestra que contenía 80 mg/kg de
dimetoato, lo que equivale a 22,37 mg/kg de azufre.
90
415,80 415,95 416,10 416,25 416,40 416,55 416,700,000
0,058
0,116
0,174
0,232
0,290
0,348
Inte
nsid
ad (
u.a
.)
Longitud de onda (nm)
S II (416,26 nm)
Figura 5.1. Perfil de línea de emisión de S II (416,26 nm), en una muestra que contiene 80 mg/kg de
dimetoato (22,37 mg/kg de s) registrado con rendija de entrada y salida de 100 µm.
Luego, se midieron registros de señales de la línea de S II en estudio, tal y como se explicó en el
apartado 3.4, a partir de seis muestras de referencia que se observan en la tabla 3.1, en un rango
entre 0-80 mg/kg de dimetoato, lo que equivale a 0-23 mg/kg de S. En la Figura 5.2 se observa la
curva de calibración correspondiente.
91
0 5 10 15 20 25-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
S II (416,26 nm)
y= 0,0278x+0,01597
R2 = 0,95232
r Pearson = 0,98074
Inte
nsid
ad (
u.a
.)
Concentración S (mg/kg)
Figura 5.2. Curva de calibración de la línea de S II (416,26 nm), concentración agregada a partir de dimetoato
en muestras de hortalizas. Las barras de error vienen dadas por la incerteza del valor instrumental.
A partir del análisis de la curva de calibración se observa que se obtuvieron un R2 y r Pearson altos,
lo que indica que la curva ajustada es confiable, además de obtener una buena sensibilidad. Es decir,
la intensidad de los registros de señales obtenidos mediante la aplicación de la técnica LIBS posee
una buena relación lineal con la concentración en las muestras. Lo que permite deducir que es
posible detectar S en muestras de acelga mediante la utilización de la curva de calibración
construida.
A su vez, se realizaron validaciones cruzadas completas mediante la aplicación de los métodos
anteriormente mencionados, leave-one-out cross validation (LOOCV), k-fold y k-fold repetida, y se
calcularon las figuras de mérito correspondientes, RMSE, MAE y el R2, en cada caso. Estos resultados
pueden observarse en la Tabla 5.1.
92
Tabla 5.1. Figuras de mérito calculadas para evaluar el desempeño del modelo de regresión de la
concentración de S II, a partir de diferentes modelos de validación.
LOOCV k-fold k-fold cruzada
RMSECV 2.22889 2.127651 1.935504
MAE 1.962664 2.099097 1.87962
R2 0.9137595 1 1
Los valores R2 de calibración para S fueron cercanos a 1 en todos los casos, lo que significa una buena
correlación entre las concentraciones de referencia y las utilizadas con fines de validación en cada
caso en particular, a su vez, se encontraron valores bajos de RMSECV y MAE. Generalmente, son
deseables valores de errores bajos, como los obtenidos en este caso, aunque también es importante
asegurarse que la calibración realizada en función de la intensidad del elemento a medir exhiba una
buena sensibilidad a las variaciones de concentraciones de S en las muestras, de forma tal que pueda
asegurarse su uso como herramienta predictiva.
Por último, para explorar la capacidad de detección de LIBS se calcularon el LoD y el LoQ a partir de
las ec. 2.4 y ec. 2.5. La desviación estándar del fondo fue obtenida de la muestra que se preparó con
fines de control (0 mg/kg de dimetoato). Los resultados pueden observarse en la tabla a
continuación (Tabla 5.2), en donde se calculó tanto para el S, como para el dimetoato, considerando
la proporción del elemento en el componente activo del plaguicida.
Tabla 5.2. LoD y LoQ para el S y el dimetoato.
LoD (mg/kg) LoQ (mg/kg)
S 1,72 0,17 5,67 0,56
Dimetoato 6,15 0,60 20,30 2,00
CUANTIFICACIÓN DE FÓSFORO
Al registrarse señales en muy bajas concentraciones de fósforo, no fue posible encontrar
condiciones de plasma delgado (ec. 2.3) para la línea 253,56 nm, utilizada en la caracterización de
plaguicidas fosforados, en este caso, se eligió estudiar una nueva línea de emisión, y trabajar en
93
condiciones de baja presión (Arreglo experimental 3). Por lo tanto, en la implementación de una
curva de calibración para la cuantificación de P, se seleccionó la línea 460,21 nm correspondiente al
P una vez ionizado (P II). En la tabla a continuación (Tabla 5.3) se observa la línea elegida
conjuntamente con sus datos espectroscópicos (Kramida, Olsen, and Ralchenko 2019).
Tabla 5.3. Información espectroscópica de la línea de P II seleccionada para la cuantificación de dimetoato.
Elemento y
estado de
ionización
Longitud de
onda (nm)
Probabilidad
de transición
(s-1)
Ei (eV) Ek (eV) gk
P II 460,21 1,9 x108 12,853176 15,546519 9
Los tiempos de medición en este caso, fueron obtenidos de la misma forma que lo ya expuesto en
el apartado 4.2, mediante un estudio de la línea de emisión integrada en cuestión. En la figura a
continuación (Figura 5.3) se observa el registro neto, obtenido luego de realizar la diferencia entre
el promedio de tres mediciones en la línea de P II, y su fondo correspondiente.
0 200 400 600 800 1000 12000,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
Inte
nsid
ad (
u.a
.)
Tiempo postbreakdown (ns)
P II (460,21 nm)
Figura 5.3. Evolución de la intensidad en función del tiempo postbreakdown para la línea de P II (460,21 nm),
elegida para la cuantificación de fósforo, y por lo tanto de dimetoato.
94
A partir del análisis de la evolución temporal de la línea de P II a lo largo del tiempo, se pudo
determinar que el tiempo óptimo de medición para llevar a cabo los registros de señales fue de 300
ns, y el tiempo de integración elegido fue de 400 ns.
Por otra parte, con los datos espectroscópicos obtenidos, se registró un perfil de línea de P II, con
rendija de entrada y salida de 100 µm como puede observarse a continuación (Figura 5.4), de esta
forma se garantiza la posición exacta de la línea. El perfil fue registrado en una muestra que contenía
80 mg/kg de dimetoato, lo que equivale a 10,81 mg/kg de fósforo.
459,69 459,90 460,11 460,32 460,53 460,74
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
P II (460,21 nm)
Inte
nsid
ad (
u.a
.)
Longitud de onda (nm)
Figura 5.4. Perfil de línea de emisión de P II (460,21 nm), en una muestra que contiene 80 mg/kg de
dimetoato (10,81 mg/kg de P) registrado con rendija de entrada y salida de 100 µm.
Luego, las curvas de calibración se construyeron a partir de graficar la intensidad neta frente a las
concentraciones crecientes, utilizando las muestras de referencia que se observan en la tabla 3.1,
en un rango entre 0-80 mg/kg de dimetoato, que equivale a 0-11 mg/kg de P. A su vez, también se
realizó el proceso de validación para evaluar la robustez y precisión de las curvas obtenidas.
A partir de la evaluación de la intensidad de P II en las muestras de referencia se procedió al armado
de la curva de calibración anteriormente mencionada, la misma se muestra en la Figura 5.5.
95
0 2 4 6 8 10 12
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
P II (460,21 nm)
y= 0,0577x+0,13807
R2 = 0,99742
r Pearson = 0,99897
Inte
nsid
ad (
u.a
.)
Concentración P (mg/kg)
Figura 5.5 Curva de calibración de concentración de P II (460,21 nm), concentración agregada a partir de
dimetoato en muestras de hortalizas. Las barras de error vienen dadas por la incerteza del valor
instrumental.
Se puede observar en la figura que el R2 es de 0,99, y el r Pearson de 0,99, lo cual representa una
muy alta correlación.
Luego, con el fin de evaluar el rendimiento analítico del método cuantitativo LIBS, se procedieron a
realizar pruebas de validación internas cruzadas y al cálculo de las figuras de mérito. Los resultados
se observan en la Tabla 5.4.
Tabla 5.4. Figuras de mérito calculadas para evaluar el desempeño del modelo de regresión de la concentración de P II, a partir de diferentes modelos de validación.
LOOCV k-fold k-fold cruzada
RMSECV 0,5339235 0,4684424 0,4975833
MAE 0,5058852 0,456559 0,4929772
R2 0,9718706 1 1
96
Los valores de R2, RMSE y MAE indican una alta precisión de los resultados. Se observa, además, el
valor de R2 muy cercano a 1 en todos los casos, lo que garantiza un buen ajuste y buena sensibilidad
de medición. Por lo tanto el modelo de calibración presentado mostró una buena calidad de
regresión y una alta precisión predictiva para la cuantificación de P en muestras de acelga.
Por último, se obtuvieron los LoD y LoQ, los mismos fueron calculados para el caso del P y del
dimetoato, considerando la proporción de este elemento en el componente activo del plaguicida.
Los resultados pueden observarse en la tabla a continuación (Tabla 5.5).
Tabla 5.5. LoD y LoQ para el P y el dimetoato.
LoD (mg/kg) LoQ (mg/kg)
P 0,79 0,08 2,60 0,26
Dimetoato 5,58 0,59 19,40 1,95
CUANTIFICACIÓN DE CARBONO
Con el objetivo de obtener una curva de calibración de carbono en muestras de acelga contaminadas
con concentraciones crecientes de plaguicidas, se estudió la línea de emisión ya propuesta para la
caracterización de los mismos, 415,37 nm correspondiente al C I, con los parámetros temporales ya
estudiados y establecidos.
A modo de ejemplo, en la Figura 5.6, se graficaron algunas intensidades netas frente a
concentraciones crecientes, a partir de las muestras de referencia que se observan en la tabla 3.1,
en un rango entre 0-250 mg/kg de clorpirifos, equivalentes a 0-77 mg/kg de C. Además, se agregó
una muestra de 2500 mg/kg de clorpirifos, lo que corresponde a una concentración de 770 mg/kg
de C.
97
0 50 100 725 750 775 8000,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
C I (415,37 nm)
Inte
nsid
ad (
u.a
.)
Concentración C (mg/kg)
Figura 5.6. Intensidad neta de C en función de la concentración agregada de clorpirifos a muestras de
hortalizas. Las barras de error vienen dadas por la incerteza del valor instrumental.
Puede observarse que la intensidad de emisión no varía en función de las diferentes
concentraciones agregadas, incluso la nueva muestra de mayor concentración tampoco presentó
cambios en comparación con las concentraciones más bajas. Lo que lleva a pensar que no es posible
cuantificar el carbono en muestras de plaguicidas a bajas concentraciones.
CUANTIFICACIÓN DE CLORO
En el caso del cloro, el registro de la línea elegida para la caracterización de plaguicidas (725,66 nm)
presentaba señales muy débiles, registradas a nivel ruido, para concentraciones aptas a ser
utilizadas en la cuantificación de plaguicidas bajo condiciones reales. Es por esto que se llevó a cabo
un estudio exhaustivo de las líneas de emisión de Cl, que permitiera llevar a cabo el proceso de
cuantificación de este elemento. La nueva línea seleccionada corresponde al Cl I y se encuentra en
837,59 nm.
En la tabla a continuación (Tabla 5.6) se observa la línea elegida conjuntamente con sus datos
espectroscópicos (Kramida, Olsen, and Ralchenko 2019).
98
Tabla 5.6. Información espectroscópica de la línea de Cl I seleccionada para la cuantificación.
Elemento y
estado de
ionización
Longitud de
onda (nm)
Probabilidad
de transición
(s-1)
Ei (eV) Ek (eV) gk
Cl I 837,59 2,8 x107 8,9217000 10,4015349 8
5.5.1 Arreglo experimental LIBS
Para adquirir registros de señal de la nueva línea seleccionada, fue necesario rearmar un nuevo
equipo de medición. Para esto, se utilizó el arreglo experimental 3, conjuntamente con el
monocromador del arreglo experimental 1 (Model VM-504, Acton Research Corporation, USA).
Luego, la luz dispersada se detectó mediante el fotomultiplicador Hamamatsu modelo R928 y la
señal eléctrica se discriminó en el tiempo y promedió mediante el Boxcar (Standford Research
System, módulos SR 250, SR 280). Esto permitió una discriminación temporal, y la selección de
tiempos postbreakdown y de integración adecuados.
Con el propósito de aumentar la señal de la línea en estudio, se optó por cambiar la configuración
espacial plasma-visión del monocromador, buscando el incremento de señal a partir de un aumento
en el registro de la columna de plasma (representado como L en la ecuación 2.3 de plasma delgado).
En este sentido, se reubicaron la celda de vacío y el monocromador de tal forma que la línea de
visión del monocromador estuviera prácticamente en el mismo eje del plasma; contrariamente a la
observación perpendicular implementada en las otras configuraciones. Para lo cual, los pulsos láser
(Continuum Surelite II) primero fueron reflectados por un espejo y luego enfocados sobre la
superficie de la muestra en condiciones de baja presión, mediante una lente (L1) de 100 mm de
longitud focal. La luz emitida por el plasma se colectó mediante una segunda lente de cuarzo (L2)
de 100 mm de longitud focal, que formaba imagen del plasma sobre la rendija de entrada (ancho
de 300 μm) del monocromador. Un esquema de la nueva configuración puede apreciarse en la figura
a continuación (Figura 5.7).
99
Figura 5.7. Arreglo experimental LIBS. Adquisición y cuantificación de Cl a baja presión.
5.5.2 Obtención de parámetros espectroscópicos
A partir del nuevo arreglo experimental, se registraron los tiempos de medición para la línea 837,59
nm de Cl I, mediante el estudio de la línea de emisión integrada. Para esto se utilizaron rendijas de
entrada y salida de 300 µm, que equivale una integración espectral de 0.63 nm, según la dispersión
lineal de este monocromador. En la figura a continuación (Figura 5.8) se observa el registro neto,
obtenido luego de realizar la diferencia entre el promedio de tres mediciones de la línea de Cl I, y su
respectivo fondo.
100
100 150 200 250 300 3500,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
Cl I (837,59 nm)
Inte
nsid
ad (
u.a
.)
Tiempo postbreakdown (ns)
Figura 5.8. Evolución de la intensidad en función del tiempo postbreakdown para la línea de Cl I (837,59 nm),
elegida para la cuantificación de cloro, y por lo tanto de clorpirifos.
Del análisis de la evolución temporal de la línea de Cl I a lo largo del tiempo, se pudo determinar
que el tiempo postbreakdown óptimo de medición para llevar a cabo los registros de señales fue de
250 ns, y un tiempo de integración de 60 ns. A partir de estos datos espectroscópicos se obtuvo un
perfil de línea de Cl I, con rendija de entrada y salida de 200 µm, como puede observarse a
continuación en la Figura 5.9, con el fin de asegurarse la ubicación y registro de la línea. El perfil fue
registrado en una muestra que contenía 100 mg/kg de clorpirifos, lo que equivale a 30,33 mg/kg de
cloro.
101
837,0 837,2 837,4 837,6 837,8 838,0 838,2
1,0
1,2
1,4
1,6
1,8
2,0
2,2
2,4
2,6
2,8
3,0
Inte
nsid
ad (
u.a
.)
Longitud de onda (nm)
Cl I (837,59 nm)
Figura 5.9. Perfil de línea de emisión de Cl I (837,59 nm), en una muestra que contiene 100 mg/kg de clorpirifos
(30,33 mg/kg de Cl) registrado con rendija de entrada y salida de 200 µm a partir de la configuración
experimental de la Figura 5.6.
Cabe destacar, que la línea de emisión de Cl I está muy próxima a una línea de Fe I (837,21 nm) y es
imposible que quede fuera de la integración con los parámetros que se están tomando. En un
trabajo recientemente publicado sobre análisis de Cl en concreto aplicando LIBS (W. Zhang et al.
2019), se demostró que esta cercanía provocaba que las líneas se superpusieran. Como
consecuencia, la intensidad de la línea de Cl I presentaba interferencias por la presencia de Fe en el
cemento, que complicaba el proceso de calibración.
En nuestro caso, con el fin de evaluar si en los tiempos de medición elegidos el Fe provocaba
interferencias, se tomaron registros de señal de la línea 838,78 nm correspondiente también a Fe I.
La elección de registrar esta línea, radica en que presenta mucho mayor intensidad que la ubicada
en 837,21 nm (aproximadamente 90 veces mayor), contando con una probabilidad de transición de
6,09x105 1/s (Kramida, Olsen, and Ralchenko 2019). Por lo tanto, si el registro de señal de esta línea
es bajo en los tiempos de medición elegidos, se garantiza que la línea 837,21 nm no provocaría
interferencias en la determinación de Cl. Los registros de señales obtenidos de la medición de Cl I
(837.59 nm) y la línea de Fe I (838,78 nm) en una muestra de 50 mg/kg de clorpirifos (15,61 mg/kg
de Cl), pueden observarse en la Figura 5.10. Los tiempos de medición fueron los obtenidos en el
102
registro temporal, 250 ns de tiempo postbreakdown, con un tiempo de integración de 60 ns y
rendijas de 300 µm.
0 5 10 15 20 25 30
1,38
1,84
2,30
2,76
3,22
3,68
Cl I (837,59 nm)
Fondo (840 nm)
Fe I (838,78 nm)
Inte
nsid
ad (
u.a
.)
Registro
Figura 5.10. Registros de señales obtenidos de la medición de la línea de Cl I (837,59 nm) en una muestra de
acelga con 50 mg/kg de clorpirifos (15,61 mg/kg de Cl), con su fondo correspondiente y la línea de Fe I
(838,78 nm), con el fin de demostrar la no interferencia en la medición.
De este modo se concluye que la línea de Fe I 838,78 nm presenta una intensidad baja, si bien,
puede observarse un registro de señal debido a que la acelga contiene Fe, esto evidencia que la
línea más cercana al Cl I no provoca interferencias. En resumen, se asegura que el registro de línea
medida en los tiempos obtenidos, corresponde únicamente a la emisión de la línea de Cl I.
5.5.3 Curva de calibración
Una vez elegida y evaluada la línea de Cl I, se construyó la curva de calibración a partir de graficar la
intensidad neta frente a las concentraciones crecientes, utilizando las muestras de referencia
contaminadas con clorpirifos, que se observan en la tabla 3.1, en un rango entre 0-250 mg/kg,
equivalentes a 0-75,82 mg/kg de Cl (Figura 5.11). Por último, también se realizó el proceso de
validación para evaluar la robustez y precisión de la curva obtenida.
103
-10 0 10 20 30 40 50 60 70 80
0,4
0,6
0,8
1,0
1,2
1,4
1,6
1,8
2,0
2,2
2,4
Cl I (837,59 nm)
y= 0,04626x + 0,50557
R2 = 0,99298
r Pearson = 0,99736
SRichards1
R2 = 0,98853
Inte
nsid
ad (
u.a
.)
Concentración Cl (mg/kg)
Figura 5.11. Curva de calibración de concentración de Cl I (837,59 nm), concentración agregada a partir de
clorpirifos en muestras de hortalizas. Las barras de error vienen dadas por la incerteza del valor
instrumental.
Puede observarse en la Figura 5.11 calibraciones de ajuste lineal y no lineal, con R2 y r Pearson por
encima de 0.98, lo que indica una alta precisión del modelo de calibración. Sin embargo, cuando la
concentración de Cl supera los 30 mg/kg, la curva de crecimiento lineal presenta una inclinación
hacia abajo, lo que llevó a ajustarla con una curva Sigmoidal de Richards, indicando la presencia de
autoabsorción, por lo tanto, condiciones de plasma no homogéneo. Debido a este análisis, se
concluye que la concentración máxima de Cl que permite trabajar con el modelo de plasma delgado
anteriormente mencionado (ec. 2.3) es de 30 mg/kg.
Por otro lado, se evaluó la performance analítica y precisión del método a partir de las validaciones
ya mencionadas. Para esto, se utilizaron aquellos puntos que pudieron ser ajustados con la función
lineal correspondiente, los resultados arrojados se observan en la Tabla 5.7.
104
Tabla 5.7. Figuras de mérito calculadas para evaluar el desempeño del modelo de regresión de la concentración de Cl I, a partir de diferentes modelos de validación.
LOOCV k-fold k-fold cruzada
RMSECV 1,104025 0,8220312 0,8412274
MAE 0,8631841 0,8081051 0,8091646
R2 0,9904494 1 1
Los resultados demostraron que el uso de análisis LIBS para detección y cuantificación de Cl
presentaron una alta sensibilidad. Los valores de R2, RMSE y MAE indican una alta precisión de los
resultados.
Los LoD y LoQ también fueron calculados, utilizando la desviación estándar obtenida de la muestra
control. Los resultados pueden observarse a continuación en la Tabla 5.8.
Tabla 5.8. LoD y LoQ para el Cl I y el clorpirifos.
LoD (mg/kg) LoQ (mg/kg)
Cl 6,97 0,49 28,3 1,32
Clorpirifos 22,98 1,61 75,84 5,31
DISCUSIÓN Y CONCLUSIONES DE LA CUANTIFICACIÓN DE PLAGUICIDAS
A modo de síntesis, se presentan a continuación los LoD y los LoQ de los cuatro elementos
medidos (Tabla 5.9) con el fin de analizar y evaluar los límites encontrados.
Tabla 5.9. LoD y LoQ para el C, S, P y Cl obtenidos a partir de la calibración con la técnica LIBS.
Elemento LoD (mg/kg) LoQ (mg/kg)
C - -
S 1,72 0,17 5,67 0,56
P 0,79 0,08 2,06 0,26
Cl 6,97 0,49 28,3 1,32
105
Comenzando con el carbono, este elemento no permitió realizar una curva de calibración a bajas
concentraciones, y por ende no presentó LoD y LoQ, es por esto que se concluye que la
cuantificación de este elemento para la determinación de plaguicidas mediante la técnica LIBS no
es factible. Si bien, era una de las variables medidas en el análisis multivariado del Capítulo IV para
la caracterización de plaguicidas, a bajas concentraciones no puede ser utilizado. Por lo tanto, el
carbendazim (C9H9N3O2) el cual presenta una fórmula molecular más simple, con elementos que se
encuentran presentes en hortalizas y vegetales en general, no puede ser detectado y cuantificado a
bajas concentraciones con el método propuesto. Esto ocurre debido a que la concentración de
carbono en los vegetales es demasiado alta, lo que provoca que al agregarle bajas concentraciones
del mismo, como es en este caso, no es suficiente para observar un cambio de intensidad mediante
la aplicación de la técnica LIBS y así poder realizar una curva de calibración con un crecimiento lineal.
A su vez, considerando que el contenido de carbono en hortalizas de hojas verdes es
aproximadamente un 35 % p/p (peso seco), los resultados obtenidos están dentro de la lógica (Mota
et al. 2011).
Por otro lado, para el caso del azufre, los LoD y LoQ arrojados por el análisis univariado lineal,
presentaron valores bajos, aplicando conversión de unidades a fines comparativos, el límite de
detección de S en acelga está en el orden de 0,00017 % p/p (peso seco). En uno de los último trabajos
publicados aplicando la técnica LIBS, combinada con dispersión Raman de resonancia (LIBS-RRS) (W.
Zhang et al. 2020), los autores detectaron azufre en muestras de polvos, con un LoD de 13,09 % p/p
estudiando la línea 921, 28 nm y un LoD de 0,118 % p/p, mediante la aplicación de LIBS-RRS, valores
muy por encima que el obtenido en este trabajo. No se encontraron en la bibliografía cuantificación
de S en muestras vegetales, por lo que sería uno de los primeros indicios de detección y
cuantificación de este elemento a bajas concentraciones.
En cuanto al fósforo, fue el elemento que presentó los LoD y LoQ más bajos en este estudio,
obteniéndose un valor de 0,79 mg/kg. En comparación con trabajos encontrados en la literatura,
Marangoni et al. (Marangoni et al. 2016) desarrollaron un método cuantitativo para determinar
fósforo en fertilizantes, encontrando un LoD de 0,5%, el cual está muy por encima del LoD
encontrado en este trabajo. Por otro lado, hay estudios donde se midió la línea de P proveniente
del clorpirifos aplicado sobre diferentes alimentos. El primer estudio llevado a cabo por Ma and
Dong 2014 describieron la detección de residuos de clorpirifos en la superficie de manzanas
mediante la técnica LIBS. Lograron distinguir concentraciones altas a partir del estudio de una línea
106
de P a presión atmosférica, sin embargo no pudieron distinguir muestras con concentraciones más
bajas (1: 100 y 1: 1000). Este estudio continuó (Du et al. 2015) y en esta ocasión, exploraron la
influencia del argón en el registro de intensidad de las señales LIBS provenientes de clorpirifos.
Purgando con argón, observaron el pico característico de P en el espectro LIBS de una solución de
clorpirifos de dilución 1: 1000, y obtuvieron curvas de calibración con LoD entre 4,3 y 6.9 mg/kg. En
su último trabajo (Zhao et al. 2019), lograron bajar los límites de detección utilizando LIBS mejorado
con nanopartículas de plata (NELIBS) sobre la superficie de manzanas, alcanzando límites de
detección entre 0,009 y 0,029 mg/kg, obteniendo así los límites más bajos encontrados en la
literatura. Esta técnica prometedora y aún en estudio, aplicada al límite encontrado en nuestro
estudio, podría bajar aún más el LoD. Sin embargo, existen algunos problemas y controversias en
esta tecnología al añadir nanopartículas metálicas no comestibles a las muestras analizadas que
pueden ser tóxicas, lo que provocaría contaminación. Por lo tanto, requiere mayor muestreo y
procesamiento, y además, no puede ser utilizada in situ.
A su vez, es conocido que el P es un nutriente esencial de los vegetales, por lo tanto en la medición
de este elemento pueden existir interferencias entre la concentración proveniente de la hortaliza,
y el P del plaguicida. En estos casos, sería pertinente contar con un blanco o control (hortaliza no
contaminada), con el fin de establecer la concentración basal del nutriente.
Si bien, para el caso de plaguicidas los LoD y LoQ del S y P están por encima de los límites máximos
permisibles (LMRP), existen evidencias que en nuestro país estos límites se superan ampliamente,
encontrándose residuos de plaguicidas en alimentos, en concentraciones mayores a las establecidas
(Servicio Nacional de Sanidad y Calidad Agroalimentaria 2012). Para el caso de la acelga, se han
encontrados residuos de plaguicidas no autorizados, como es el caso del dimetoato, en
concentraciones que superan los 6 mg/kg. Por lo tanto, los LoD y LoQ obtenidos para el S y el P
demuestran que LIBS tiene una buena capacidad de predicción y es una herramienta confiable y
sensible para el análisis de residuos de plaguicidas a partir de estos elementos.
Los LoD y LoQ de Cl indican que este elemento puede ser medido en muestras de acelga
contaminadas con diferentes concentraciones crecientes de clorpirifos. Por otro lado, es importante
destacar que el Cl es un micronutriente típico, es decir, es necesario para un crecimiento vegetal
óptimo (Minerals and Agriculture GmbH 2019). Debido a que generalmente se suministra a las
plantas como cloruro de diversas fuentes (reservas de suelo, agua de riego, lluvia, fertilizantes,
contaminación del aire), escasa vez se encuentra deficiencia de cloro en el suelo. Por el contrario,
107
existe mucha más preocupación por la toxicidad del cloro, sin embargo, las especies de plantas
varían mucho en su susceptibilidad a las altas concentraciones de cloruro en la solución del suelo. A
partir de esto, se pueden distinguir cuatro grupos principales: i) cultivos amantes del cloruro, ii)
cultivos tolerantes al cloruro, iii) cultivos parcialmente tolerantes al cloruro, iv) cultivos sensibles al
cloruro. Dentro del primer grupo, se encuentra la acelga, hortaliza utilizada en la cuantificación de
este elemento, es por esto que, puede apreciarse una concentración inicial de Cl en estas muestras.
A partir de los datos obtenidos de la curva de calibración de la Figura 5.11, se calculó una
concentración inicial de Cl de 11 1 mg/kg, que debe ser tenida en cuenta si se desea encontrar la
concentración de Cl proveniente de un plaguicida (L. Martino 2015). En este caso, aunque es poco
conveniente para los fines prácticos, es recomendable contar con un blanco que proporcione la
concentración basal de este micronutriente en la acelga, para evitar interferencias. Sin embargo,
dentro del grupo de cultivos sensibles al cloruro, se encuentran la lechuga y la mayoría de las
hortalizas tempranas. Lo que implica que, en este caso, es factible detectar la concentración de cloro
en hortalizas provenientes de plaguicidas.
En cuanto a los trabajos encontrados en la literatura, Zhao et al. 2019, aplicaron clorpirifos en
manzanas y cebollas de verdeo, pudieron detectar un registro de línea de Cl sólo en muestras de
cebollas y mediante la aplicación de NELIBS, a su vez, no realizaron curva de calibración, por ende
no obtuvieron LoD y LoQ. Por otra parte, varios autores han intentado cuantificar el Cl para la
determinación de este elemento con fines industriales. En el trabajo más recientemente publicado
Wakil and Alwahabi 2019 cuantificaron cloro, a través de la emisión molecular de CaCl, utilizando
LIBS asistido por microondas (MW-LIBS), alcanzando un LoD de 47 mg/kg.
En definitiva, el LoD y LoQ del Cl, están por encima de los límites máximos permisibles para
plaguicidas (LMRP) (Servicio Nacional de Sanidad y Calidad Agroalimentaria 2020). Sin embargo,
para el caso de plaguicidas clorados, también se han encontrado residuos que superan estos límites.
En el caso específico de la acelga, se han encontrados residuos de imidacloprid en el orden de los 3
mg/kg, y a su vez, se han detectados residuos no autorizados, como clorpirifos a concentraciones
de 1,6 mg/kg y cipermetrina, con una concentración de 6,09 mg/kg (Servicio Nacional de Sanidad y
Calidad Agroalimentaria 2012). Si bien, el LoD encontrado supera estos valores, se ha alcanzado un
LoD relativamente aceptable en comparación con los últimos trabajos publicados, aunque factible
a mejoras, considerando que es el primer estudio donde se pudo detectar y cuantificar el Cl en
muestras vegetales.
108
Para concluir, mediante la aplicación de la técnica LIBS fue posible determinar residuos de
plaguicidas a partir de la medición de Cl, P y S, sin la necesidad de utilización de productos químicos
nocivos e inversión de un gran tiempo de preparación de muestras. Los modelos de calibración
planteados pueden ser utilizados de manera complementaria a los métodos analíticos
tradicionalmente utilizados en la detección de plaguicida. De esta forma, se propone su uso cómo
una técnica preliminar de detección y en aquellos alimentos en donde se encuentren residuos muy
por encima de los límites, luego pueden ser medidos mediante análisis convencional. Otra aplicación
podría darse en la realización de ensayos de laboratorios para pruebas de plaguicidas, y establecer
la eficacia o períodos de protección sobre cultivos con diferentes tratamientos y un tratamiento
control (testigo), al cual no debe aplicarse sustancia activa ni agua. También puede ser útil para
evaluar derrames de plaguicidas sobre huertos, y mediante su cuantificación, proceder a establecer
índices de ingesta máxima admisibles de los alimentos.
Si bien pueden desarrollarse modelos de predicción con mayor cantidad de muestras para evaluar
con mayor precisión la robustez del método y aplicar métodos de calibración multivariados, esta
investigación permite fomentar la realización de nuevos estudios e incorporar una nueva técnica a
la determinación de residuos en productos alimenticios en el futuro.
109
6 CAPÍTULO VI: DIAGNÓSTICA DEL PLASMA
Para optimizar la capacidad analítica de la técnica LIBS es fundamental realizar una diagnóstica del
plasma. El objetivo de esto es contar con todos los parámetros que caracterizan al mismo y de esta
manera, asegurar una reproducibilidad de las aplicaciones analíticas en determinadas condiciones
experimentales, como las utilizadas en esta Tesis.
Partiendo de la ecuación de plasma delgado (ec. 2.3), se puede observar que la intensidad no solo
depende de la concentración de emisores (elemento atómico con su grado de ionización), sino
también de la temperatura y de la densidad electrónica. La temperatura establece las poblaciones
de los niveles de energía a partir de la distribución de Boltzmann; y junto a la densidad electrónica,
permiten estudiar las concentraciones de un elemento en sus diferentes estados de ionización en
un mismo plasma. Por otro lado, todo esto se debe establecer bajo condiciones de Equilibrio
Termodinámico, y en LIBS es suficiente la aproximación al Equilibrio Termodinámico Local (LTE, por
sus siglas en inglés). En la literatura pueden encontrarse varios trabajos sobre este tema (Bulajic et
al. 2002; Cristoforetti et al. 2010; Gornushkin et al. 2001).
Existen métodos conocidos para el cálculo de la temperatura, por ejemplo, el plot de Boltzmann y
el diagrama de Saha-Boltzmann. Pero ambos métodos comparten ciertas limitaciones: la
observación de un cierto número de líneas con datos espectroscópicos bien estudiados, la hipótesis
del plasma en el LTE, la homogeneidad y la baja autoabsorción (bajo espesor óptico) para aplicar el
modelo de plasma delgado (Corney 1977a; Lochte - Holtgreven 1968)
Si bien, la parametrización de plasmas parecería algo muy estudiado, no lo es tanto cuando se
quieren estudiar plasmas en condiciones de inhomogeneidad, alta absorción (plasma grueso), falta
de datos, tiempos postbreakdwon no típicos, etc. Como ejemplo de esto, hay trabajos recientes de
propuestas de cuantificación de plasma grueso (C. A. D’Angelo et al. 2015) y de estudio de
diagnóstica en plasmas inhomogéneos (Cristian A. D’Angelo et al. 2008). Por otro lado, y mucho más
cercanos a los objetivos de esta Tesis, hay trabajos recientemente publicados sobre la
determinación de elementos atómicos difíciles de observar en forma tradicional (como el caso de
los halógenos), a partir del registro de la emisión molecular de moléculas diatómicas que lo
contienen, registrados en tiempos convenientes de recombinación (Alvarez-Llamas, Pisonero, and
Bordel 2016; Gaft et al. 2014). Estos tiempos no son típicos en análisis LIBS, y paralelamente a esta
Tesis, haciendo un entrenamiento de diagnóstica, se avanzó en una propuesta de caracterización
110
de plasmas en “tiempos tardíos”, para ser utilizada por ejemplo, en aplicaciones analíticas por
estudio de emisión molecular, en donde los tiempos postbreakdown son del orden de varias
decenas de microsegundos y los datos de líneas de emisión atómicas son muy pocos y no se pueden
establecer estudios tradicionales (L. J. Martino and D’Angelo 2020).
A continuación, se detallan las metodologías y estimaciones de los parámetros de temperatura y
densidad electrónica, junto con la confirmación de LTE para los plasmas producidos en esta Tesis en
muestras de hortalizas de hojas verdes.
METODOLOGÍA
6.1.1 Temperatura
El plot de Boltzmann es un método tradicional de cálculo de temperatura que comienza con la
aplicación de la ecuación de distribución de Boltzmann (G. Traving 1968). Para esto, se debe suponer
que el plasma debe ser ópticamente delgado y que está en equilibrio termodinámico local (LTE)
(Corney 1977; W. Lochte - Holtgreven 1968). Desde este enfoque, la expresión de la intensidad (ec.
2.3) se considera en función de la longitud de onda y, parámetros espectroscópicos y
experimentales, agrupando convenientemente es posible obtener la ecuación:
𝑙𝑛 (𝑗𝑖
3 𝐼𝑗𝑖
𝐴𝑗𝑖 𝑔𝑗) = −
1
𝑘𝑇𝐸𝑗 + 𝑙𝑛 (
ℎ𝑐2𝐿
2 Q𝑘(T) 𝑁𝑘)
(ec. 6.1)
Luego, para cada línea registrada, 𝑙𝑛 (𝑗𝑖
3 𝐼𝑗𝑖
𝐴𝑗𝑖 𝑔𝑗) se grafica en función de las energías de los niveles
superiores 𝐸𝑗 de la transición involucrada para cada línea. A partir de esto, es posible estimar la
temperatura del plasma utilizando una regresión lineal de los puntos registrados, donde el ajuste
tiene el valor − 1
𝑘𝑇 como pendiente.
6.1.2 Densidad electrónica
La forma de línea registrada a la salida de un monocromador o espectrómetro está dada por un
perfil de distribución algo complejo, conformado por múltiples funciones de distribución. En
particular, un perfil registrado en espectroscopia de plasmas LIBS responde a una función Voigt, que
es la convolución entre una función gaussiana y una lorentziana.
111
La contribución gaussiana se debe principalmente a la función instrumental, despreciando otros
tipos de fenómenos presentes en el plasma, como el efecto Doppler. Este último, es causado por el
movimiento de los átomos (o iones) emisores respecto del observador, cuyo ancho estimado en la
función de Gauss para las líneas de este trabajo es insignificante en comparación al ancho
instrumental (G. Traving 1968; L. J. Martino and D’Angelo 2020). Para el caso de la función
instrumental, un monocromador tiene una función de transferencia establecida a partir de los
anchos de sus rendijas de entrada y de salida, y para una determinada longitud de onda. Para
rendijas de aperturas iguales, se tiene una distribución gaussiana con un ancho posible de calcular,
con lo dicho anteriormente, a partir de lo establecido por el fabricante.
Por otro lado, la contribución lorentziana principalmente está dada por el mecanismo del efecto
Stark. Este es debido al proceso de colisiones de electrones con átomos e iones, y es de primordial
importancia en espectroscopia de plasmas astrofísicos y de laboratorio, y está directamente
relacionado con la densidad electrónica (Griem 1997). También, existe el ensanchamiento natural
de línea dado por el principio de incertidumbre de Heisenberg, cuyo ancho son varios órdenes de
magnitud menor respecto al Stark, y es imposible de resolver en los monocromadores y
espectrómetros convencionales.
En resumen, la estimación de la densidad electrónica se realiza a partir del FWHM (Full Width Half
Maximum) de la función Lorentziana (𝑤𝐿) dado por el efecto Stark, y que contribuye al perfil de
Voigt de las líneas registradas.
Con todo esto y para los fines prácticos de este trabajo, se tiene que para una línea y temperatura
determinada, se estima una relación directa entre el ancho lorentziano y la densidad electrónica. En
consecuencia, la expresión utilizada para estimar el valor de la densidad electrónica 𝑛𝑒(𝑘𝑇), está
dado por:
𝑛𝑒(𝑘𝑇) = 𝑛𝑒′
𝑤𝐿′ (𝑘𝑇)
𝑤𝐿(𝑘𝑇)
(ec. 6.2)
Donde los valores de 𝑤𝐿 ′(𝑘𝑇) son estimados por una función de ajuste a partir de datos tabulados
de anchos lorentzianos con temperaturas determinadas y correspondiente a un 𝑛𝑒 ′, dado para cada
línea en particular (Griem 1997; Sahal-Bréchot, S., Dimitrijević, M. S. Moreau 2020).
112
6.1.3 Equilibrio Termodinámico Local
Para que el plasma se encuentre en estado de equilibrio termodinámico, las colisiones tienen que
dominar sobre los procesos radiativos, esta condición se satisface si la densidad electrónica es
suficientemente grande. Un criterio propuesto por McWhirter (Leonard and Huddlestone 1965) se
basa en la existencia de una densidad electrónica crítica para la cual la tasa de colisiones es al menos
diez veces la tasa de procesos radiativos. El criterio para que exista LTE es:
𝑛𝑒 ≥ 𝑇𝑒 1/2
(𝐸𝑗 − 𝐸𝑖)3
. 1012 𝑒𝑉−3𝐾−1/2𝑐𝑚−3 (ec. 6.3)
Donde, 𝑇𝑒 es la temperatura electrónica (expresada en K), considerando condiciones de LTE, esta
es igual a la temperatura iónica. 𝐸𝑗 − 𝐸𝑖 es la diferencia de energía entre el nivel superior j y el nivel
inferior i (expresada en eV). Los valores típicos de esta densidad electrónica umbral, a partir de la
cual el plasma se halla en equilibrio termodinámico, oscilan en el rango 1x1015 - 1x1016 cm-3.
ESTIMACIÓN DE PARÁMETROS EXPERIMENTALES
6.2.1 Estimación de temperatura
Para la aplicación del plot de Boltzmann, se analizaron los registros de línea de Fe I, entre 300 y 500
nm, con un tiempo postbreakdown y de integración determinados, siguiendo los parámetros
utilizados en la cuantificación detallada en el Capítulo V. Como un ejemplo de lo dicho
anteriormente puede observarse el esquema a continuación (Figura 6.1).
113
Figura 6.1. Evolución esquemática de los tiempos postbreakdown y de integración para el Cl, P y S, usados
para cálculos de temperatura y densidad electrónica.
De esta forma, utilizando un tiempo postbreakdown de 300 ns y un tiempo de integración 400 ns se
asegura representar las condiciones del plasma en los tres elementos que fueron cuantificados en
el Capítulo V.
Las rendijas de entrada y salida del monocromador se fijaron en 300/300 µm y se registraron un
total de 15 datos por línea de Fe medida, utilizando los lineamientos de la sección 3.4.1. Los datos
espectroscópicos de las líneas seleccionadas, junto con las intensidades de las áreas registradas
experimentalmente se muestran en la Tabla 6.1.
114
Tabla 6.1. Datos espectroscópicos de líneas de emisión de Fe I seleccionadas para aplicación de plot de
Boltzmann.
𝑗𝑖 (nm) 𝐴𝑗𝑖 (𝑠−1) 𝐴𝑗𝑖
precisión*
𝑔𝑗 𝐸𝑗 (eV) 𝐼𝑘 (u.a.)
370,56 3,21E6 A 7 3,39651 0,191 ± 0.030
374,33 2,6E7 A 3 4,30128 0,094± 0.030
379,85 3,23E6 A 11 4,1777 0,059 ± 0.030
393,02 1,99E6 B+ 7 3,24097 0,583 ± 0.030
432,57 5,16E7 B+ 7 4,4732 0,373 ± 0.030
487,13 2,44E7 B+ 5 5,4098 0,159 ± 0.030
489,14 3,08E7 B+ 7 5,3852 0,053 ± 0.030
*Las precisiones estimadas para las probabilidades de transición son: AA: ≤ 1%, A+: ≤ 2%, A: ≤ 3%, B+: ≤ 7%, B: ≤ 10%, C+: ≤ 18%, C: ≤
25%, D+: ≤ 40%, D: ≤ 50%, E: > 50% (Kramida, Olsen, and Ralchenko 2019).
Cada valor de intensidad viene dado por la intensidad neta obtenida mediante la diferencia del
registro de líneas con un fondo medido.
El plot de Boltzmann basado en los datos experimentales se puede ver en la Figura 6.2. Las barras
de error fueron calculadas a partir de la estimación de la incertidumbre (Ver Anexo 4). Con este
análisis, se estimó una temperatura de kT= (0,83 0,10) eV.
115
3,0 3,5 4,0 4,5 5,0 5,53,0
3,5
4,0
4,5
5,0
5,5
6,0
6,5
y = -1,2125x + 9,8149
R2 = 0,92603
R Pearson = -0,96996
ln (
ji
ji/(A
ji g
j)) k
(u.
a.)
Ej (eV)
Figura 6.2. Plot de Boltzmann basado en los datos experimentales de la Tabla 6.1, con perfiles registrados en
300 ns. La temperatura estimada fue de kT = (0,83 ± 0,10) eV. Las barras de error fueron calculadas
mediante el cálculo de propagación de incertidumbre de Iji y de Aji para cada caso en particular.
6.2.2 Estimación de densidad electrónica
Para la estimación de la densidad electrónica, se optó por analizar la línea 280,27 nm de Mg II. La
elección de esta línea se justificó a partir de un trabajo ya publicado, donde se estudió la relación
de intensidades integradas del doblete 279.55/280.27 nm (transición 2p6 3p2 P0 - 2p6 3s 2S) y esta
línea representa la mejor aproximación del modelo de plasma delgado (C. A. D’Angelo et al. 2015).
En la Figura 6.3 se puede observar el perfil registrado conjuntamente con el correspondiente ajuste
Voigt, y los datos resultantes de anchos lorentziano y gaussiano.
116
280,22 280,24 280,26 280,28 280,30 280,32
0,096
0,192
0,288
0,384
0,480
0,576
Inte
nsid
ad
(u
. a
.)
Longitud de onda (nm)
Mg II (280.27nm)
Ajuste Voigt
WG=0,01288 nm
WL=0,0110 ( 0,0018) nm±
Figura 6.3. Perfil de la línea de emisión de Mg II (280,27 nm) con su perfil Voigt, para un tiempo
postbreakdown de 300 ns y de integración de 400 ns.
El ancho gaussiano 𝑤𝐺 del ajuste de Voigt se fijó en 𝑤𝐺 = 0,012878 𝑛𝑚 . Este valor se estableció a
partir de la función instrumental correspondiente al monocromador utilizado, calculado en función
de los anchos de rendijas y para la longitud de onda de 280,2 nm (ver Anexo 5). Luego, a partir de
la aplicación del ajuste Voigt sobre el registro de perfil de línea, se logró establecer un ancho
lorentziano de 𝑤𝐿 = 0,0110 ± 0.0018 𝑛𝑚.
Por otro lado, se obtuvo la función 𝑤𝐿 ′(𝑘𝑇) y se calculó su valor para kT=0.83 eV, siguiendo la
propuesta de la expresión (ec. 6.2). Esta se determinó a partir del ajuste de datos tabulados para la
línea en cuestión y con 𝑛𝑒 ′ = 1017 𝑐𝑚−3 (Stark-B 2007), esto puede verse en la Figura 6.4.
117
Figura 6.4. Ajuste exponencial para anchos Stark tabulados en función de KT para la línea de Mg II (280, 27
nm), con una 𝑛𝑒′ = 1017 𝑐𝑚−3, según datos de tabla publicados (referencia en texto).
El mejor ajuste para estos datos es una función exponencial expresada como:
𝑤𝐿′ (𝑘𝑇) = 𝐴1 ∗ 𝑒𝑥𝑝(−𝑘𝑇/𝑡1) + 𝑦0 (ec. 6.4)
Donde los valores de 𝐴1, 𝑡1y 𝑦0 equivalen a 0,02562, 0,7553 y 0,01208 respectivamente, para
temperaturas en el rango de 0,4 a 4,3 eV. A partir de la cual, y con la temperatura ya calculada se
pudo establecer que 𝑤𝐿′ (0.83 ± 0.10)𝑒𝑉 = 0.02028 ± 0.001 𝑛𝑚 (Estimación de incerteza
detallado en Anexo 4).
Finalmente, se estimó la densidad electrónica 𝑛𝑒 mediante la expresión (ec. 6.2), dando un valor de
estimado de (Estimación de incerteza en Anexo 4):
𝑛𝑒(0.83 𝑒𝑉) = (5,42 ± 0,93) × 1016 𝑐𝑚−3.
6.2.3 Verificación de Equilibrio Termodinámico Local
En la estimación de kT y 𝑛𝑒 es importante verificar que se cumple la condición LTE. Para lo cual, se
aplicó el criterio de McWhirter dado por la condición descrita en la ec. 6.3.
118
Con base en esta condición, se eligió la línea de menor longitud de onda (diferencia de niveles
mayor) de todas las estudiadas en esta tesis. De este modo es posible ampliar la validez de esta
desigualdad y confirmar la condición de LTE para todo el trabajo. La línea seleccionada fue la
correspondiente al Mg II, luego, en la Tabla 6.2 se muestran los resultados obtenidos.
Tabla 6.2. Obtención del criterio de McWhriter para verificación de LTE, a partir de la línea de Mg II.
Parámetros estimados Criterio McWhriter
𝒌𝑻 (eV) 𝒏𝒆 (cm-3) Límite LTE (cm-3) Condición LTE
0,83 0,10 (5,42 0,93) x1016 (8,487 0,005 )x1015 CUMPLIDA
A partir de este análisis es posible ver que la densidad electrónica excede el límite de LTE en casi un
orden de magnitud y los plasmas producidos satisfacen la condición de LTE en todos los casos.
Por último, se puede concluir que los valores encontrados en la parametrización del plasma
corresponden a valores típicos de plasmas LIBS en el vacío (Effenberger and Scott 2010). En estos
casos, los valores de temperatura y densidad electrónica son algo más bajos que en condiciones
atmosféricas.
119
7 CAPÍTULO VII: CONCLUSIONES GENERALES Y PERSPECTIVAS
El principal objetivo de la incorporación de plaguicidas a los sistemas productivos es el control de
malezas y plagas. Sin embargo, en la sociedad actual es un tema preocupante el uso de los mismos
debido a aplicaciones directas en los cultivos agrícolas, lavado inadecuado de tanques
contenedores, filtraciones en los depósitos de almacenamiento y derrames accidentales.
Considerando a su vez, que existe evidencia de la presencia de residuos de plaguicidas en los
alimentos, que representan una amenaza importante para los consumidores debido a su toxicidad.
Conocidos los efectos que produce el uso y abuso de plaguicidas y con los indicios que se superan
los límites máximos permisibles en varios casos, es necesario contar con métodos de detección y
cuantificación rápidos que permitan analizar y evaluar la presencia de los mismos, siendo el primer
paso para determinar si se superan los LMR con la consecuente identificación de los riesgos y toma
de decisiones.
A partir de los resultados obtenidos en esta Tesis Doctoral se pretendió desarrollar una potencial
herramienta para la detección, clasificación y cuantificación de algunos plaguicidas sobre muestras
de hortalizas de hojas verdes, a través de analizar la factibilidad de la técnica Laser Induced
Breakdown Spectroscopy conjuntamente con técnicas quimiométricas y modelos de calibración. El
principal objetivo fue aportar una técnica analítica complementaria a las ya existentes y
tradicionales, que permita una identificación rápida y simple, de bajo costo, sin producción de
desechos y que pueda ser aplicada en hortalizas y a su vez, extender su uso para la aplicación en
suelos y alimentos en general.
De acuerdo con los objetivos iniciales planteados, los resultados obtenidos y las conclusiones
individuales presentadas en cada capítulo de esta tesis, se pudieron obtener las siguientes
conclusiones generales:
El procedimiento utilizado para el preparado de muestras, tanto representativas como de
calibración, posibilitó aplicar la técnica LIBS y obtener conjuntos de datos en forma rápida y
sencilla. A su vez, el uso de tamices para homogeneizar el tamaño de grano permitió conseguir
una muestra más compacta y evitar así la destrucción por los sucesivos disparos del láser.
120
El nuevo método de adquisición de registros LIBS cumplió con el objetivo planteado,
permitiendo la obtención de una mayor cantidad de datos, en forma rápida, con una mínima
destrucción de muestra, y logrando una alta repetitividad en las mediciones.
La optimización de los esquemas experimentales LIBS utilizados permitió la detección y
cuantificación de elementos de difícil determinación, que históricamente se daba tanto en esta
técnica como en aquellas de usos tradicionales y homologadas. La implementación de una celda
de vacío permitió obtener las condiciones necesarias para el registro de las señales, siendo ésta
una herramienta muy importante en la configuración experimental. Por otro lado, pudieron
encontrarse las condiciones experimentales adecuadas mediante el estudio de parámetros
espectroscópicos, para la obtención de registros de datos representativos.
La identificación de moléculas de los agentes activos de plaguicidas en forma indirecta a partir
de la detección de átomos mediante la combinación de registros LIBS y técnicas quimiométricas,
cumplió con el objetivo planteado. Los resultados obtenidos a partir del análisis de
componentes principales y el análisis discriminante lineal permitieron la clasificación y
caracterización de plaguicidas en muestras de hortalizas de hojas verdes. También fue posible
demostrar la diferencia entre la muestra de control y el resto de muestras contaminadas con
diferentes plaguicidas. Aunque las concentraciones utilizadas en este caso fueron más elevadas
que las recomendadas por los lineamientos de la Legislación sobre LMRP, se presentó un
resultado interesante que también puede ser utilizado en diversas aplicaciones.
Los resultados obtenidos de los protocolos de calibración de las variables en estudio
presentaron resultados óptimos, logrando una buena sensibilidad y precisión de la técnica
analítica para la cuantificación de residuos de plaguicidas en muestras de hortalizas. Las
configuraciones utilizadas fueron relativamente sencillas y además se tiene un costo
relativamente bajo como la principal ventaja. Con todo esto, se logró encontrar los límites de
detección y cuantificación para tres de las cuatros variables planteadas.
Fueron estimadas la temperatura del plasma y la densidad electrónica y los valores obtenidos
coinciden con los típicos encontrados en plasmas LIBS. De esta forma se garantiza la
121
homogeneidad y reproducibilidad de la aplicación de la técnica en plasmas de características
similares.
Mediante este trabajo se ha demostrado que la técnica LIBS puede utilizarse como una herramienta
complementaria en aplicaciones agrícolas y de evaluación en estudios multidisciplinarios, pudiendo
a su vez, aplicarse a otras matrices además de la presentada en este trabajo. A partir de nuevas
configuraciones experimentales simples, con tiempos de ejecución cortos, sin producción de
desechos tóxicos y bajos costos de aplicación, esta técnica se ha ido abriendo camino entre las
técnicas convencionales. Esto se logró mediante la reducción de las limitaciones inherentes,
aumentando la sensibilidad, disminuyendo los límites de detección y cuantificación, logrando
obtener repetitividad en las mediciones y pudiendo ser aplicadas en varias matrices, incluso en
diferentes estados de agregación.
La conjunción de la técnica LIBS con el análisis quimiométrico permite obtener una herramienta
prometedora tanto para análisis cualitativos como cuantitativos. La quimiometría, por su parte,
presenta estabilidad y confiabilidad en el procesamiento de una amplia cantidad de datos, como los
obtenidos mediante la técnica LIBS. De esta forma se pueden adquirir resultados más precisos,
eliminando el ruido existente en los registros y logrando una representación conjunta de datos. A
su vez, nuevas técnicas de análisis quimiométricos pueden ser aplicadas a los datos obtenidos por
la técnica LIBS, y obtener otro tipo de resultados en reconocimiento de patrones, clasificación y
cuantificación. Por otro lado, la combinación de ambos métodos está en pleno desarrollo y son
pocos los autores que utilizan métodos multivariados avanzados para mejorar el rendimiento de la
técnica LIBS, tanto en reconocimiento de patrones, como en clasificación de muestras. Por lo tanto,
los resultados obtenidos en esta tesis han demostrado la fiabilidad de su aplicación.
Esta Tesis Doctoral me ha dado los conocimientos y experticias necesarias para realizar estudios
espectroscópicos mediante la aplicación de la técnica LIBS, tanto en condiciones de presión
atmosférica, como también a baja presión. A su vez, me permitió obtener conocimientos en el
análisis de los datos mediante métodos quimiométricos. Esto me facilitó aplicar y obtener nuevos
conocimientos en el estudio y análisis de plaguicidas, pudiendo extrapolar estos resultados a otras
áreas de interés en la agricultura. A su vez, los resultados obtenidos pueden aplicarse para la
detección y cuantificación en otras ramas de análisis ambientales, que revistan importancia por su
122
contaminación o estudio en particular. Por otro lado, los modelos de calibración encontrados
pueden ser aplicados al estudio de micro y macro nutrientes, tanto en vegetales, como en alimentos
o suelos, pudiendo aportar resultados interesantes en la producción agrícola y de calidad
alimentaria.
Por último, como trabajos a futuro, sería interesante realizar el análisis quimiométrico sumando
como nueva variable al nitrógeno, luego de un estudio exhaustivo para establecer las condiciones
experimentales que permitan su registro, siendo una posibilidad la utilización de un gas buffer
dentro de la celda de vacío. Por otro lado, también sería pertinente realizar un estudio más
exhaustivo para lograr bajar los límites de detección y cuantificación a niveles establecidos por los
LMRP.
Se concluye que los objetivos tanto académicos como personales fueron alcanzados. Dado que la
presencia de plaguicidas en concentraciones elevadas, en alimentos y en el ambiente en general, es
un tema preocupante tanto a nivel medioambiental como de salud pública, se espera que los
resultados de esta investigación contribuyan a aportar valiosa información y permitan el desarrollo
de futuras investigaciones.
123
8 REFERENCIAS
Adamson, M, A Padmanabhan, G. J. Godfrey, and S. J. Rehse. 2007. “Laser-Induced Breakdown
Spectroscopy at a Water/Gas Interface: A Study of Bath Gas-Dependent Molecular Species.”
Spectrochimica Acta - Part B Atomic Spectroscopy 62(12): 1348–60.
Adlercreutz, E et al. 2014. Producción Hortícola Bajo Cubierta. ed. INTA.
Agencia para sustancias Tóxicas y Registro de Enfermedades. 2003. “Resumen de Salud Pública:
Piretrinas y Piretroides.” Toxicológicas: 8. www.atsdr.cdc.gov/es.
Akoto, Osei, Augustine Asore Azuure, and K. D. Adotey. 2016. “Pesticide Residues in Water,
Sediment and Fish from Tono Reservoir and Their Health Risk Implications.” SpringerPlus
5(1).
Alvarez-Llamas, C., J. Pisonero, and N. Bordel. 2016. “Quantification of Fluorine Traces in Solid
Samples Using CaF Molecular Emission Bands in Atmospheric Air Laser-Induced Breakdown
Spectroscopy.” Spectrochimica Acta Part B: Atomic Spectroscopy 123: 157–62.
http://dx.doi.org/10.1016/j.sab.2016.08.006.
Amat, JR. 2016. “Validación de Modelos Predictivos: Cross-Validation, OneLeaveOut,
Bootstraping.”
Andreu, Vicente, and Yolanda Picó. 2004. “Determination of Pesticides and Their Degradation
Products in Soil: Critical Review and Comparison of Methods.” TrAC - Trends in Analytical
Chemistry 23(10–11): 772–89.
Aparicio, Virginia et al. 2015. 53 INTA Ediciones Los Plaguicidas Agregados Al Suelo Y Su Destino En
El Ambiente.
Asgill, Michael E, and David W Hahn. 2009. “Spectrochimica Acta Part B Particle Size Limits for
Quantitative Aerosol Analysis Using Laser-Induced Breakdown Spectroscopy : Temporal
Considerations.” Spectrochimica Acta Part B: Atomic Spectroscopy 64(10): 1153–58.
http://dx.doi.org/10.1016/j.sab.2009.07.026.
Barioglio, Carlos Fernando. 2006. Diccionario de Las Ciencias Agropecuarias. ed. Brujas.
124
Bedmar, Francisco. 2011a. “¿Qué Son Los Plaguicidas?” In Informe Especial Plaguicidas Agrícolas,
ed. Ciencia Hoy. Facultad de Ciencias Agrarias Universidad de Mar del Plata, 10–16.
———. 2011b. 21 Informe Especial Plaguicidas Agrícolas. ed. Ciencia hoy. Facultad de Ciencias
Agrarias Universidad de Mar del Plata.
Bellan, PM. 2008. Fundamentals of Physics Plasmas. ed. Cambridge University Press. Cambridge.
Bernieri, Tanandra et al. 2019. “Occupational Exposure to Pesticides and Thyroid Function in
Brazilian Soybean Farmers.” Chemosphere 218: 425–29.
Besson, Marc et al. 2017. “Exposure to Agricultural Pesticide Impairs Visual Lateralization in a
Larval Coral Reef Fish.” Scientific Reports 7(1): 1–9.
Beyer, Angelika, and Marek Biziuk. 2008. “Methods for Determining Pesticides and Polychlorinated
Biphenyls in Food Samples - Problems and Challenges.” Critical Reviews in Food Science and
Nutrition 48(10): 888–904.
Bilge, Gonca et al. 2015. “Analysis of Bakery Products by Laser-Induced Breakdown Spectroscopy.”
Food Chemistry 181: 186–90.
https://linkinghub.elsevier.com/retrieve/pii/S0308814615002800.
Boa, E. 2016. “Food and Agriculture Organization of the United Nations. FAOSTAT.”
http://faostat3.fao.org/home/.
Bulajic, D et al. 2002. “A Procedure for Correcting Self-Absorption in Calibration Free-Laser
Induced Breakdown Spectroscopy.” Spectrochimica Acta - Part B Atomic Spectroscopy 57(2):
339–53.
Cabaleiro, Fernando. 2018. 1 Naturaleza de Derechos El Plato Fumigado.
Cajka, T et al. 2012. “Streamlining Sample Preparation and Gas Chromatography-Tandem Mass
Spectrometry Analysis of Multiple Pesticide Residues in Tea.” Analytica Chimica Acta
743(396): 51–60. http://dx.doi.org/10.1016/j.aca.2012.06.051.
Cámara de Sanidad Agropecuaria y Fertilizantes. 2011. Guía de Producos Fitosanitarios Para La
Republica Argentina. ed. CASAFE.
Campos, Él, V dos Santos Pinto da Silva, M Sarpa Campos de Mello, and U Barros Otero. 2016.
125
“Exposure to Pesticides and Mental Disorders in a Rural Population of Southern Brazil.”
NeuroToxicology 56: 7–16.
Carod Benedico, E. 2002. “Insecticidas Organofosforados. ‘De La Guerra Química Al Riesgo Laboral
y Doméstico.’” MEDIFAM - Revista de Medicina Familiar y Comunitaria 12(5): 333–40.
Castro, Jeyne Pricylla, and Edenir Rodrigues Pereira-Filho. 2016. “Twelve Different Types of Data
Normalization for the Proposition of Classification, Univariate and Multivariate Regression
Models for the Direct Analyses of Alloys by Laser-Induced Breakdown Spectroscopy (LIBS).”
Journal of Analytical Atomic Spectrometry 31(10): 2005–14.
Chen, Jiannan, Daming Dong, and Song Ye. 2018. “Detection of Pesticide Residue Distribution on
Fruit Surfaces Using Surface-Enhanced Raman Spectroscopy Imaging.” RSC Advances 8(9):
4726–30.
Core Team, R. “R. A Language and Environment for Statistical Computing.”
Corney, Alan. 1977a. Atomic and Laser Spectroscopy. First Edit. ed. Alan Corney. Oxford: Clarendon
Press.
———. 1977b. “Radiative Transfer and the Formation of Spectral Lines.” In Atomic and Laser
Spectroscopy, ed. A.Corney. Oxford: Clarendon Press, 763.
Costa, LG, CL Galli, and SD Murphy. 1987. “Toxicology of Pesticide: A Brief History.” Toxicology of
Pesticides: 1–2.
Covance Inc. 2020. “Lo Que Debe Saber Sobre Los Neonicotinoides y La UE.”
https://es.covance.com/sdblog/2019/10/what-you-need-to-know-about-neonicotinoids-and-
the-eu/.
Cremers, David A., and Leon J. Radziemski. 1989. Laser - Induced Plasmas and Applications. ed.
Leon J. Radziemski; David A. Cremers. New York.
Cremers, David A., Leon J. Radziemski, and Jennifer L. Gottfried. 2013. “Chemometric Analysis in
LIBS.” Handbook of Laser-Induced Breakdown Spectroscopy: 223–55.
Cremers, David A., and Leon J. Radziemsky. 2006. Handbook of Laser - Induced Breakdown
Spectroscopy. Southern Gate: Jhon Wiley & Sons, Ltd.
126
Cremers, David A, and Leon J Radziemski. 1985. “Direct Detection of Beryllium on Filters Using the
Laser Spark.” 39(1): 57–63.
Cristoforetti, G et al. 2010. “Spectrochimica Acta Part B Local Thermodynamic Equilibrium in Laser-
Induced Breakdown Spectroscopy : Beyond the McWhirter Criterion.” Spectrochimica Acta
Part B: Atomic Spectroscopy 65(1): 86–95. http://dx.doi.org/10.1016/j.sab.2009.11.005.
D’Angelo, C. A., M. Garcimuño, D. M. Díaz Pace, and G. Bertuccelli. 2015. “Plasma Diagnostics from
Self-Absorbed Doublet Lines in Laser-Induced Breakdown Spectroscopy.” Journal of
Quantitative Spectroscopy and Radiative Transfer 164: 89–96.
http://dx.doi.org/10.1016/j.jqsrt.2015.05.014.
D’Angelo, Cristian A., Diego M. Díaz Pace, Graciela Bertuccelli, and Daniela Bertuccelli. 2008. “Laser
Induced Breakdown Spectroscopy on Metallic Alloys: Solving Inhomogeneous Optically Thick
Plasmas.” Spectrochimica Acta - Part B Atomic Spectroscopy 63(3): 367–74.
Danzer, Klaus, and Lloyd A. Currie. 1998. “Guideline for Calibration in Analytical Chemistry— Part
1. Fundamentals and Single Component Calibration.” Pure and Applied Chemistry 70(4): 993–
1014.
Dauterman, WC, GB Viado, JE Casida, and RD O´Brien. 1960. “Persistence of Dimwrhoate and
Metabolites Following Foliar Application to Plants.” J. Agric. Food Chem (2): 115–19.
Derde, M. P., and D. L. Massart. 1986. “Supervised Pattern Recognition: The Ideal Method?”
Analytica Chimica Acta 191(C): 1–16.
Ding, Wang Hsien, Chi Hung Liu, and Shiow Ping Yeh. 2000. “Analysis of Chlorophenoxy Acid
Herbicides in Water by Large-Volume on-Line Derivatization and Gas Chromatography-Mass
Spectrometry.” In Journal of Chromatography A, , 111–16.
Domenech, J. 2011a. “K- Fold Validación Cruzada.”
https://commons.wikimedia.org/w/index.php?curid=17616792.
———. 2011b. “Validación Cruzada Dejando Uno Afuera (LOOCV).”
https://commons.wikimedia.org/w/index.php?curid=17616794.
Drop Data. 2010. “Pesticide Information Box.” A Guide to Pesticides: grouped by Modes of Action
(MoA). http://www.dropdata.org/RPU/pesticides_MoA.htm#neonicatinoids.
127
Du, Xiaofan et al. 2015. “Detection of Pesticide Residues on Fruit Surfaces Using Laser Induced
Breakdown Spectroscopy.” RSC Advances 5(97): 79956–63.
http://dx.doi.org/10.1039/C5RA12461A.
Dudragne, L., Ph Adam, and J. Amouroux. 1998. “Time-Resolved Laser-Induced Breakdown
Spectroscopy: Application for Qualitative and Quantitative Detection of Fluorine, Chlorine,
Sulfur, and Carbon in Air.” Applied Spectroscopy 52(10): 1321–27.
Effenberger, Andrew J, and Jill R Scott. 2010. “Effect of Atmospheric Conditions on LIBS Spectra.”
Sensors 10(5): 4907–25.
EFSA. 2017. “The 2015 European Union Report on Pesticide Residues in Food.” EFSA Journal 15(4):
134. http://doi.wiley.com/10.2903/j.efsa.2017.4791.
Elgueta, Sebastian et al. 2019. “Pesticide Residues in Ready-to-Eat Leafy Vegetables from Markets
of Santiago, Chile, and Consumer’s Risk.” Food Additives and Contaminants: Part B
Surveillance 12(4): 259–67. https://doi.org/10.1080/19393210.2019.1625975.
Environmental Protection Agency. 2020. “Ingredientes Utilizados En Productos Pesticidas.”
http://www.epa.gov/pesticides/about/types.htm.
Environmental Protection Agency. 2006. “Plaguicida Organofosforado. Clorpirifos.”
https://web.archive.org/web/20061006132458/http://www.epa.gov/oppsrrd1/op/chlorpyrif
os.htm.
Fernández-Menéndez, Luis Javier et al. 2020. “Spatio-Temporal Distribution of Atomic and
Molecular Excited Species in LIBS: Potential Implications on the Determination of Halogens.”
Spectrochimica Acta Part B: Atomic Spectroscopy: 105848.
https://doi.org/10.1016/j.sab.2020.105848.
Ferratto, J. et al. 2010. “Buenas Prácticas Agrícolas Para La Agricultura Familiar. Cadena de Las
Principales Hortalizas de Hojas Verdes En Argentina.” : 540.
Ferrer, Carmen et al. 2005. “Determination of Pesticide Residues in Olives and Olive Oil by Matrix
Solid-Phase Dispersion Followed by Gas Chromatography/Mass Spectrometry and Liquid
Chromatography/Tandem Mass Spectrometry.” Journal of Chromatography A 1069(2): 183–
94.
128
Ferrero, R, and J López. 2018. “Análisis Multivariado Para Bif Data.” Data Science.
https://www.maximaformacion.es/blog-dat/analisis-multivariado-para-big-data/.
Fitzpatrick, R. 2008. The Physics of Plasma. ed. Texas University Press. Texas, USA.
Foster, Jeremy, Emma Barkus, and Christian Yavorsky. 2014. “Multivariate Analysis of Variance.”
Understanding and Using Advanced Statistics: 16–29.
Fu, Hongbo et al. 2018. “Calibration Methods of Laser-Induced Breakdown Spectroscopy.” In
Calibration and Validation of Analytical Methods - A Sampling of Current Approaches, InTech.
Furlani, Regina Prado Zanes, Kassia Maria Marcilio, Fernanda Moralez Leme, and Silvia Amelia
Verdiani Tfouni. 2011. “Analysis of Pesticide Residues in Sugarcane Juice Using QuEChERS
Sample Preparation and Gas Chromatography with Electron Capture Detection.” Food
Chemistry 126(3): 1283–87. http://dx.doi.org/10.1016/j.foodchem.2010.11.074.
G. Traving. 1968. “Interepretation of Line Broadening and Line Shift.” In Plasma Diagnostics, ed.
W. Lochte - Holtgreven. Amsterdam: North Holland Publishing Company.
Gaft, M. et al. 2014. “Elemental Analysis of Halogens Using Molecular Emission by Laser-Induced
Breakdown Spectroscopy in Air.” Spectrochimica Acta - Part B Atomic Spectroscopy 98: 39–
47. http://dx.doi.org/10.1016/j.sab.2014.05.011.
Gallou, G et al. 2011. “Aerosols Analysis by Libs for Monitoring of Air Pollution by Industrial
Sources.” Aerosol Science and Technology 45(8): 918–26.
Garcimuño, M., D. M. Díaz Pace, and G. Bertuccelli. 2013. “Laser-Induced Breakdown Spectroscopy
for Quantitative Analysis of Copper in Algae.” Optics and Laser Technology 47: 26–30.
Gemperline, Paul. 2006. Practical Guide to Chemometrics. Second Edi.
Gill, Richard J., Oscar Ramos-Rodriguez, and Nigel E. Raine. 2012. “Combined Pesticide Exposure
Severely Affects Individual-and Colony-Level Traits in Bees.” Nature 491(7422): 105–8.
http://dx.doi.org/10.1038/nature11585.
Gómez-Ramos, M. M. et al. 2013. “Liquid Chromatography-High-Resolution Mass Spectrometry for
Pesticide Residue Analysis in Fruit and Vegetables: Screening and Quantitative Studies.”
Journal of Chromatography A.
129
Gómez Ramos, M. 2013. “Liquid Chromatography-High-Resolution Mass Spectrometry for
Pesticide Residue Analysis in Fruit and Vegetables : Screening and Quantitative Studies.”
Journal of Chromatography A 1287: 24–37. http://dx.doi.org/10.1016/j.chroma.2013.02.065.
Gondal, M. A., T. Hussain, Z. H. Yamani, and M. A. Baig. 2007. “The Role of Various Binding
Materials for Trace Elemental Analysis of Powder Samples Using Laser-Induced Breakdown
Spectroscopy.” Talanta.
Goodstein, Richard E. 1987. “An Introduction to Discriminant Analysis.” Journal of Research in
Music Education 35(1): 7–11.
Gornushkin, I B et al. 2001. “Modeling an Inhomogeneous Optically Thick Laser Induced Plasma: A
Simplified Theoretical Approach.” Spectrochimica Acta - Part B Atomic Spectroscopy 56(9):
1769–85.
Griem, Hans R. 1997. Principles of Plasma Spectroscopy. First Edit. ed. K. I. Hopcrafts; I. H.
Hutchinson; C. M. Surko and K. Schinder M. G. Haines. United Kingdom: Cambridge
University Press.
Guezenoc, Julian, Anne Gallet-Budynek, and Bruno Bousquet. 2019. “Critical Review and Advices
on Spectral-Based Normalization Methods for LIBS Quantitative Analysis.” Spectrochimica
Acta - Part B Atomic Spectroscopy 160(August): 105688.
https://doi.org/10.1016/j.sab.2019.105688.
Gurnett, A, and A Bhattacharjee. 2005. Introduction to Plasma Physics with Spaces and Laboratory
Applications. ed. Cambridge. The Press Syndicate of the University of Cambridge.
Gustinelli, Gabriel et al. 2015. “Influence of Particle Size Distribution on the Analysis of Pellets of
Plant Materials by Laser-Induced Breakdown Spectroscopy ☆.” Spectrochimica Acta Part B:
Atomic Spectroscopy 105: 130–35. http://dx.doi.org/10.1016/j.sab.2014.09.001.
Hahn, David W., and Nicoló Omenetto. 2012. “Laser-Induced Breakdown Spectroscopy (LIBS), Part
II: Review of Instrumental and Methodological Approaches to Material Analysis and
Applications to Different Fields.” Applied Spectroscopy 66(4): 347–419.
Han, Dukki et al. 2018. “Application of Laser-Induced Breakdown Spectroscopy to Arctic Sediments
in the Chukchi Sea.” Spectrochimica Acta - Part B Atomic Spectroscopy 146: 84–92.
130
http://dx.doi.org/10.1016/j.sab.2018.05.002.
Henao, S, and O Nieto. 2003. “Aspectos Generales Sobre Los Plaguicidas y Su Efecto Sobre El
Hombre y El Ambiente.” INCAP- MDE 025.
Hopke, Philip K. 2003. “The Evolution of Chemometrics.” In Analytica Chimica Acta, , 365–77.
Hussain, T., and M. A. Gondal. 2008. “Monitoring and Assessment of Toxic Metals in Gulf War Oil
Spill Contaminated Soil Using Laser-Induced Breakdown Spectroscopy.” Environmental
Monitoring and Assessment 136(1–3): 391–99.
“Internation Union of Pure and Applied Chemistry.” 1997. https://iupac.org/.
Jackson, JE. 1991. A User ’ s Guide To Principal Components. Jhon Wiley & Sons, Ltd.
heJolliffe, IT. 2002. Principal Component Analysis, Second Edition. UK: Springer.
Karki, Vijay et al. 2016. “Comparison of Spectrum Normalization Techniques for Univariate Analysis
of Stainless Steel by Laser-Induced Breakdown Spectroscopy.” Pramana - Journal of Physics
86(6): 1313–27.
Kim, Gibaek, Jihyun Kwak, Jeunghwan Choi, and Kihong Park. 2012. “Detection of Nutrient
Elements and Contamination by Pesticides in Spinach and Rice Samples Using Laser-Induced
Breakdown Spectroscopy (LIBS).” Journal of Agricultural and Food Chemistry 60(3): 718–24.
Kramida, A., K. Olsen, and Y. Ralchenko. 2019. “NIST LIBS Database. Retrieved From.”
https://physics.nist.gov/PhysRefData/ASD/LIBS/libs-form.html.
Labutin, Timur A. et al. 2014. “Determination of Chlorine, Sulfur and Carbon in Reinforced
Concrete Structures by Double-Pulse Laser-Induced Breakdown Spectroscopy.”
Spectrochimica Acta - Part B Atomic Spectroscopy 99: 94–100.
Leahey, J.P. 1985. “The Pyrethroid Insecticides.” Taylor y Francis.
Lee, Yonghoon et al. 2017. “Laser-Ablation Sampling for Accurate Analysis of Sulfur in Edible Salts.”
Applied Spectroscopy 71(4): 651–58.
Lentjes, M., K. Dickmann, and J. Meijer. 2007. “Influence of Process Parameters on the Distribution
of Single Shot Correlation Coefficients Obtained by Correlating LIB-Spectra.” Applied Physics
A: Materials Science and Processing 88(4): 661–66.
131
Leonard, S L., and R H. Huddlestone. 1965. “McWhirter, R. W. P.” In Plasma Diagnostic Techniques,
AcademicmPress, New York.
Liu, Bin et al. 2013. “Detection of Pesticides in Fruits by Surface-Enhanced Raman Spectroscopy
Coupled with Gold Nanostructures.” Food and Bioprocess Technology 6(3): 710–18.
Lochte - Holtgreven, w. 1968. Plasma Diagnostics. ed. W. Lochte - Holtgreven. Amsterdam: North
Holland Publishing Company.
Loree, TR, and LJ Radziemski. 1981. “Laser-Induced Breakdown Spectroscopy: Timeintegrated
Applications.” Plasma Chemistry and Plasma Processing: 271–79.
Ma, Feiyu, and Daming Dong. 2014. “A Measurement Method on Pesticide Residues of Apple
Surface Based on Laser-Induced Breakdown Spectroscopy.” Food Analytical Methods 7(9):
1858–65.
Magnusson, B, and U Örnemark. 2014. 56 Planta Medica Eurachem Guide: The Fitness for Purpose
of Analytical Methods – A Laboratory Guide to Method Validation and Related Topics.
Maiman, T.H. 1969. “Stimulated Optical Radiation in Ruby.” In Essentials of Lasers, L. Allen, 134–
36. http://dx.doi.org/10.1016/B978-0-08-013320-1.50016-6.
Manzoor, S. et al. 2014. “Rapid Identification and Discrimination of Bacterial Strains by Laser
Induced Breakdown Spectroscopy and Neural Networks.” Talanta 121: 65–70.
http://dx.doi.org/10.1016/j.talanta.2013.12.057.
Marangoni, Bruno S. et al. 2016. “Phosphorus Quantification in Fertilizers Using Laser Induced
Breakdown Spectroscopy (LIBS): A Methodology of Analysis to Correct Physical Matrix
Effects.” Analytical Methods 8(1): 78–82.
María Antonia, Dosal, and Villanueva Marcos. 2008. “Introducción a La Metrología Química: Curvas
de Calibración En Lo Métodos Análiticos.” Antología de Química Analítica Experimental: 18–
26. http://depa.fquim.unam.mx/amyd/archivero/CURVASDECALIBRACION_23498.pdf.
Marini, F. 2013. Chemometrics in Food Chemistry. First Edit. ed. Elsevier. London.
Markiewicz-Keszycka, Maria et al. 2018. “Laser-Induced Breakdown Spectroscopy (LIBS) for Rapid
Analysis of Ash, Potassium and Magnesium in Gluten Free Flours.” Food Chemistry
244(October 2017): 324–30. http://dx.doi.org/10.1016/j.foodchem.2017.10.063.
132
Martinez Centelles, V. 2020. “Botánical Online.” https://www.botanical-
online.com/dietas/plantas-nutrientes.
Martino, L. J., and C. A. D’Angelo. 2020. “Diagnostics of Laser Induced Plasmas at Late Delay
Times.” Journal of Analytical Atomic Spectrometry 35(5): 1003–10.
http://dx.doi.org/10.1039/C9JA00439D.
Martino, L.J., C.A. D’Angelo, C.I. Rodríguez, and D.M. Díaz Pace. 2019. “Rapid Monitoring of Heavy
Metals in Fluvial Sediments Using Laser–Induced Breakdown Spectroscopy.” Revista
Mexicana de Física 65(5 Sept-Oct): 440.
Martino, Lucila. 2015. “Análisis de Elementos Atómicos En La Cuenca Del Arroyo Langueyú
Mediante La Utilización de La Técnica LIBS.” Universidad Nacional del Centro de la Provincia
de Buenos Aires.
Mattice, John. 2010. “Handbook of Pesticides: Methods of Pesticide Residues Analysis.” Journal of
Environmental Quality 39(2): 759–759.
Miller, JN, and JC Miller. 2002. Estadistica y Quimiometria Para Quimica Analitica. ed. Pearson
Edfucation. Madrid.
Minerals and Agriculture GmbH. 2019. “K+S Mineral and Agriculture.” Chloride tolerance of various
crops. http://www.ks-minerals-and-
agriculture.com/uken/fertiliser/advisory_service/chloride_tolerance.html.
Moncayo, Samuel. 2017. “Desarrollo y Aplicación de Métodos Quimiométricos Para El Estudio de
Muestras Mediante Espectroscopia de Ablación Láser (LIBS).” Universidad Complutense de
Madrid.
Mongay Fernandez, Carlos. 2005. Quimiometría. Valencia: Universidad de Valencia.
Morales, Carlos, and Nélida Rodríguez. 2004. “El Clorpirifos: Posible Disruptor Endocrino En
Bovinos de Leche.” Revista Colombiana de Ciencias Pecuarias 17(3): 255–66.
Morera Rodríguez, Ivania. 2015. “Identificación de Principios Activos de Plaguicidas En Frutas,
Hortalizas y Granos Básicos En Costa Rica: Una Propuesta Para La Implementación de Nuevas
Metodologías de Análisis.” Pensamiento Actual 15(25): 155–71.
Mota, Cesar et al. 2011. “Absorción de CO2 Por Los Cultivos Más Representativos de La Región de
133
Murcia.” Horticultura global 294(2173–5042).
Motto-Ros, V. et al. 2018. “Critical Aspects of Data Analysis for Quantification in Laser-Induced
Breakdown Spectroscopy.” Spectrochimica Acta - Part B Atomic Spectroscopy 140: 54–64.
https://doi.org/10.1016/j.sab.2017.12.004.
Multari, Rosalie A., David A. Cremers, Thomas Scott, and Peter Kendrick. 2013. “Detection of
Pesticides and Dioxins in Tissue Fats and Rendering Oils Using Laser-Induced Breakdown
Spectroscopy (LIBS).” Journal of Agricultural and Food Chemistry 61(10): 2348–57.
Nunes, Lidiane Cristina et al. 2009. “Simultaneous Optimization by Neuro-Genetic Approach for
Analysis of Plant Materials by Laser Induced Breakdown Spectroscopy.” Spectrochimica Acta -
Part B Atomic Spectroscopy 64(6): 565–72. http://dx.doi.org/10.1016/j.sab.2009.05.002.
OMS/FAO. 2005. Comisión Del Codex Alimentarius: Manual de Procedimiento. 15th ed. ed. FAO
OMS 2005. http://www.fao.org/fao-who-codexalimentarius/es/.
Organización Mundial de la Salud. 2012. “Guias de La OMS Para La Calidad Del Agua Potable.”
Agua saneamiento y salud ASS: 243–363.
http://www.who.int/water_sanitation_health/dwq/guidelines/es/index.html.
———. 2019. Clasificación Recomendada Por La OMS de Los Plaguicidas Por El Peligro Que
Presentan y Directrices Para La Clasificación 2019. 2019th ed. ed. Organización Mundial de la
Salud 2020. Ginebra.
Paz, Carlos Alberto. 2016. “SENASA.” https://www.argentina.gob.ar/senasa.
“Red de Acción En Plaguicidas y Sus Alternativas Para América Latina (RAP-AL).” 2008.
http://www.rapal.org/articulos_files/Benomil_Enlace_81.pdf.
“Reglamento (CE) No 396/2005 Del Parlamento Europeo y Del Consejo.” 2005. Parlamento
europeo y consejo de la Unión Europea. https://eur-
lex.europa.eu/LexUriServ/LexUriServ.do?uri=CONSLEG:2005R0396:20080410:ES:PDF.
Rehan, I. et al. 2019. “LIBS for the Detection of Lead in Ready to Use Henna Paste and Nutrients in
Fresh Henna Leaves and Cultivated Soils.” Talanta 199: 203–11.
Rusak, DA, BC Castle, BW Smith, and J. D. Winefordner. 1997. “Laser-Induced Breakdown
Spectroscopy (LIBS) Fundamentals and Applications.” Critical Reviews in Analytical Chemistry:
134
257.
Sammut, Claude, and Geoffrey I Webb, eds. 2010. “Mean Absolute Error.” In Encyclopedia of
Machine Learning, Boston, MA: Springer US, 652. https://doi.org/10.1007/978-0-387-30164-
8_525.
Santos, Dário et al. 2012. “Laser-Induced Breakdown Spectroscopy for Analysis of Plant Materials:
A Review.” Spectrochimica Acta - Part B Atomic Spectroscopy 71–72: 3–13.
http://dx.doi.org/10.1016/j.sab.2012.05.005.
Schawlow, A. L., and C. H. Townes. 1958. “Infrared and Optical Masers.” Physical Review 112(6):
1940–49.
Senesi, Giorgio S et al. 2019. “Trends in Analytical Chemistry Recent Advances and Future Trends
in LIBS Applications to Agricultural Materials and Their Food Derivatives : An Overview of
Developments in the Last Decade ( 2010 e 2019 ). Part II . Crop Plants and Their Food
Derivatives.” Trends in Analytical Chemistry 118: 453–69.
https://doi.org/10.1016/j.trac.2019.05.052.
Servicio Nacional de Sanidad y Calidad Agroalimentaria. 2012. “SENASA.” RESOLUCIÓN-608-2012-
SENASA. http://www.senasa.gob.ar/resolucion-6082012.
———. 2020. “SENASA.” RESOLUCIÓN-934-2010-SENASA.
http://www.senasa.gob.ar/normativas/resolucion-934-2010-senasa-servicio-nacional-de-
sanidad-y-calidad-agroalimentaria.
Shekhar, Shashi, and Hui Xiong. 2008. “Root-Mean-Square Error.” In Encyclopedia of GIS, eds.
Shashi Shekhar and Hui Xiong. Boston, MA: Springer US, 979. https://doi.org/10.1007/978-0-
387-35973-1_1142.
da Silva Gomes, Marcos et al. 2011. “Talanta Evaluation of Grinding Methods for Pellets
Preparation Aiming at the Analysis of Plant Materials by Laser Induced Breakdown
Spectrometry.” Talanta 85(4): 1744–50. http://dx.doi.org/10.1016/j.talanta.2011.06.069.
Singh, Jagdish P., and Surya N. Thakur. 2007. Laser - Induced Breakdown Spectroscopy. First edit.
ed. Jadish P. Singh; Surya N. Thakur. Amsterdam: Elsevier.
Singh, Jagdish, and Surya Thakur. 2007. Laser-Induced Breakdown Spectroscopy. ed. Jagdish P.
135
Singh and Surya N. Thakur. Elsevier Science.
Stahle, L, and S Wold. 1990. “Multivariate Analysis of Variance (MANOVA).” Chemometrics and
Intelligent Laboratory Systems: 127–41.
“Stark-B.” 2007. http://stark-b.obspm.fr/.
Tabachnick, BG, and LS Fidell. 2007. Using Multivariate Statistics. 4th ed. Boston, MA.
Temiz, Havva Tumay et al. 2018. “Assessment of Laser Induced Breakdown Spectroscopy as a Tool
for Analysis of Butter Adulteration.” Journal of Food Composition and Analysis 67: 48–54.
Terán, E. J. et al. 2019. “Assessment of Sorption Capability of Montmorillonite Clay for Lead
Removal from Water Using Laser–Induced Breakdown Spectroscopy and Atomic Absorption
Spectroscopy.” Microchemical Journal 144: 159–65.
Tran, Michael, Qing Sun, Benjamin W Smith, and James DW Winefordner. 2001. “Determination of
F, Cl, and Br in Solid Organic Compounds by Laser-Induced Plasma Spectroscopy.” Applied
Spectroscopy 55(6): 739–44.
Tsvetkov, N. et al. 2017. “Chronic Exposure to Neonicotinoids Reduces Honey Bee Health near
Corn Crops.” Science 356(6345): 1395–97.
United Nations (ONU). 2017. New York. New York.
Vergara-Chen, Carlos et al. 2019. “Toxicidad En Xiphophorus Maculatus Por Cipermetrina.” Revista
de Iniciación Científica 5: 35–40.
Wagner, Scott. 2016. Regulation Environmental Fate of Imidacloprid.
Wakil, M. A., and Zeyad T. Alwahabi. 2019. “Microwave-Assisted Laser Induced Breakdown
Molecular Spectroscopy: Quantitative Chlorine Detection.” Journal of Analytical Atomic
Spectrometry 34(9): 1892–99.
Wilmot, Emma G., and Peter Mansell. 2014. 14 Clinical Medicine, Journal of the Royal College of
Physicians of London Diabetes and Pregnancy. ed. Pearson.
Winefordner, James D et al. 2004. “Comparing Several Atomic Spectrometric Methods to the
Super Stars: Special Emphasis on Laser Induced Breakdown Spectrometry, LIBS, a Future
Super Star.” In Journal of Analytical Atomic Spectrometry, , 1061–83.
136
Wolansky, Marcelo Javier. 2010. “Plaguicidas y Salud Humana:” In Informe Especial Plaguicidas
Agrícolas, , 23–29.
Yao, Mingyin et al. 2017. “Detection of Heavy Metal Cd in Polluted Fresh Leafy Vegetables by
Laser-Induced Breakdown Spectroscopy.” Applied Optics 56(14): 4070.
Yuan, Yuwei et al. 2016. “Improved Discrimination for Brassica Vegetables Treated with
Agricultural Fertilizers Using a Combined Chemometric Approach.” Journal of Agricultural
and Food Chemistry 64(28): 5633–43.
Yueh, Fang Yu, Hongbo Zheng, Jagdish P. Singh, and Shane Burgess. 2009. “Preliminary Evaluation
of Laser-Induced Breakdown Spectroscopy for Tissue Classification.” Spectrochimica Acta -
Part B Atomic Spectroscopy 64(10): 1059–67. http://dx.doi.org/10.1016/j.sab.2009.07.025.
Zeisler, R. 1998. “Reference Materials for Small-Sample Analysis.” : 376–79.
Zhang, Tianlong, Hongsheng Tang, and Hua Li. 2018. “Chemometrics in Laser-Induced Breakdown
Spectroscopy.” Journal of Chemometrics 32(11): 1–18.
Zhang, Wen et al. 2019. “Determination of Chlorine with Radical Emission Using Laser-Induced
Breakdown Spectroscopy Coupled with Partial Least Square Regression.” Talanta 198: 93–96.
———. 2020. “Sulfur Determination in Laser-Induced Breakdown Spectroscopy Combined with
Resonance Raman Scattering.” Talanta 216(December 2019): 120968.
https://doi.org/10.1016/j.talanta.2020.120968.
Zhao, Xiande, Chunjiang Zhao, Xiaofan Du, and Daming Dong. 2019. “Detecting and Mapping
Harmful Chemicals in Fruit and Vegetables Using Nanoparticle-Enhanced Laser-Induced
Breakdown Spectroscopy.” Scientific Reports 9(1).
Ziegel, Eric R et al. 2000. “Handbook of Chemometrics and Qualimetrics, Part B.” Technometrics
42(2): 218.
137
1 ANEXOS
Los Anexos fueron organizados según orden de aparición en el texto.
CARACTERÍSTICAS DE UN ESPECTRÓMETRO/MONOCROMADOR.
La mayoría de los monocromadores y analizadores de espectro en general, descomponen la señal
de entrada a analizar por medio del fenómeno de difracción. En muchos equipos de laboratorio,
como los de esta tesis (equipos con configuración Czerny Turner) utilizan redes de difracción
holográficas de reflexión, con una determinada cantidad de líneas por mm, tal como se describen
en los respectivos párrafos experimentales (Hecht 1998).
Para hacer una breve descripción sobre el funcionamiento y de esta forma interpretar ciertos
parámetros característicos de cada equipo, se debe partir de la descripción del fenómeno de
dispersión mediante una red de difracción. Como se muestra en la Figura Anexo 1, es posible
describir los ángulos de entrada y salida de un haz de luz que difracta en una red en función de la
longitud de onda (Anon 1972).
Figura Anexo 1. Esquema de haz incidente (inciden light) y difractado (diffracted light) sobre una red de
difracción de reflexión.
En este caso hay que considerar que:
- Los ángulos son positivos en sentido antihorario.
138
- Un haz paralelo (onda plana) de luz monocromática de longitud de onda .
- Sea un ángulo de este haz con respecto a lo normal.
- Sea la dirección en la que se observa el fenómeno de difracción.
- Se tiene espacio libre entre surcos (líneas de red).
La diferencia de camino a lo largo de dos rayos de luz, difractado por sucesivas superficies
reflectantes viene dado por:
∆= 𝐼2𝐻 + 𝐼2𝐾 = 𝑎(𝑠𝑒𝑛 𝛼 + 𝑠𝑒𝑛 𝛽) (ec. A1.1)
El fenómeno de interferencia constructiva se observará en las direcciones que se tengan en cuenta
cuando,
∆= 𝑘𝜆 (ec. A1.2)
Siendo k un entero positivo o negativo.
Entonces la fórmula,
∆= 𝑎(𝑠𝑒𝑛 𝛼 + 𝑠𝑒𝑛 𝛽) = 𝑘𝜆 (ec. A1.3)
Se cumple para cada , todos los posibles valores de donde se encuentra un máximo de
intensidad para la longitud de onda (un máximo para cada valor de k).
Partiendo entonces de,
(𝑠𝑒𝑛 𝛼 + 𝑠𝑒𝑛 𝛽) =𝑘𝜆
𝑎
(ec. A1.4)
Que es la ecuación de la red de difracción, entonces es posible escribir,
(𝑠𝑒𝑛 𝛼 + 𝑠𝑒𝑛 𝛽) = 𝑘𝜆 𝑛 (ec. A1.5)
139
Donde
𝑛 =1
𝑎
(ec. A1.6)
Que es el número de líneas por unidad de longitud.
Esta fórmula muestra que depende de y, como consecuencia, la luz es dispersada por la red.
Para cada posible valor de k es posible obtener un espectro.
Para k = 0, obtenemos todas las longitudes de onda en la misma dirección, en consecuencia no hay
dispersión en orden 0.
Se dice que una red se usa en la configuración de Littrow cuando = (es decir, si observamos en
la dirección de la iluminación). En este caso, la fórmula de la red se convierte en,
2𝑠𝑒𝑛 𝛽 =𝑘𝜆
𝑎
(ec. A1.7)
En el caso de utilizar red de transmisión, la fórmula de la red (con la misma convención de signos)
estará dada por:
(𝑠𝑒𝑛 𝛼 − 𝑠𝑒𝑛 𝛽) =𝑘𝜆
𝑎
(ec. A1.8)
Rango de espectro libre (Free spectral range)
Para el mismo ángulo y el en el mismo ángulo de observación se pueden superponer distintas
longitudes de onda. Estas son todas las longitudes de onda para el cual,
𝑘𝜆 𝑛 = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 (ec. A1.9)
O bien,
140
𝑘𝜆 = 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 (ec. A1.10)
La relación (𝑠𝑒𝑛 𝛼 + 𝑠𝑒𝑛 𝛽) = 𝑘𝜆 𝑛, puede ser escrita como
𝜎 =1
𝜆=
𝑘 𝑛
(𝑠𝑒𝑛 𝛼 + 𝑠𝑒𝑛 𝛽)
(ec. A1.11)
Y se puede expresar como,
𝜎 = |𝑘|𝜎1 (ec. A1.12)
Con
𝜎1 = 𝑛
(𝑠𝑒𝑛 𝛼 + 𝑠𝑒𝑛 𝛽) (ec. A1.13)
Las radiaciones superpuestas en el ángulo tienen números de onda en una progresión aritmética:
1, 21, 31, …
Si se quiere evitar la superposición de los espectros, es necesario que la radiación incidente esté
compuesta de vibraciones de números de onda contenidos en un intervalo máximo .
es llamado el rango de espectro libre.
Es posible ver que el free spectral range, no es exactamente una característica de una red de
difracción porque depende de las condiciones angulares de trabajo, pero cuanto más fino es el
espaciado de la red (mayor n), más grande es el rango espectral libre (Anon 1972; Zaidel,
Ostrovskaya, and Ostrovski 1979).
Resolución (poder resolvente).
141
L
La resolución de un instrumento óptico mide su capacidad para separar dos líneas adyacentes de
un espectro. Un esquema puede observarse en la figura a continuación (Figura Anexo 2).
Figura Anexo 2. Esquema utilizado para explicar la resolución o poder resolvente de una red de difracción.
Generalmente se define por,
𝑅 =𝜆
Δ𝜆
(ec. A1.14)
Donde,
es la diferencia en longitud de onda entre dos líneas espectrales de igual intensidad, que pueden
ser bien separadas.
Dos picos se consideran resueltos si la distancia entre ellos es, al menos, tal que el máximo de uno
cae en el primer mínimo del otro.
142
Figura Anexo 3. Esquema final que permite ver la capacidad de un equipo espectroscópico de separar dos líneas diferentes que se encuentren separadas una determinada distancia.
La capacidad de resolución de registrar dos líneas diferentes separadas una determinada distancia
se llama criterio de Rayleigh (Anon 1972; Zaidel, Ostrovskaya, and Ostrovski 1979).
Análisis de la resolución (Anon 1972)
El ancho angular de la imagen de difracción es d,
𝑑𝜃 =𝜆
𝐿=
𝜆
𝑤 cos 𝛽
(ec. A1.15)
De la ecuación de máximos de difracción se tenía (ec. A1.4),
(𝑠𝑒𝑛 𝛼 + 𝑠𝑒𝑛 𝛽) =𝑘𝜆
𝑎
Por diferenciación (aplicando derivada) se puede obtener,
𝑐𝑜𝑠 𝛽 𝑑𝛽 =𝑘
𝑎 𝑑𝜆
(ec. A1.16)
Entonces, dos longitudes de onda se pueden separar si
𝑑𝛽 = 𝑑𝜃 (ec. A1.17)
143
𝜆
𝑤 𝑐𝑜𝑠 𝛽=
𝑘 𝑑𝜆
𝑎 cos 𝛽
(ec. A1.18)
Esto da,
𝜆
𝑑𝜆 =
𝑘 𝑤
𝑎= 𝑘 𝑁
(ec. A1.19)
Siendo N el número total de líneas en la red de difracción,
𝑅 = 𝑘 𝑁 (ec. A1.20)
Esta relación debe usarse con mucha prudencia. Por ejemplo, considerando que se tiene el ancho
de la red ya fijado de antemano, se podría pensar en aumentar N para aumentar la resolución,
(cambiar la red por una más “fina”, con mayor cantidad de líneas por longitud). Pero hay que tener
en cuenta que al hacer esto, ciertos órdenes desaparecen y el máximo valor posible para k
disminuye.
La resolución también se podría expresar como,
𝑅 =𝑎
𝜆 (𝑠𝑒𝑛 𝛼 + 𝑠𝑒𝑛 𝛽) 𝑁 (ec. A1.21)
𝑅 =𝑤
𝜆 (𝑠𝑒𝑛 𝛼 + 𝑠𝑒𝑛 𝛽) (ec. A1.22)
Esta es una fórmula idéntica a la anterior, aunque no fácil de implementar debido a los parámetros
involucrados.
Se observa que la resolución depende del ancho de la red, en las condiciones de ángulo de trabajo,
y sobre la longitud de onda. Otra posible expresión de resolución se obtiene expresando kN con la
ayuda de la primera de todas las ecuaciones de difracción mostrada
𝑅 =𝑎
𝜆 (𝑠𝑒𝑛 𝛼 + 𝑠𝑒𝑛 𝛽) 𝑁 =
𝑁Δ
𝜆=
Δtotal
𝜆
(ec. A1.23)
144
𝑅 =Δtotal
𝜆
(ec. A1.24)
total es la diferencia del camino óptico entre los rayos extremos de la red.
Los resultados anteriores suponían que la onda difractaba por la red era una onda plana perfecta.
Si la onda se aparta de una onda plana por más de /4, el ancho angular de la imagen de difracción
aumentará y la resolución disminuirá bruscamente.
La resolución también puede medirse realmente obteniendo un registro de una línea espectral
compleja bien conocida (por ejemplo la línea de mercurio de 546 nm) y luego hacer los análisis
necesarios.
El monocromador que se utilizó para la mayoría de las mediciones (Jobin Yvon THR 1500), es un
equipo de alta resolución, con un R=300000 (Instrument SA - Divison Jobin-Yvon).
Dispersión angular
La dispersión angular es la separación angular d obtenida para dos radiaciones (fuentes de emisión)
diferentes separadas por d. A partir de la diferenciación de la ecuación inicial de difracción,
considerando al ángulo constante, se obtiene,
𝑐𝑜𝑠 𝛽 𝑑𝛽 =𝑘
𝑎𝑑𝜆
(ec. A1.25)
Y se puede llegar a,
𝑑𝛽
𝑑𝜆=
𝑘
𝑎 𝑐𝑜𝑠 𝛽=
𝑘 𝑛
𝑐𝑜𝑠 𝛽
(ec. A1.26)
Como se tuvo en cuenta antes, debe señalarse que en esta ecuación hay que tener cuidado en su
implementación dado que k y n no son variables independientes.
La dispersión angular también podría escribirse
𝑑𝛽
𝑑𝜆=
1
𝜆
(𝑠𝑒𝑛 𝛼 + 𝑠𝑒𝑛 𝛽)
𝑐𝑜𝑠 𝛽
(ec. A1.27)
145
Esta fórmula muestra claramente que dada una longitud de onda, la dispersión depende de las
condiciones angulares de trabajo.
Se obtienen altas dispersiones para ángulos de difracción grandes y estos están asociados con
grandes ángulos de blaze (“resplandor”). Para un orden dado y una determinada la longitud de onda,
esto conduce a redes muy “finas”, con muchas líneas por unidad de longitud. Con esto hay que tener
en cuenta que si el espacio de análisis no es el suficiente, es posible que la longitud de onda a
estudiar puede desaparecer en el orden considerado (Anon 1972; Zaidel, Ostrovskaya, and Ostrovski
1979).
Dispersión lineal (Anon 1972)
La dispersión lineal de un sistema con red de difracción es recíproca al producto de la dispersión
angular por la longitud focal efectiva. Mide la cantidad de nanómetros (d) que serán encontrados
en la unidad de longitud física del espectro (dx, en mm).
𝑑𝜆
𝑑𝑥=
𝑎 𝑐𝑜𝑠 𝛽
𝑘 𝐹
(ec. A1.28)
O bien
𝑑𝜆
𝑑𝑥[𝑛𝑚/𝑚𝑚] =
106 𝑐𝑜𝑠 𝛽
𝑘 𝑛 𝐹
(ec. A1.29)
Como tener en cuenta: un instrumento con una dispersión lineal de 0.4 nm/mm tiene una mejor
dispersión lineal que un instrumento con dispersión lineal de 0.6 nm/mm.
En resumen, la capacidad de un monocromador para separar longitudes de onda depende de su
dispersión. La dispersión lineal mide la porción espectral (dλ en 𝑛𝑚) que será encontrada en la
unidad de longitud física lineal (dx, en mm), en el plano de salida del dispositivo. La dispersión lineal
del monocromador utilizado esta descripta en su correspondiente manual, con valores específicos
para determinadas longitudes de onda. Este parámetro es diferente según la región del espectro en
la que se estén realizando las mediciones. A su vez, es importante destacar que la capacidad de
resolución de un monocromador mejora a medida que la dispersión lineal disminuye. Entonces, si
el número (en nm/mm) que mide la dispersión lineal disminuye, la dispersión lineal mejora.
146
Dispersión lineal en monocromador utilizado Jobin-Yvon THR
En la configuración experimental del equipo utilizado en esta tesis (red de 2000 líneas/mm), se
tienen los datos de dispersión lineal en el plano de la rendija de salida expresado en la Tabla Anexo
1 (Instrument SA - Divison Jobin-Yvon).
Tabla Anexo 1. Dispersión lineal de Jobin Yvon THR (muy alta resolución) con red de difracción de 2000
líneas/mm.
Longitud de onda analizada
(nm)
Dispersión lineal (nm/mm)
Simple pasaje Doble pasaje
200
300
600
700
800
0,325
0,320
0,260
0,236
0,200
0,163
0,160
0,130
0,118
0,100
A partir de implementar un esquema de medición en el cual se integraba ópticamente una línea en
particular en la rendija de salida, fue muy importante tener en cuenta la dispersión lineal descrita
anteriormente en función de la rendija de salida.
Referencias
Anon. 1972. Handbook of Diffraction Gratings Ruled and Holographic. ed. Edison. Longjumeau: Jobin Yvon Optical Systems.
Hecht, Eugene. 1998. Optics. Third Edit. ed. Addison-Wesley.
Instrument SA - Divison Jobin-Yvon. “Holographic Grating Monochromator Type THR 1500.”
JCGM. 2008. 79 Evaluación de Datos de Medición. Guía Para La Expresión de La Incertidumbre de Medida. ed. Centro Español de Metrología.
Smith, George, and David Atchison. 2010. The Eye and Visual Optical Instruments. ed. Prensa de la Universidad de Cambridge.
Zaidel, A. N., G. V. Ostrovskaya, and Yu I Ostrovski. 1979. Técnica y Práctica de Espectroscopia. ed. MIR. Moscú.
147
COMPARACIÓN DE MEDIAS PARA APLICACIÓN DE MÉTODOS QUIMIOMÉTRICOS
Análisis de la varianza: ANOVA
Se aplicó un análisis de la varianza para establecer diferencias significativas entre las medias de las
variables que conforman los plaguicidas. Se verificaron los supuestos de normalidad y
homocedasticidad, a través del análisis de los residuos. Se encontró que el S no presenta una
distribución normal, por lo tanto en este caso, se aplicó un Análisis de la Varianza no Paramétrico
de Kruskal Wallis y se graficaron las medias con un intervalo de confianza del 95 % (Figura Anexo 4).
Las pruebas a posteriori con fines comparativos, se llevaron a cabo mediante el test de LSD Fisher y
test de Kruskal de comparaciones múltiples, según corresponda. Los resultados se presentan a
continuación.
Fósforo
Variable N R² R² Aj CV
P 240 0,71 0,70 21,69
Cuadro de Análisis de la Varianza (SC tipo III)
F.V. SC gl CM F p-valor
Modelo 0,03 5 0,01 114,04 <0,0001
Plaguicida 0,03 5 0,01 114,04 <0,0001
Error 0,01 234 4,9E-05
Total 0,04 239
Test:LSD Fisher Alfa=0,05 DMS=0,00308
Error: 0,0000 gl: 234
Plaguicida Medias n E.E.
Carbendazim 0,02 40 1,1E-03 A
Control 0,02 40 1,1E-03 A
Imidacloprid 0,02 40 1,1E-03 A
Cipermetrina 0,03 40 1,1E-03 B
Clorpirifos 0,04 40 1,1E-03 C
Dimetoato 0,05 40 1,1E-03 D
Medias con una letra común no son significativamente diferentes (p > 0,05)
Carbono
Variable N R² R² Aj CV
C 240 0,71 0,71 14,03
Cuadro de Análisis de la Varianza (SC tipo III)
F.V. SC gl CM F p-valor
148
Modelo 3,52 5 0,70 115,87 <0,0001
Plaguicida 3,52 5 0,70 115,87 <0,0001
Error 1,42 234 0,01
Total 4,95 239
Test:LSD Fisher Alfa=0,05 DMS=0,03435
Error: 0,0061 gl: 234
Plaguicida Medias n E.E.
Control 0,33 40 0,01 A
Dimetoato 0,50 40 0,01 B
Clorpirifos 0,54 40 0,01 C
Imidacloprid 0,63 40 0,01 D
Cipermetrina 0,66 40 0,01 D E
Carbendazim 0,68 40 0,01 E
Medias con una letra común no son significativamente diferentes (p > 0,05)
Cloro
Variable N R² R² Aj CV
Cl 240 0,73 0,73 52,54
Cuadro de Análisis de la Varianza (SC tipo III)
F.V. SC gl CM F p-valor
Modelo 0,28 5 0,06 129,67 <0,0001
Plaguicida 0,28 5 0,06 129,67 <0,0001
Error 0,10 234 4,3E-04
Total 0,38 239
Test:LSD Fisher Alfa=0,05 DMS=0,00917
Error: 0,0004 gl: 234
Plaguicida Medias n E.E.
Control 0,01 40 3,3E-03 A
Carbendazim 0,01 40 3,3E-03 A
Dimetoato 0,01 40 3,3E-03 A
Imidacloprid 0,05 40 3,3E-03 B
Cipermetrina 0,07 40 3,3E-03 C
Clorpirifos 0,09 40 3,3E-03 D
Medias con una letra común no son significativamente diferentes (p > 0,05)
Azufre
Prueba de Kruskal Wallis
Variable Plaguicida N Medias D.E. Medianas H p
S Carbendazim 40 0,01 1,8E-03 0,01 196,91 <0,0001
S Cipermetrina 40 0,15 0,09 0,17
S Clorpirifos 40 0,32 0,07 0,33
S Control 40 0,02 0,05 0,02
S Dimetoato 40 0,65 0,20 0,67
S Imidacloprid 40 0,04 0,02 0,05
149
Trat. Ranks
Carbendazim 43,43 A
Control 58,15 A
Imidacloprid 94,93 B
Cipermetrina 127,68 C
Clorpirifos 180,18 D
Dimetoato 218,65 E
Rangos promedios con una letra común no son significativamente diferentes (p > 0,05)
Figura Anexo 4. Gráfico de medias para el azufre, con intervalos de confianza del 95 %.
Análisis de supuestos
▫ Normalidad
Shapiro-Wilks (modificado)
Variable n Media D.E. W* p(Unilateral D)
RE Cl 240 0,00 1,00 0,99 0,5198
RE P 240 0,00 1,00 0,99 0,4616
RE C 240 0,00 1,00 0,99 0,3618
RE S 240 0,00 1,00 0,89 <0,0001
150
▫ Homocedasticidad
RE Cl
Variable N R² R² Aj CV
RE Cl 240 0,00 0,00 781881023352246000,00
Cuadro de Análisis de la Varianza (SC tipo III)
F.V. SC gl CM F p-valor
Modelo 0,00 5 0,00 0,00 >0,9999
Plaguicida 0,00 5 0,00 0,00 >0,9999
Error 240,00 234 1,03
Total 240,00 239
RE P
Variable N R² R² Aj CV
RE P 240 0,00 0,00 1,30313503892041E18
Cuadro de Análisis de la Varianza (SC tipo III)
F.V. SC gl CM F p-valor
Modelo 0,00 5 0,00 0,00 >0,9999
Plaguicida 0,00 5 0,00 0,00 >0,9999
Error 240,00 234 1,03
Total 240,00 239
RE C
Variable N R² R² Aj CV
RE C 240 0,00 0,00 544593747608529000,00
Cuadro de Análisis de la Varianza (SC tipo III)
F.V. SC gl CM F p-valor
Modelo 0,00 5 0,00 0,00 >0,9999
Plaguicida 0,00 5 0,00 0,00 >0,9999
Error 240,00 234 1,03
Total 240,00 239
RE S
Variable N R² R² Aj CV
RE S 240 0,00 0,00 601446941040189000,00
151
Cuadro de Análisis de la Varianza (SC tipo III)
F.V. SC gl CM F p-valor
Modelo 0,00 5 0,00 0,00 >0,9999
Plaguicida 0,00 5 0,00 0,00 >0,9999
Error 240,00 234 1,03
Total 240,00 239
Figura Anexo 5. Gráfico de residuos vs. predichos para verificación de homocedasticidad. a) P, b) S, c) Cl, d) C.
152
NÚMERO ÓPTIMO DE MEDICIONES (JCGM 2008)
Evaluación tipo A de la incertidumbre típica
En la mayor parte de los casos, la mejor estimación disponible de la esperanza matemática 𝜇𝑞 de
una magnitud q que varía al azar (es decir, de una variable aleatoria), de la que se han obtenido n
observaciones independientes 𝑞𝑘 en las mismas condiciones de medida, es la media aritmética ��
de las n observaciones:
�� = 1
𝑛∑ 𝑞𝑘
𝑛
𝑘=1
(ec. A3.1)
Las estimaciones de entrada no calculadas mediante observaciones repetidas deben obtenerse por
otros métodos, (por ejemplo, magnitudes cuyos valores e incertidumbres se introducen en las
mediciones procedentes de fuentes externas, tales como magnitudes asociadas a patrones,
certificados, valores de referencias tomados de publicaciones, etc).
Los valores de las observaciones individuales 𝑞𝑘 difieren en razón de las variaciones aleatorias de
las magnitudes de influencia o de efectos aleatorios. La varianza experimental de las observaciones,
que estima la varianza 𝜎2 de la distribución de probabilidad de q, viene dada por:
𝑠2(𝑞𝑘) = 1
𝑛 − 1 ∑(𝑞𝑗 − ��)
2𝑛
𝑗=1
(ec. A3.2)
Esta estimación de la varianza y su raíz cuadrada positiva 𝑠(𝑞𝑘), denominada desviación típica
experimental, representan la variabilidad de los valores observados 𝑞𝑘, o más específicamente, su
dispersión alrededor de su media ��.
La mejor estimación de 𝜎2(��) es:
𝜎2(��) = 𝜎2
𝑛
(ec. A3.3)
Que sería la varianza de la media y vendrá dada por:
153
𝑠2(��) = 𝑠2(𝑞𝑘)
𝑛
(ec. A3.4)
La varianza experimental de la media 𝑠2(��) y la desviación típica experimental de la media 𝑠(��),
igual a la raíz cuadrada positiva de 𝑠2(��), determinan la bondad con que �� estima la esperanza
matemática 𝜇𝑞 de q, y una u otra pueden ser utilizadas como medida de la incertidumbre de ��.
De este modo, para una magnitud de entrada 𝑋𝑖 (que puede llegar a ser parte de una magnitud
combinada con magnitudes i) obtenida a partir de n observaciones repetidas e independientes 𝑋𝑖,𝑘,
la incertidumbre típica 𝑢(𝑥𝑖) de su estimación 𝑥𝑖 = 𝑋�� es 𝑢(𝑥𝑖) = 𝑠(𝑋��), con 𝑠2(𝑋��) calculada según
la ecuación (ec. A2.4). Por comodidad, 𝑢2(𝑥𝑖) = 𝑠2(𝑋��), y 𝑢(𝑥𝑖) = 𝑠(𝑋��), son a veces llamadas
varianza Tipo A e incertidumbre típica tipo A, respectivamente.
En una medición bien diseñada y bajo control estadístico, puede existir una estimación de la varianza
𝑠𝑝2, combinada o procedente de un conjunto previo de resultados (o la desviación típica
experimental correspondiente 𝑠𝑝) que la caracterice. En tal caso, cuando se determina el valor de
un mensurando q a partir de n observaciones independientes, la varianza experimental de la media
aritmética �� de las observaciones resulta mejor estimada por 𝑠𝑝2/𝑛 que por 𝑠2(𝑞𝑘)/𝑛 y la
incertidumbre típica es,
𝑢𝑝 = 𝑠𝑝/√𝑛. (ec. A3.5)
La discusión sobre la evaluación Tipo A de la incertidumbre típica realizada hasta el momento no
pretende ser exhaustiva; existen numerosas situaciones, algunas relativamente complejas, que
pueden tratarse por métodos estadísticos. Un ejemplo importante se refiere a la utilización de
modelos de calibración, a menudo basados en el método de mínimos cuadrados, para evaluar las
incertidumbres procedentes de variaciones aleatorias, tanto a corto como a largo plazo, de los
resultados de comparaciones de patrones materializados de valor desconocido, tales como bloques
patrón o patrones de masa, con patrones de referencia de valor conocido. En tales situaciones de
medida, relativamente sencillas, las componentes de la incertidumbre pueden evaluarse
frecuentemente mediante análisis estadístico de los datos obtenidos a partir de diseños
experimentales, consistentes en secuencias anidadas de mediciones del mensurando, para
154
diferentes valores de las magnitudes de las que depende, esta técnica se denomina análisis de la
varianza, ANOVA.
Número óptimo de mediciones: implementación en LIBS.
A partir de la expresión (ec. A3.5) se puede ver que al determinar la incertidumbre tipo A, 𝑢𝑝, podría
ser tan pequeña como se quiera con tan solo aumentar el tamaño n del experimento. Sin embargo,
no tiene sentido reducir 𝑢𝑝 más allá de la incertidumbre de origen instrumental 𝑢𝑒𝑥𝑝. Es decir, hay
que considerar que,
𝑢𝑒𝑥𝑝 ≥ 𝑢𝑝
(ec. A3.6)
𝑢𝑒𝑥𝑝 ≥ 𝑠𝑝/√𝑛
(ec. A3.7)
Por lo tanto,
𝑛 ≥ (𝑠𝑝/𝑢𝑒𝑥𝑝) 2 (ec. A3.8)
En nuestro caso, se tiene que la intensidad neta de un elemento vendrá dada por la diferencia entre
la intensidad de línea y la intensidad de fondo:
𝐼𝑛 = 𝐼𝑙 − 𝐼𝑓
(ec. A3.9)
Por lo que la incerteza de esta intensidad neta (calculada a partir de la desviación típica experimental
de la media) es:
𝑢𝑛 = 𝑢𝑙 + 𝑢𝑓 (ec. A3.10)
En el tipo A:
𝑢𝑛 =(𝑠𝑙 + 𝑠𝑓)
√𝑛
(ec. A3.11)
Particularmente, volviendo a la expresión del n óptimo:
155
𝑛 ≥ ((𝑠𝑙 + 𝑠𝑓)/𝑢𝑒𝑥𝑝) 2
(ec. A3.12)
En forma práctica se consideró una expresión más versátil como ser:
𝑛 ≥ 𝑖𝑛𝑡 [((𝑠𝑙 + 𝑠𝑓)/𝑢𝑒𝑥𝑝) 2 + 1]
(ec. A3.13)
En donde int[] es “parte entera de”, el (+1) se agregó para justificar aquellas estimaciones que dieran
un número menor que 1.
En este trabajo, los valores de incertidumbre experimental (𝑢𝑒𝑥𝑝) fueron dados por,
𝑢𝑒𝑥𝑝 = 0,03, para registros de líneas de emisión de Cl, S y C.
𝑢𝑒𝑥𝑝 = 0,002, para registros de líneas de emisión P.
- Referencias
JCGM. 2008. 79 Evaluación de Datos de Medición. Guía Para La Expresión de La Incertidumbre de
Medida. ed. Centro Español de Metrología.
156
ESTIMACIÓN DE INCERTIDUMBRES
Estimación de incertidumbre en Plot de Boltzmann
Para la gráfica del plot de Boltzmann, en definitiva, se aplica la ecuación (ec. 6.1). En donde,
𝑗𝑖 equivale a 0 y viene dado por las longitudes de onda de Fe I medidas para la construcción del
mismo.
En este caso, la incertidumbre típica combinada 𝑢𝑐(𝑦) es la raíz cuadrada positiva de la varianza
combinada de 𝑢𝑐2(𝑦) dada por (JCGM 2008):
𝑢𝑐2(𝑦) = ∑ [
𝜕𝑓
𝜕𝑥𝑖]
2𝑁
𝑖=1
𝑢2(𝑥𝑖) (ec. A4.1)
Aplicado a este caso en particular:
𝑢𝑐2(𝑦) = [
𝜕
𝜕𝜆(𝑙𝑛 (
𝜆03 𝐼(𝜆, 𝐿)
𝑔𝑗 𝐴𝑗𝑖
))]
2
𝑢2(𝜆0) + [𝜕
𝜕𝐼(𝑙𝑛 (
𝜆03 𝐼(𝜆, 𝐿)
𝑔𝑗 𝐴𝑗𝑖
))]
2
𝑢2(𝐼)
+ [𝜕
𝜕𝐴𝑗𝑖
(𝑙𝑛 (𝜆0
3 𝐼(𝜆, 𝐿)
𝑔𝑗 𝐴𝑗𝑖
))]
2
𝑢2(𝐴𝑗𝑖)
(ec. A4.2)
Realizando los cálculos correspondientes:
𝑢𝑐2(𝑦) = (
𝑔𝑗 𝐴𝑗𝑖
𝜆03 𝐼(𝜆, 𝐿)
3 𝜆02 𝐼(𝜆, 𝐿)
𝑔𝑗 𝐴𝑗𝑖
)
2
𝑢2(𝜆0) + ( 𝑔𝑗 𝐴𝑗𝑖
𝜆03 𝐼(𝜆, 𝐿)
𝜆03
𝑔𝑗 𝐴𝑗𝑖
)
2
𝑢2(𝐼)
+ (− 𝑔𝑗 𝐴𝑗𝑖
𝜆03 𝐼(𝜆, 𝐿)
𝜆03 𝐼(𝜆, 𝐿)
𝑔𝑗 𝐴𝑗𝑖2 )
2
𝑢2(𝐴𝑗𝑖)
(ec. A4.3)
Reacomodando, se obtiene:
𝑢𝑐2(𝑦) = (
3
𝜆0 )
2
𝑢2(𝜆0) + (1
𝐼(𝜆, 𝐿))
2
𝑢2(𝐼) + (−1
𝐴𝑗𝑖)
2
𝑢2(𝐴𝑗𝑖)
(ec. A4.4)
157
Estimación de incertidumbre de 𝑤𝐿′ (kT)
Partiendo de la (ec. 6.4):
𝑤𝐿′ (kT) = 𝐴1 ∗ 𝑒𝑥𝑝(−𝑘𝑇/𝑡1) + 𝑦0
Considerando que la incerteza que más peso tiene, en este caso, es la del cálculo de kT, es posible
deducir que:
𝑢(𝑤𝐿′ (kT)) = 𝐴1 ∗ 𝑒𝑥𝑝 (−
𝑘𝑇
𝑡1) . 𝑢(𝑘𝑇)/𝑡1 (ec. A4.5)
En donde:
𝑢(𝑤𝐿′ (kT)): es la incerteza estimada de 𝑤𝐿
′ (kT)
𝑢(𝑘𝑇): es la incerteza estimada de 𝑘𝑇 (estimada a partir del plot de Boltzmann)
Estimación de incertidumbre de 𝑛𝑒 (𝑘𝑇)
Partiendo de la expresión (ec. 6.2) para la estimación de 𝑛𝑒(𝑘𝑇)
𝑛𝑒(𝑘𝑇) = 𝑛𝑒′
𝑤𝐿′ (𝑘𝑇)
𝑤𝐿(𝑘𝑇)
A partir de la ecuación (ec. 15)
En donde:
𝑢(𝑤𝐿′ (kT)): es la incerteza estimada de 𝑤𝐿
′ (𝑘𝑇)
𝑢(𝑤𝐿(𝑘𝑇)): es la incerteza estimada de 𝑤𝐿(𝑘𝑇)
𝑢2(𝑛𝑒(𝑘𝑇)) = ((−1)𝑛𝑒′ (𝑤𝐿
′ (𝑘𝑇))−2
𝑤𝐿(𝑘𝑇))2
𝑢2(𝑤𝐿′ (𝑘𝑇))
+ (𝑛𝑒′
𝑤𝐿′(𝑘𝑇)
)
2
𝑢2(𝑤𝐿(𝑘𝑇))
(ec. A4.6)
158
FUNCIÓN TRANSFERENCIA
Tanto en los casos en donde se integraron líneas en forma óptica como para los casos en que se
tienen registros de perfiles de línea, fue muy importante tener en cuenta la función instrumento o
transferencia. Sobre esto, se presentó un caso en particular en el Capítulo VI para el caso del perfil
de línea registrado de Mg II (280.27 nm). En cuanto al monocromador utilizado, en el manual se
destaca que para rendijas de entrada y salida iguales, y además mayores de 50 m se considera que
la línea registrada es una convolución entre la función de línea original y una función triangular. Sin
embargo, para simplificar el esquema de cálculos finales, habitualmente se aproxima la función
triangular con una gaussiana, de forma tal que se puede implementar el ajuste por perfil Voigt
(convolución entre función lorentziana y gaussiana). Por otro lado, cabe destacar que la FWHM (Full
Width Half Maximum) de la función instrumental coincide con la porción espectral que permite
registrar la rendija de salida, esto es el producto entre la dispersión lineal del monocromador y el
ancho de rendija de salida expresado en nm, para la correspondiente longitud de onda de la línea
que se está analizando (Tabla Anexo 2).
El ancho gaussiano 𝑤𝐺 del ajuste de Voigt se estimó para la función instrumental correspondiente,
calculada a partir de los anchos de rendijas y especificaciones del monocromador utilizado (Jobin
Yvon THR 1500, configuración Czerny - Turner, longitud focal 1.5 m).
Tabla Anexo 2. Función instrumental para el monocromador Jobin Yvon THR 1500, para diferentes rendijas
(r) entrada/salida expresado en m.
Longitud de onda r 70
(nm)
r 80
(nm)
r 100
(nm)
r 200
(nm)
r 300
(nm)
200 0,0114 0,01303 0,01629 0,03258 0,04886
300 0,01121 0,01281 0,01601 0,03202 0,04804
600 0,00916 0,01047 0,01308 0,02617 0,03925
700 0,00814 0,00931 0,01163 0,02326 0,0349
800 0,00706 0,00807 0,01009 0,02017 0,03026
159
2 LISTA DE PUBLICACIONES DECLARADA
Anales AFA Vol. 31 Nro. 4 (Enero 2021 - Abril 2021) 135-138
APLICACIÓN DE LA TÉCNICA LASER INDUCED BREAKDOWN SPECTROSCOPY ALA DETECCIÓN DE Cl EN ACELGA PARA INFERIR LA PRESENCIA DE
PLAGUICIDAS
APPLICATION OF THE LASER INDUCED BREAKDOWN SPECTROSCOPYTECHNIQUE TO THE DETECTION OF Cl IN CHARD TO INFER THE PRESENCE OF
PESTICIDES
L. J. Martino*1 y C. A. D’Angelo1
1Centro de Investigaciones en Física e Ingeniería del Centro de la Provincia de Buenos Aires (CICPBA - CONICET - UNCPBA),Tandil, Argentina.
Recibido: 02/07/2020 ; Aceptado: 22/07/2020
Los residuos de plaguicidas en alimentos son una amenaza para su consumo. Sin embargo detectar los residuos enforma rápida y directamente sobre la muestra es un trabajo complejo. En este trabajo, se explora la aplicación poten-cial de la técnica Laser Induced Breakdown Spectroscopy (LIBS) para la medición rápida de residuos de plaguicidas(imidacloprid, cipermetrina y clorpirifos) en hojas de acelga mediante el registro de la línea de emisión de Cl I (725.66nm). Pueden observarse diferencias significativas con respecto a la muestra control, evidenciando la aplicabilidad deesta técnica como una potencial herramienta para el estudio de residuos de plaguicidas en matrices de alimentos.
Palabras clave: Laser Induced Breakdown Spectroscopy, cloro.
Pesticide residues in food are a threat to consumption. However, detecting residues quickly and directly on the sampleis a complex job. In this work, the potential application of the Laser Induced Breakdown Spectroscopy (LIBS) techni-que for the rapid measurement of pesticide residues (imidacloprid, cypermethrin and chlorpyrifos) in chard leaves isexplored by registering the chlorine emission line (725.66 nm). Significant differences can be observed with respect tothe control sample, evidencing the applicability of this technique as a potential tool for the study of pesticide residuesin food matrices.
Keywords: Laser Induced Breakdown Spectroscopy, chlorine.
https://doi.org/10.31527/analesafa.2020.31.4.135 ISSN 1850-1168 (online)
I. INTRODUCCIÓN
La técnica LIBS (Laser Induced Breakdown Spectros-copy) es una técnica de diagnóstico sencilla. Se trata de en-focar radiación láser dentro o en la superficie del medio enestudio, provocando una ruptura dieléctrica originada por elfuerte campo eléctrico del pulso láser, que da informaciónrespecto de los componentes del medio en cuestión [1-3].En el microplasma formado se alcanzan temperaturas de al-gunos eV y se obtienen densidades electrónicas altas, delorden de 1017 electrones/cm3. En esas condiciones el ma-terial se separa en sus componentes atómicos con alto gra-do de ionización produciendo emisión intensa de luz, quepuede ser analizada espectralmente para la detección de laslíneas de emisión características de los elementos que cons-tituyen la muestra analizada.
El análisis de las líneas espectrales de emisión, propias decada elemento, proporciona información cualitativa y cuan-titativa sobre las especies presentes en el plasma (iones, áto-mos neutros y moléculas simples). La técnica LIBS posee lacapacidad de realizar mediciones rápidas, in-situ y de varioselementos simultáneamente, requiriendo muy poca o nin-guna preparación previa de las muestras a analizar. Sin em-bargo, existen ciertos elementos cuya detección a presión
atmosférica es compleja, como es el caso de los halógenos.Esta dificultad, es debida a las altas energías de los nive-les electrónicos excitados. Para la detección de halógenosse utilizan algunas técnicas, tales como la espectroscopíade absorción atómica (AAS), la espectroscopía de emisiónatómica de plasma acoplado inductivamente (ICP-OES), lafluorescencia de rayos X (XFR), no obstante estas técnicassuelen consumir una gran cantidad de tiempo, y la detecciónde Cl resulta compleja.
La detección de residuos de pesticidas en las superficiesde alimentos mediante la técnica LIBS es un nuevo método.Debido a que los plaguicidas poseen algunos elementos es-pecíficos, sus residuos pueden medirse por inferencia de loselementos presentes. En este trabajo, se estudia un métodode detección de plaguicidas en la superficie de acelgas, cu-yo elemento utilizado para su detección es el registro de lalínea de emisión de Cl I (725.66 nm). La detección se reali-za bajo condiciones de baja presión, en una celda realizadapara tal fin.
II. MATERIALES Y MÉTODOS
ReactivosLos plaguicidas en los cuales se va a detectar la presen-
cia de Cl son: clorpirifos (C9H11Cl3NO3PS), imidacloprid(C9H10ClN5O2) y cipermetrina (C22H19Cl2NO3), los mis-
©2021 Anales AFA 135
mos son utilizados como insecticidas en la producción decultivos.
Preparado de muestrasPara este estudio se seleccionaron muestras de acelga
(Beta vulgaris var. Cicla) obtenidas de una huerta donde selleva a cabo una producción orgánica, sin la aplicación deplaguicidas o fertilizantes que pudieran provocar interferen-cias en las mediciones.
Para preparar las muestras contaminadas con los diferen-tes plaguicidas, las acelgas frescas se sometieron a un lava-do bajo agua de red con el fin de eliminar restos de suciedady microorganismos que pudieran quedar sobre la superficie.Luego se procedió a un lavado con agua destilada, y se se-caron en un horno a 60◦C hasta peso constante. Una vezobtenida una muestra seca, ésta fue pulverizada y tamizadabajo un tamiz de 60 mesh (250 µm) para obtener tamañosde partículas homogéneos. Luego, 2.5 g de acelga pulveri-zada fue mezclado y homogeneizado con 0.75 mL de cadaplaguicida y se dejaron secar a temperatura ambiente. Seprepararon pellets mediante un compactador a 100 MPa por1 min, con un tamaño aproximadamente de 3 cm de diáme-tro y 0.2 cm de espesor. Mediante este proceso también sepreparó una muestra de acelga con agua destilada con finesde control.
Experimental LIBSEn la Fig. 1 se presenta un esquema del equipo expe-
rimental utilizado. Está constituido por un láser Nd: YAGQ-switched pulsado (Continuum Surelite II), que emite enla longitud de onda fundamental de 1064 nm, ancho de pul-so ≈ 7 ns, con una tasa de repetición de 2 pulsos/s, y unaenergía 100 mJ/pulso.
FIG. 1: Esquema experimental LIBS.
Los pulsos láser fueron enfocados sobre la superficie delas muestras a baja presión y en dirección normal, con unalente (L1) de 100 mm de longitud focal.
Las muestras a ser analizadas, se ubicaron en un soporterotativo para evitar cráteres por ablación dentro de una celdapara generar plasma a baja presión.
La luz emitida por el plasma es colectada mediante unasegunda lente (L2) de 200 mm de longitud focal, que formala imagen del plasma sobre la rendija de entradade un mo-nocromador (JobinYvon THR 1500, configuración Czerny-Turner, resolución de R = 300000 en doble pasaje a λ = 300nm, longitud focal 1.5 m). La dispersión se produce median-te una red de difracción holográfica de 2000 líneas/mm. Porotro lado, también se tiene una imagen del plasma formadapor una lente L3 sobre una pantalla para lograr un ajuste dealineación del plasma en forma visual.
La luz es detectada por un fotomultiplicador, (Hama-matsu modelo R928) colocado en la rendija de salida delmonocromador. La señal eléctrica del fotomultiplicador esdiscriminada en el tiempo y promediada por un promedia-dor Boxcar (Standford Research System, módulos SR 250,SR 280). La señal registrada por el fototubo es resueltatemporalmente con determinados tiempos de retardo post-breakdown (coordinada con una señal trigger provenientedel láser) y tiempos de ventana adecuados. Luego es pro-mediada (promedio por cada tres muestras), enviada a unconvertidor analógico-digital, y finalmente es registrada poruna PC.
La señal final registrada está dada por la intensidad de luzmedida en la ventana temporal seleccionada. Para analizaruna porción del espectro se hace un barrido de una deter-minada zona espectral, mediante la rotación de la red dedifracción del monocromador con una velocidad adecuada.Esto permite hacer registros espectrales con una resoluciónóptima en función de la cantidad de disparos láser.
Esta configuración experimental es muy eficaz para aná-lisis muy detallados, especialmente para el análisis de lí-neas muy débiles o difíciles de observar. Por otro lado, estearreglo permite el estudio de la física de plasmas específica-mente cuando es necesario el estudio de perfiles de líneas.
Obtención de señales LIBSEn los trabajos encontrados en la literatura [4-6], demos-
traron que la detección de Cl en muestras se realiza median-te el estudio de la línea de emisión 837.6 nm, sin embargoen este trabajo se eligió estudiar la línea 725.66 nm debi-do a especificaciones del monocromador utilizado, el cualno permite la visualización de líneas por encima de los 800nm.
En la Tabla 1, se puede observar la línea de emisión selec-cionada de Cl I conjuntamente con sus datos espectroscópi-cos más importantes en la aplicación de la cuantificaciónpor plasmas delgados [7].
TABLA 1: Información espectroscópica de la línea seleccionadapara identificación de Cl en plaguicidas.
Elemento yestado deionización
Línea[nm]
Probabilidadde
transición[s−1]
Ei[eV]
Ek[eV]
gk
Cl I 725.66 1.5×107 8.92 10.63 4
El cloro al ser un halógeno es un elemento químico decompleja detección a presión atmosférica debido a las al-tas energías de los niveles electrónicos excitados. Estudiosprevios [6, 8], determinan que para su detección es necesa-
Martino et al. / Anales AFA Vol. 31 Nro. 4 (Enero 2021 - Abril 2021) 135-138 136
rio contar con un dispositivo de baja presión, de esta formase produce un aumento de la intensidad de emisión y de larelación señal/ruido. La mejora observada se debe princi-palmente a la reducción de la protección del plasma, lo queresulta en una mayor ablación y un ensanchamiento Starkmenor debido al aumento del camino libre medio. Para es-to se trabajó con una celda creada para tal fin que permi-te llegar a estas condiciones experimentales utilizando unabomba mecánica que alcanzaba una presión del orden delos 6-7 ×10−2 mbar. En la Fig. 2 puede observarse clara-mente la diferencia obtenida en el registro de línea de Cl I,en condiciones de presión atmosférica y baja presión, parauna muestra de acelga con clorpirifos.
FIG. 2: Perfil de línea de emisión de Cl I (725.66 nm) registra-do con rendija de entrada y salida de 80 µm, en condiciones depresión atmosférica y en baja presión.
Los tiempos óptimos post-breakdown para el registro dela línea de Cl I fueron obtenidos mediante un estudio de lalínea de emisión integrada a lo largo del tiempo. De estaforma, se registraron señales para un tiempo de integracióndeterminado, y se estudiaron las variaciones de intensida-des a lo largo del tiempo para encontrar condiciones expe-rimentales donde el registro de línea sea más intenso, así laintensidad es proporcional a la concentración del elementoen la muestra. Para la línea seleccionada se eligió un rangode tiempo entre 50 ns a 1000 ns, con un tiempo de integra-ción de 60 ns y un ancho de rendija de entrada y salida delmonocromador de 300 µm en ambos casos, para asegurarintegración espectral completa de un perfil de línea. En laFig. 3 se observa el registro neto, obtenido luego de realizarla diferencia entre el promedio de tres mediciones, y un fon-do donde se aseguró que fuera obtenido en zonas donde noexista presencia de otros elementos posiblemente presentesen las muestras.
Puede observarse de la Fig. 3 que la mayor diferencia seobtuvo alrededor de 150 ns, donde la intensidad neta alcan-za su mayor valor. Este tiempo de medición fue el elegidopara realizar los cálculos de registro de señal de Cl I en lasmuestras en cuestión, con un tiempo de integración de perfil(gate time) de 4 µs.
III. RESULTADOS
Para la adquisición de los registros de señales LIBS seimplementó un nuevo método de medición, a fin de mejo-
FIG. 3: Registro de señal temporal de la intensidad neta de lalínea de Cl I (725.66 nm).
rar y simplificar mediciones del tipo analíticas. Este métodoconsistió en emplear el monocromador de alta resolucióncomo un espectrógrafo de integración por línea completa,de manera que es posible integrar todo el perfil de una líneaen cada plasma producido, sin detalles de la misma, peroobteniendo la intensidad total. Para que la línea sea total-mente registrada por el fotomultiplicador, se seleccionó unancho de la rendija de salida acorde a la dispersión linealdel monocromador en el plano de la misma. En este caso,un ancho de rendija de 300 µm equivale a unos 0.034 nmpara la longitud de onda de la línea elegida. Este es un valoradecuado tanto para la integración de la línea, como paraminimizar la componente del continuo fuera de ella. Estopermitió una análisis rápido, con mínima destrucción de lamuestra (menos disparos de láser), pero al mismo tiempocon mayor adquisición de datos de intensidades de línea, pa-ra realizar una buena estadística y mejorar la limitación derepetitividad de LIBS. De esta forma pudieron adquirirse 40registros de señal de cada elemento en cada muestra y tam-bién se obtuvieron fondos, con el fin de obtener un registrode señal neta de cada elemento. Debido a las diferencias dematriz por propiedades diferentes entre los plaguicidas, fuenecesario realizar un procesamiento de los datos. Para esto,se llevó a cabo una normalización de los registros de líneaobtenidos, con la función de obtener los datos en la mismaescala, se normalizaron los datos con respecto a un fondomedido. Lo descrito anteriormente puede observarse en laFig. 4.
De la Fig. 4 pueden evidenciarse diferencias entre las lí-neas netas registradas a través de la medición de la técni-ca LIBS en los plaguicidas en estudio, y a su vez tambiénpuede observarse la diferencia con respecto a una muestracontrol que solamente estaba formada por acelga y no poseeCl. En el caso del clorpirifos, que posee un total de 30.33%de Cl en su molécula, a diferencia de la cipermetrina y elimidacloprid que sólo poseen un 17.03% y 13.86% de es-te elemento, se observa la mayor intensidad y diferencia enrelación a la muestra control.
Martino et al. / Anales AFA Vol. 31 Nro. 4 (Enero 2021 - Abril 2021) 135-138 137
FIG. 4: Registros de líneas de emisión de la línea Cl I (725.66 nm)en muestras de acelga contaminadas con plaguicidas y la muestracontrol.
IV. CONCLUSIÓNEn este trabajo se pudieron estudiar registros de líneas de
emisión de Cl I (725.66 nm) en muestras de acelga contami-nadas con clorpirifos, imidaclorpid y cipermetrina. A partirde un análisis previo y la utilización de un esquema expe-rimental adecuado para el registro de líneas complejas, seobtuvo el tiempo post-breakdown más óptimo, en funciónde un análisis temporal del perfil de línea seleccionada. Elmétodo no requiere preparado de muestras mediante largastécnicas con producción de desechos peligrosos. A partir deeste estudio es posible inferir la presencia de plaguicidas enmuestras preparadas con acelga a partir de la comparacióncon una muestra control. Siendo esto, un primer indicio dela detección de plaguicidas en muestras vegetales mediantela técnica LIBS.
REFERENCIAS[1] D. A. Cremers y L. J. Radziemski. Laser - Induced Plasmas
and Applications (CRC Press, 1989).
[2] A. W. Miziolek, I. Schechter y V. Palleschi. Laser Indu-ced Breakdown Spectroscopy. Fundamentals and Applica-tion (Cambridge University Press, 2006).
[3] D. A. Cremers y L. J. Radziemsky. Handbook of Laser -Induced Breakdown Spectroscopy (Jhon Wiley & Sons, Ltd,2006).
[4] X. Zhao, C. Zhao, X. Du y D. Dong. Detecting and Map-ping Harmful Chemicals in Fruit and Vegetables UsingNanoparticle-Enhanced Laser-Induced Breakdown Spec-troscopy. Sci. Rep. 9, 906 (2019).
[5] X. Du, D. Dong, X. Zhao, L. Jiao, P. Hana e Y. Langa. De-tection of pesticide residues on fruit surfaces using laser in-duced breakdown spectroscopy. RSC Adv. 5, 79956-79963(2015).
[6] M. Tran, Q. Sun, B. W. Smith y J. D. Winefordner. Deter-mination of F, Cl, and Br in Solid Organic Compounds byLaser-Induced Plasma Spectroscopy. Appl. Spectrosc. 55,739-744 (2001).
[7] A. Corney. Atomic and Laser Spectroscopy (ClarendonPress, 1977).
[8] A. J. Effenberger y J. R. Scott. Effect of atmospheric condi-tions on LIBS spectra. Sensors 10, 4907-4925 (2010).
Martino et al. / Anales AFA Vol. 31 Nro. 4 (Enero 2021 - Abril 2021) 135-138 138
Spectrochimica Acta Part B: Atomic Spectroscopy 177 (2021) 106031
Available online 1 December 20200584-8547/© 2020 Elsevier B.V. All rights reserved.
Identification and detection of pesticide in chard samples by laser-induced breakdown spectroscopy using chemometric methods
Lucila J. Martino a,*, Cristian A. D’Angelo a, Claudia Marinelli b, Rosana Cepeda b
a UNCPBA, FCE / Centro de Investigaciones en Física e Ingeniería del Centro de la Provincia de Buenos Aires (CIFICEN), Tandil, Argentina b UNCPBA, FCE/ Instituto Multidisciplinario sobre Ecosistemas y Desarrollo Sustentable (CICPBA-UNCPBA), Tandil, Argentina
A R T I C L E I N F O
Keywords: Laser-Induced Breakdown Spectroscopy Pesticide Principal components analysis (PCA) Linear discriminant analysis (LDA) Vegetable
A B S T R A C T
Pesticide residues in food represent a significant threat to consumers. However, the fast detection of traces directly in samples involves a complex task. In this work, we explore the potential application of the Laser- Induced Breakdown Spectroscopy (LIBS) technique for the rapid measurement of pesticide residues in chard leaves by identifying them from the signal recording of the emission lines of P, S, C and Cl. They are subsequently jointly described through a principal components analysis (PCA) and grouping of the samples according to their pesticide was corroborated by means of a linear discriminant analysis (LDA), with an error rate of less than 9.5%. Moreover, differences can be observed in the classification of groups with a 95% confidence level. There is thus, clear evidence of the applicability of this technique as a potential tool for the study of pesticide residues in food matrices.
1. Introduction
The technological evolution of pesticide manufacturing, among other innovations in agriculture, has contributed to enhancing agricul-tural production in keeping pace with the unprecedented increase in the demand for food. However, not only has this development failed to eradicate world hunger, but it has also been achieved at the expense of human health and the environment [1].
In light of the increasing knowledge about the potential dangers associated with the use of pesticides, and the availability of data evidencing their presence in the environment, the need to introduce controls on pesticide residues has become a matter of central concern for society. Against this background, global environmental legislation fixes Maximum Residue Levels (MRLs), which are increasingly stringent regulations for pesticide residues in water and food [2]. These limits are consistently exceeded as a result of the unreasonable application of pesticides, though. Non-compliance with MRLs result in the presence of excessive amounts of pesticide residues in crop products, leading to the accumulation of pesticide traces in the environment, the resurgence and outbreak of resistant pests, and adverse health outcomes due to contaminated food consumption. However, the techniques used for the detection and quantification of these residues require a long procedure, use highly hazardous reagents, and offer no possibility of re-measuring
the same sample [3–6]. The Laser-Induced Breakdown Spectroscopy (LIBS) technique has
made its way as a simple diagnostic technique that allows rapid detec-tion of interest elements in samples, regardless of their aggregation status. It consists in focusing a high-power pulsed laser on the sample surface to generate a plasma of high temperature and electronic density around 1017 cm− 3, hence providing information about the elements that it is composed of at the atomic level. This technique has been applied to various samples in numerous works [7–11]. Some studies have utilized it into the detection of toxic elements present in food [12], and others have especially concentrated on their use for the detection of pesticides and nutrients in samples of fruit and vegetables. Kim et al., 2011 [13], detected nutrient elements and chlorpyrifos (chlorinated pesticide) in rice and spinach, and they also managed to distinguish pesticide contaminated samples from non-contaminated samples by applying multivariate analysis. Multari et al., 2013 [14], studied the application of the LIBS technique to differentiate samples contaminated with different pesticides (hexane, aldrin, chlorpyrifos, dieldrin and HPCDD) in complex matrices (tissue fats and fatty oils). Du Xiaofan et al., 2015 [15], detected chlorpyrifos residues on apple surfaces, but failed to find satisfactory results in samples with low concentrations (1: 100 and 1: 1000). In their last published work [16], they managed to reduce the detection limits using Nanoparticle-enhanced Laser-Induced Breakdown
* Corresponding author at: Pinto 399, (B7000GHG) Tandil, Buenos Aires, Argentina. E-mail address: [email protected] (L.J. Martino).
Contents lists available at ScienceDirect
Spectrochimica Acta Part B: Atomic Spectroscopy
journal homepage: www.elsevier.com/locate/sab
https://doi.org/10.1016/j.sab.2020.106031 Received 18 May 2020; Received in revised form 9 October 2020; Accepted 25 November 2020
Spectrochimica Acta Part B: Atomic Spectroscopy 177 (2021) 106031
2
spectroscopy. At present, the LIBS technique coupled with multivariate chemo-
metric methods and data analysis is being used as a new tool in the classification of samples. Chemometric techniques such as principal component analysis (PCA) and linear discriminant analysis (LDA) are multivariate statistical methods applied to: reduction of dimensional problems (number of variables), avoiding therefore the loss of essential information; pattern recognition; and characterization of two or more sample groups [17–19]. Although multivariate chemometric analysis techniques are widely applied, specially to food classification [20–23], no studies that implement LIBS in conjunction with chemometric tech-niques for the classification of pesticides in vegetables are currently reported.
The present study evaluated the applicability of the LIBS technique combined with chemometric methods for the rapid detection and dif-ferentiation of pesticides, including herbicides and fungicides, in chard samples. Thus, it studied the feasibility of the LIBS technique for its application as a simple and economical technique in the detection of pesticides in plant matrices. The objectives proposed in this work were: i) to identify the pesticides in contaminated chard samples based on the analysis of the elements that make up the active agents, and ii) to characterize and classify the pesticides by chemometric methods.
2. Materials and methods
2.1. Reagents
The pesticides selected were chlorpyrifos (C9H11Cl3NO3PS), car-bendazim (C9H9N3O2), dimethoate (C5H12NO3PS2), imidacloprid (C9H10ClN5O2) and cypermethrin (C22H19Cl2NO3), obtained from local agronomies. Chlorpyrifos, imidacloprid and cypermethrin are in-secticides, dimethoate is an acaricide, and carbendazim is a fungicide. The active ingredients have a concentration of 250 g/L, 75 g/L, 500 g/L, 200 g/L and 125 g/L, respectively.
These five pesticides are among the ten most present in food in Argentina [24], and the risks that they pose to both white and non-white organisms are known [25–28]. In the European Union, progress has been made in setting Maximum Residue Levels (MRL) of pesticide on foods, following the Codex Alimentarius guidelines [29]. Therefore, depending on the pesticide, most foods contain an MRL value between 0.01 mg/kg to 10 mg/kg. However, these values are rarely reached in consumer foods, in some cases being values up to three orders of magnitude higher [24,30].
2.2. Sample preparation
Chard (Beta vulgaris var. cicla) samples, obtained from a farm where organic produce is grown, were selected for this study without further application of pesticides or fertilizers that could cause interference in measurement.
In order to prepare the samples contaminated with the different pesticides, fresh chard leaves were washed with tap water to remove dirt and microorganisms from their surface. They were then washed with distilled water and dried in an oven at 60 ◦C until constant weight. Once a dry sample was obtained, it was pulverized and sieved through a 60 mesh sieve (250 μm) to secure homogeneous particle sizes, as it is re-ported that particle size distribution critically affects the performance of microanalytical methods [31]. A 2.5 g portion of powdered chard was subsequently mixed and homogenized with 0.75 mL of each pesticide and allowed to air-dry at room temperature. For control purposes, a chard sample was also prepared through the same process, except that it was mixed and homogenized with 0.75 mL of distilled water. Pellets of approximately 30 mm in diameter and 2 mm in thickness were prepared by a compactor at 140 MPa for 1 min. Hence, a more uniform sample surface was achieved to obtain more stable LIBS emissions [32], and the representation of the sample composition in the analytical results was
therefore guaranteed.
2.3. Experimental LIBS
As the experimental setup has been used previously, only a brief description is given here [33,34]. Plasmas were produced in air at at-mospheric and low pressure by focusing a Nd:YAG laser (Continuum Surelite II, λ = 1064 nm, 7 ns pulse FWHM, 100 mJ/pulse, 2 Hz repe-tition rate) at right angles on the surface of the sample, and using a 100 mm focal length lens. The pellets were rotated during measurement to avoid the formation of deeper craters by the ablation process, thus improving reproducibility. The light emitted by the plasma on its brightest region was collected at right angles in the direction of the laser beam using a 100 mm focal length quartz lens, for lines in the UV spectrum, while 200 mm focal length BK7 lenses were used for lines in the visible spectrum, and then focused into the entrance slit of a spec-trograph (Jobin Yvon THR 1500, Czerny-Turner configuration, resolu-tion of R = 300,000 in double passage at λ = 300 nm, 1.5 m focal length, 2000 lines/mm holographic grating). A certain opening of the entrance slit of the spectrograph allows the registration of a corresponding cross section of the plasma, which guarantees the total integration of the line in our acquisition method. Where, the section of the observed plasmas refers to the signal recording of a given portion (a volume) of the whole plasma. The diffracted light was detected with a photomultiplier (Hamamatsu R928) and its signal was time-resolved and averaged with a Boxcar (Princeton Research Systems Inc. modules SR 280, SR 250, SR 200 and SR 245) that opened up the possibility to set post-breakdown time and gate time.
Low-pressure conditions were achieved through a vacuum chamber with a mechanical pump that reached a pressure of the order of 0.45–0.75 Torr. A diagram of the vacuum chamber used is shown in Fig. 1. Performing LIBS on a surface at low pressure results in enhanced spectra and improved ablation [35]. Specifically, this enhancement in-volves an increase in spectral intensity, spectra signal-to-noise (S/N), spectral resolution, increased ablation, and increased uniformity of the density and temperature within the plasma.
2.4. Acquisition of LIBS data
A method of optimal integration was implemented for the acquisition of the LIBS signal recorded, in order to improve and simplify analytical measurement. This method consisted of exploiting the photomultiplier’s high sensitivity and the temporal resolution for the analysis of the signal allowed by the boxcar and the high resolution of the monochromator. It was used as a full-line integration spectrograph so that it was possible to integrate the entire profile of a line into each plasma produced, and though it did not show any detail about them, it did reveal the total intensity. For each element, the portion of the spectrum that contains only the chosen line was selected and fully registered by the photo-multiplier. In addition, the width of the output slit was defined ac-cording to the linear dispersion of the monochromator on its plane. This was done to avoid that the photomultiplier registered a line or signal different to that of the element being studied. This permitted a quick analysis, minimal destruction of the sample (fewer laser shots), as well as a greater acquisition of data about line intensities to perform a good
Fig. 1. Vacuum chamber used for recording low-pressure elements.
L.J. Martino et al.
Spectrochimica Acta Part B: Atomic Spectroscopy 177 (2021) 106031
3
statistic and improve the repetitiveness limitation of LIBS. Concurrently, preliminary tests were conducted to determine the
optimal values for the following parameters: choice of emission lines, post-breakdown time and gate time, number of plasma records, sections of the plasma to be observed (discrimination in the plasma image on the plane of the entrance slit), and spectral portion to be integrated (depending on the width of the exit slit and the linear dispersion of the monochromator, corresponding to the wavelength of the recorded lines).
Differences between pesticide properties cause differences between matrices, making data processing necessary. To this end, the line records obtained were normalized with respect to a measured background to acquire data on the same scale [36,37]. The recorded spectra were processed in a computer using Microcal Origin software.
2.5. Data statistical analysis
PCA was used with the variables P, S, C and Cl in order to analyze the co-variation structure and to reduce the information dimension
LDA was applied to seek linear relationships between our continuous variables that best discriminate the groups to which the sample units were pre-assigned. This procedure generates homogeneous groups ac-cording to the function that classifies them. The assignments of the discriminant function may or may not coincide with the pre-assignment, from which a cross-classification table can be constructed between the assignment made by the method and the one made by the researcher.
Finally, a multivariate analysis of variance (MANOVA) was per-formed by using the Hotelling test to detect significant differences be-tween the groups, considering a 95% confidence.
R Core Team (2016) [38] and InfoStat (2018) were used as softwares for statistical analysis.
3. Results and discussion
3.1. Pesticide identification from LIBS signals
In order to perform the differentiation of the pesticides, the emission lines of the elements P, S, C and Cl were recorded. Hence, it was possible to indirectly detect the pesticides by measuring these elements that may be present in different proportions in the pesticides used for this study (Section 2.1). In the first instance, it was necessary to carry out a study on the emission lines of the selected atomics elements. For this, a search was made in the atomic spectra database of the National Institute of Standards and Technology [39]. In Table 1 the selected lines can be seen with their spectroscopic data
As can be seen in Table 1, the excitation energies corresponding to the transitions of the selected lines are very high. This means great difficulty when observing the corresponding emissions of these elements present in the samples with low concentration. Moreover, the most intense lines of the Cl and S are found in the vacuum ultraviolet spectral
region (VUV), impossible to record with an experimental setup that contemplates some versatility.
There are recent works that have already observed this limitation and chose to overcome them in different ways. Zhang et al. [40] com-pares measurements with traditional LIBS and the possibility of incor-porating LIBS combined with resonance Raman scattering (LIBS-RRS) in the quantification of S I, achieving a very acceptable improvement in element detection. For this they implemented an experimental LIBS scheme at atmospheric pressure and irradiated the plasma with an OPO laser (optical parametric oscillator (OPO) wavelength-tunable laser) to record Raman emission. Timur et al. [41] quantitatively determined concentrations of Cl, S and C in concrete structure, taking into account the importance of these elements in corrosion. For this they had to apply the LIBS technique with double pulse, observing lines in the visible, UV and IR spectrum. In a very recent work, Fernandez et al. [42] they temporarily studied the molecular emission of CaF together with the atomic emission of Ca in different plasma regions, achieving a new method for the quantitative analysis of F.
On the other hand, the experimental conditions and the measure-ment times were chosen for each element after an exhaustive study that enabled us to find the best experimental conditions for this work, so that maximum intensity was guaranteed, and the lines were found in relative isolation and free from interference with lines of other elements likely to be present in the samples (Table 2).
The measurement times for each element were obtained through a study of the integrated emission line over time. Signals were recorded for a given gate time, and the variations in intensities over time were studied to find experimental conditions where it is possible to achieve optically thin plasma conditions [37]. As a result, the intensity was proportional to the concentration of the element in the sample, due to low concentration of emitters, and relatively high excited energy levels for the recorded emission lines.
Hydrogen, nitrogen and oxygen were not measured on account of the experimental conditions.
For the case of Cl and S, their determination is hindered at atmo-spheric pressure due to the high energies of the excited electronic levels [39]. Therefore, the experimental conditions were operated at low pressure according to the diagram that was already described in Fig. 1. In the works found in the literature [15,16,43], it has been demonstrated that the detection of Cl in samples is achieved by studying the emission line 837.6 nm. However, in this work we decided to study the 725.6 nm line because of the specifications of the monochromator used, which does not allow observation of lines longer than 800 nm (spectral range 200–800 nm). C was also chosen to be measured at low pressure to reach a better observation of the 415.3 nm line, instead of the 247.8 nm line observable at atmospheric pressure. In the case of P, the 253.6 nm line and atmospheric pressure were selected for measurement because of the limitations of observing lines below 300 nm with the vacuum cell: it is made of BK7 glass, which totally attenuates the signal below such wavelength. Furthermore, this line showed satisfactory records for
Table 1 Spectroscopic data of the selected lines.
P I S II C I Cl I
Selected lines (nm)
253.60 416.26 415.33 725.66
Transition probability (s− 1)
9.5e+07 2.3e+08 – 1.5e+07
Ej (eV) 7.2127021 18.921905 7.94627039 10.6297964 Ei (eV) 2.324457 15.944264 10.930438 8.9216999 gj 4 10 7 4 gj 4 8 5 6 Upper level 3s23p2(3P)4
s - 2P 3s23p2(3P) 4d- 4F
2s22p7 - 3D 3s23p4(3P)4p - 4S◦Conf-terms
Lower level 3s23p3 - 2P◦ 3s23p2(3P)4p - 4D◦
2s2p3 - 3D◦ 3s23p4(3P)4 s - 4P Conf-terms
Table 2 Spectroscopic parameters for the detection of elements in the study samples using the LIBS technique. Spectral integration was estimated from the integrated portion of the spectrum in the exit slit from spectrograph.
P I S II C I Cl I
Selected lines 253.60 nm 416.26 nm 415.33 nm 725.66 nm Experimental
condition Atmospheric pressure
Low pressure
Low pressure
Low pressure
Post-breakdown time
8 μs 300 ns 400 ns 250 ns
Gate time 15 μs 4 μs 4 μs 4 μs Entrance/exit slit
width 300/300 μm 300/300
μm 300/300 μm
300/300 μm
Spectral integration
0.049 nm 0.046 nm 0.046 nm 0.034 nm
L.J. Martino et al.
Spectrochimica Acta Part B: Atomic Spectroscopy 177 (2021) 106031
4
detection. A significant amount of data based on the standard deviation of the
measurements compared to the instrumental uncertainty of the equip-ment, was collected in order to reach the optimal number (final statis-tical uncertainty below the experimental one). 40 signal records of each element in each sample were acquired, as well as backgrounds which are records made in a spectral area near the line without interference from other lines to obtain a net signal record of each element. This was the optimal number of data records to provide good data repeatability. Fig. 2 presents an example of the P I emission line profile taken at at-mospheric pressure and the graph obtained from the new measurement method described in Section 2.4 for the chard sample contaminated with chlorpyrifos.
Signals of P, S, C and Cl were measured both in the chard samples contaminated with the selected pesticides and in the control sample. The data set obtained was subsequently used in the application of chemo-metric analysis for the characterization and classification of pesticides according to the study variables.
3.2. Pesticide characterization
A PCA was performed to explain the variation of the data by reducing
the dimension (Fig. 3). The first two principal components recover 77% of the variation. The direction of greatest variation is explained by P and S, and the second direction by Cl and C, the analysis revealed that the control samples were characterized by low values of all the measured variables, as expected. Dimethoate samples were characterized by high
Fig. 2. a) P I emission line profile (253.6 nm) recorded with 80 μm entrance/exit slit width and b) graph obtained from the new measurement method described in Section 2.4 for the chard sample contaminated with chlorpyrifos.
Fig. 3. Biplot of the principal component analysis (PCA) for samples contam-inated with different pesticides and the control sample.
Fig. 4. Linear discriminant analysis (LDA) representation display by pesticide.
Table 3 Correlation of PC1 and PC2 with the original variables.
PC1 PC2
P 0.92 0.16 S 0.92 0.02 C − 0.29 0.75 Cl 0.06 0.83
Table 4 Discriminant functions - standardized data with common variances.
LDF1 LDF2
P 0.56 0.12 S 0.82 − 0.21 C − 0.20 − 0.11 Cl 0.18 1.01
L.J. Martino et al.
Spectrochimica Acta Part B: Atomic Spectroscopy 177 (2021) 106031
5
values of P and S and low values of C and Cl (close to average). As for imidacloprid, carbendazim and cypermethrin, it was observed that there was a narrow separation between them, that they presented low values of P and S, and that those samples were variables regarding C and Cl. Finally, chlorpyrifos showed intermediate values of S and P, and high values of Cl and C, these descriptions are consistent with the correlation between these variables PC1 and PC2, and samples coordinates (Table 3).
The samples were grouped according to pesticide or control, and thus seven groups were generated.
To corroborate the grouping, and explain them by mean of canonical linear functions, an LDA (Fig. 4) was applied. For this case particularly, each unit of analysis was pre-assigned to the control group or to the pesticide that was added; the variables used for classification were P, S, C and Cl.
The samples were projected onto the canonical plane, which re-constructs 82.57% of the information.
Canonical discriminant functions were standardized by common variances so that no variability group masked the separation between them. Canonical discriminant functions are constructed as a linear combination of the original variables and the scalar coefficients are shown in Table 4. The percentage error of the classification achieved with LDA is 9.5%. It was observed that the imidacloprid group was the most variable: 8 out of the 40 samples were poorly classified (in Fig. 4, it is observed that the crosses, corresponding to this group, are distributed in quadrants 1, 2 and 3). Moreover, the control had a number of discordant samples: 6 out of 40, distributed between quadrants 2 and 3, which is relatively high. This indicates that the group of chard without pesticide is very heterogeneous, even more than imidacloprid (Table 5).
To analyze significant differences between group centroids, MAN-OVA was applied. Hotelling test detected significant differences between groups with a 95% confidence level (Table 6).
4. Conclusions
In conclusion, the feasibility of the LIBS technique for the identifi-cation of pesticides in green leafy vegetable matrices was explored in this work through the evaluation of the elements that make up the active agents, and the subsequent classification through the use of chemo-metric techniques. The results of LIBS signal records were successful, permitting the identification of P, S, C and Cl in all the selected samples and in the sample used for control purposes, after a detailed study of the emission lines. LDA verifies that pesticides are separated with a low percentage of classification error (9.5%). The corroboration of the
results already obtained was thus possible. Finally, a MANOVA was applied and it was found that there were significant differences between groups with a 95% confidence level.
In view of the limitations in the detection of pesticide residues in plant samples, the analysis is proposed as a potential tool for rapid, simple monitoring that does not generate the hazardous waste currently produced by traditional methods. Although the limit of detection and quantification are high, work is being done to achieve limits according to the established range for pesticides and the results will be presented in future publications. This work is an exploration of the detection of ele-ments of difficult determination by LIBS technique as a potential tool for the study of pesticide residues in food matrices.
Funding sources
This work received funding support from Consejo Nacional de Investigaciones Científicas y Tecnicas (CONICET) and Comision de Investigaciones Científicas de la Provincia de Buenos Aires (CICPBA).
Declaration of Competing Interest
The authors have declared no conflict of interest.
References
[1] United Nation (ONU), New York, 2017. New York. [2] E. Boa, Food and Agriculture Organization of the United Nations. FAOSTAT.
http://faostat3.fao.org/home/, 2016. (Accessed March 2020). [3] T. Cajka, C. Sandy, V. Bachanova, L. Drabova, K. Kalachova, J. Pulkrabova,
J. Hajslova, Streamlining sample preparation and gas chromatography-tandem mass spectrometry analysis of multiple pesticide residues in tea, Anal. Chim. Acta 743 (2012) 51–60, https://doi.org/10.1016/j.aca.2012.06.051.
[4] M.M. Gomez-Ramos, C. Ferrer, O. Malato, A. Agüera, A.R. Fernandez-Alba, Liquid chromatography-high-resolution mass spectrometry for pesticide residue analysis in fruit and vegetables: screening and quantitative studies, J. Chromatogr. A (2013), https://doi.org/10.1016/j.chroma.2013.02.065.
[5] C. Ferrer, M.J. Gomez, J.F. García-Reyes, I. Ferrer, E.M. Thurman, A.R. Fernandez- Alba, Determination of pesticide residues in olives and olive oil by matrix solid- phase dispersion followed by gas chromatography/mass spectrometry and liquid chromatography/tandem mass spectrometry, J. Chromatogr. A 1069 (2005) 183–194, https://doi.org/10.1016/j.chroma.2005.02.015.
[6] R.P.Z. Furlani, K.M. Marcilio, F.M. Leme, S.A.V. Tfouni, Analysis of pesticide residues in sugarcane juice using QuEChERS sample preparation and gas chromatography with electron capture detection, Food Chem. 126 (2011) 1283–1287, https://doi.org/10.1016/j.foodchem.2010.11.074.
[7] D.A. Cremers, L.J. Radziemski, J.L. Gottfried, Chemometric analysis in LIBS, Handb. Laser-Induced Break. Spectrosc. (2013) 223–255, https://doi.org/10.1002/ 9781118567371.ch7.
[8] D.A. Cremers, L.J. Radziemski, Laser - Induced Plasmas and Applications, New York, 1989.
Table 6 Multivariate analysis of variance (MANOVA) summary table reporting the result of significant differences between groups of pesticides and control.
Pesticide P C S Cl n
Control 0.02 0.33 0.02 0.01 40 A Dimethoate 0.05 0.50 0.65 0.01 40 B Imidacloprid 0.02 0.63 0.04 0.05 40 C Carbendazim 0.02 0.68 0.01 0.01 40 D Cypermethrin 0.03 0.66 0.15 0.07 40 E Chlorpyrifos 0.04 0.54 0.32 0.09 40 F
Means with a common letter are not significantly different (p > 0.05).
Table 5 Cross- classification results from Linear discriminant analysis (LDA).
Group Carbendazim Cypermethrin Chlorpyrifos Control Dimethoate Imidacloprid Total Error (%)
Carbendazim 38 0 0 0 0 2 40 5.00 Cypermethrin 0 36 0 0 0 4 40 10.00 Chlorpyrifos 0 2 38 0 0 0 40 5.00 Control 2 1 0 34 0 3 40 15.00 Dimethoate 0 0 1 0 39 0 40 2.50 Imidacloprid 4 4 0 0 0 32 40 20.00 Total 44 43 39 34 39 41 240 9.58
L.J. Martino et al.
Spectrochimica Acta Part B: Atomic Spectroscopy 177 (2021) 106031
6
[9] A.W. Miziolek, I. Schechter, V. Palleschi, Laser Induced Breakdown Spectroscopy. Fundamentals and Application, Cambridge University Press, New York, 2006.
[10] J.P. Singh, S.N. Thakur, Laser - Induced Breakdown Spectroscopy, First Edit, Elsevier, Amsterdam, 2007.
[11] B. Sezer, G. Bilge, I.H. Boyaci, Laser-induced breakdown spectroscopy based protein assay for cereal samples, J. Agric. Food Chem. 64 (2016) 9459–9463, https://doi.org/10.1021/acs.jafc.6b04828.
[12] G.S. Senesi, J. Cabral, C. Renato, B. Marangoni, G. Nicolodelli, Trends in analytical chemistry recent advances and future trends in LIBS applications to agricultural materials and their food derivatives : an overview of developments in the last decade ( 2010 e 2019 ). Part II. Crop plants and their food derivatives, Trends Anal. Chem. 118 (2019) 453–469, https://doi.org/10.1016/j.trac.2019.05.052.
[13] G. Kim, J. Kwak, J. Choi, K. Park, Detection of nutrient elements and contamination by pesticides in spinach and rice samples using laser-induced breakdown spectroscopy (LIBS), J. Agric. Food Chem. 60 (2012) 718–724, https:// doi.org/10.1021/jf203518f.
[14] R.A. Multari, D.A. Cremers, J.M. Dupre, J.E. Gustafson, The use of laser-induced breakdown spectroscopy for distinguishing between bacterial pathogen species and strains, Appl. Spectrosc. 64 (2010) 750–759, https://doi.org/10.1366/ 000370210791666183.
[15] X. Du, D. Dong, X. Zhao, L. Jiao, P. Han, Y. Lang, Detection of pesticide residues on fruit surfaces using laser induced breakdown spectroscopy, RSC Adv. 5 (2015) 79956–79963, https://doi.org/10.1039/c5ra12461a.
[16] X. Zhao, C. Zhao, X. Du, D. Dong, Detecting and mapping harmful chemicals in fruit and vegetables using nanoparticle-enhanced laser-induced breakdown spectroscopy, Sci. Rep. 9 (2019), https://doi.org/10.1038/s41598-018-37556-w.
[17] P.K. Hopke, The evolution of chemometrics 500, 2003, pp. 365–377, https://doi. org/10.1016/S0003-2670(03)00944-9.
[18] F. Marini, Chemometrics in Food Chemistry, First Edit, London, 2013. [19] J. Miller, J. Miller, Metodos de Calibracion en Analisis Instrumental: Regresion y
Correlacion, Estadísitica y Quim. Para Química Analítica, Spanish version, Perason Education Limited, 2002, pp. 120–134.
[20] G. Bilge, I.H. Boyaci, K.E. Eseller, U. Tamer, S. Çakir, Analysis of bakery products by laser-induced breakdown spectroscopy, Food Chem. 181 (2015) 186–190, https://doi.org/10.1016/j.foodchem.2015.02.090.
[21] M. Markiewicz-Keszycka, M.P. Casado-Gavalda, X. Cama-Moncunill, R. Cama- Moncunill, Y. Dixit, P.J. Cullen, C. Sullivan, Laser-induced breakdown spectroscopy (LIBS) for rapid analysis of ash, potassium and magnesium in gluten free flours, Food Chem. 244 (2018) 324–330, https://doi.org/10.1016/j. foodchem.2017.10.063.
[22] H.T. Temiz, B. Sezer, A. Berkkan, U. Tamer, I.H. Boyaci, Assessment of laser induced breakdown spectroscopy as a tool for analysis of butter adulteration, J. Food Compos. Anal. 67 (2018) 48–54, https://doi.org/10.1016/j. jfca.2017.12.032.
[23] Y. Yuan, G. Hu, T. Chen, M. Zhao, Y. Zhang, Y. Li, X. Xu, S. Shao, J. Zhu, Q. Wang, K.M. Rogers, Improved discrimination for brassica vegetables treated with agricultural fertilizers using a combined chemometric approach, J. Agric. Food Chem. 64 (2016) 5633–5643, https://doi.org/10.1021/acs.jafc.6b00453.
[24] C.A. Paz, SENASA. https://www.argentina.gob.ar/senasa, 2016. (Accessed March 2020).
[25] O. Akoto, A.A. Azuure, K.D. Adotey, Pesticide residues in water, sediment and fish from Tono reservoir and their health risk implications, Springerplus. 5 (2016), https://doi.org/10.1186/s40064-016-3544-z.
[26] E. Campos, V. dos Santos Pinto da Silva, M. Sarpa Campos de Mello, U. Barros Otero, Exposure to pesticides and mental disorders in a rural population of Southern Brazil, Neurotoxicology. (2016), https://doi.org/10.1016/j. neuro.2016.06.002.
[27] M. Besson, C. Gache, F. Bertucci, R.M. Brooker, N. Roux, H. Jacob, C. Berthe, V. A. Sovrano, D.L. Dixson, D. Lecchini, Exposure to agricultural pesticide impairs
visual lateralization in a larval coral reef fish, Sci. Rep. 7 (2017) 1–9, https://doi. org/10.1038/s41598-017-09381-0.
[28] T. Bernieri, D. Rodrigues, I.R. Barbosa, P.G. Ardenghi, L. Basso da Silva, Occupational exposure to pesticides and thyroid function in Brazilian soybean farmers, Chemosphere. (2019), https://doi.org/10.1016/j. chemosphere.2018.11.124.
[29] FAO/WHO. Codex Alimentarius, 2019. http://www.fao.org/fao-who-codexaliment arius/es/. (Accessed March 2020).
[30] EFSA, The 2015 European Union report on pesticide residues in food, EFSA J. 15 (2017) 134, https://doi.org/10.2903/j.efsa.2017.4791. Last accessed October 2020.
[31] G. Gustinelli, A. De Carvalho, D. Santos, S. Gomes, L. Cristina, M. Braga, B. Guerra, F. Jose, Influence of particle size distribution on the analysis of pellets of plant materials by laser-induced breakdown spectroscopy ☆, Spectrochim. Acta Part B At. Spectrosc. 105 (2015) 130–135, https://doi.org/10.1016/j.sab.2014.09.001.
[32] M.A. Gondal, T. Hussain, Z.H. Yamani, M.A. Baig, The role of various binding materials for trace elemental analysis of powder samples using laser-induced breakdown spectroscopy, Talanta. (2007), https://doi.org/10.1016/j. talanta.2006.11.039.
[33] L.J. Martino, C.A. D’ Angelo, C.I. Rodríguez, D.M. Díaz Pace, Rapid monitoring of heavy metals in fluvial sediments using laser–induced breakdown spectroscopy, Rev. Mex. Física. 65 (2019) 440, https://doi.org/10.31349/revmexfis.65.440.
[34] C.A. D’Angelo, M. Garcimuno, D.M. Díaz Pace, G. Bertuccelli, Plasma diagnostics from self-absorbed doublet lines in laser-induced breakdown spectroscopy, J. Quant. Spectrosc. Radiat. Transf. 164 (2015) 89–96, https://doi.org/10.1016/j. jqsrt.2015.05.014.
[35] A.J. Effenberger, J.R. Scott, Effect of atmospheric conditions on LIBS spectra, Sensors. 10 (2010) 4907–4925, https://doi.org/10.3390/s100504907.
[36] V. Motto-Ros, D. Syvilay, L. Bassel, E. Negre, F. Trichard, F. Pelascini, J. El Haddad, A. Harhira, S. Moncayo, J. Picard, D. Devismes, B. Bousquet, Critical aspects of data analysis for quantification in laser-induced breakdown spectroscopy, Spectrochim. Acta - Part B At. Spectrosc. 140 (2018) 54–64, https://doi.org/ 10.1016/j.sab.2017.12.004.
[37] D.A. Cremers, L.J. Radziemsky, Handbook of Laser - Induced Breakdown Spectroscopy, Jhon Wiley & Sons, Ltd, Southern Gate, 2006.
[38] R. Core Team, R, A Language and Environment for Statistical Computing, R project, 2016. https://www.r-project.org. (Accessed March 2020).
[39] A. Kramida, K. Olsen, Y. Ralchenko, NIST LIBS Database, Retrieved from, https:// physics.nist.gov/PhysRefData/ASD/LIBS/libs-form.html, 2019. (Accessed March 2020).
[40] W. Zhang, R. Zhou, K. Liu, J. Yan, Q. Li, Z. Tang, X. Li, Q. Zeng, X. Zeng, Sulfur determination in laser-induced breakdown spectroscopy combined with resonance Raman scattering, Talanta. 216 (2020) 120968, https://doi.org/10.1016/j. talanta.2020.120968.
[41] T.A. Labutin, A.M. Popov, S.M. Zaytsev, N.B. Zorov, M.V. Belkov, V.V. Kiris, S. N. Raikov, Determination of chlorine, sulfur and carbon in reinforced concrete structures by double-pulse laser-induced breakdown spectroscopy, Spectrochim. Acta - Part B At. Spectrosc. 99 (2014) 94–100, https://doi.org/10.1016/j. sab.2014.06.021.
[42] L.J. Fernandez-Menendez, C. Mendez-Lopez, C. Alvarez-Llamas, C. Gonzalez-Gago, J. Pisonero, N. Bordel, Spatio-temporal distribution of atomic and molecular excited species in LIBS: potential implications on the determination of halogens, Spectrochim. Acta Part B At. Spectrosc. 105848 (2020), https://doi.org/10.1016/j. sab.2020.105848.
[43] M. Tran, Q. Sun, B.W. Smith, J.D. Winefordner, Determination of F, Cl, and Br in solid organic compounds by laser-induced plasma spectroscopy, Appl. Spectrosc. 55 (2001) 739–744, https://doi.org/10.1366/0003702011952433.
L.J. Martino et al.
Diagnostics of laser induced plasmas at late delaytimes
L. J. Martino * and C. A. D'Angelo
The study of the diagnostics of plasmas produced by a laser is not always possible without enough data;
usually a precise record of several lines meeting certain spectroscopic conditions is needed. In this work,
a method for diagnosing plasmas was implemented at sufficiently late postbreakdown times, where it is
no longer possible to apply known methods (e.g. Boltzmann plot for the estimation of kT), through an
iterative algorithm that uses the parameters obtained by traditional methods at early times (LIBS typical
delay time) and a minimum number of lines visible at the late times. Using the late times that are typical
to the plasma's final life stage, evolution of the temperature and electronic density of the plasma is
studied. The LTE condition was also verified by McWhirter's criterion.
1. Introduction
Laser-induced breakdown spectroscopy is a useful and simpleanalytical diagnostic technique for the qualitative and quanti-tative determination of the chemical composition of liquid,solid and gaseous samples.1–3 In this technique, records ofatomic emission lines from a plasma created by a high powerpulsed laser focused in or on the surface of a sample are madeand analyzed. A detailed description of the LIBS technique hasalready been reported in the extensive literature.4–7
To optimize the analytical capacity of this technique it isnecessary to characterize the LIBS plasmas. This diagnosticprocess includes the evaluation of characteristic parameters inplasma physics such as the estimation of temperature andelectronic density. There are several studies on this subject inthe literature.8–10
Temperature plays a fundamental role in physical charac-terization of the plasma. This parameter is needed to describeseveral characteristics such as relative population of energylevels, particle velocity distribution, electronic density andpopulation densities of elements in their different ionizationstates.
There are known methods for temperature calculation, forexample, the Boltzmann plot and Saha–Boltzmann plot. Butboth methods share certain limitations when implementing thethin plasma model, such as: the observation of a certainnumber of lines with well-studied spectroscopic data, thehypothesis of plasma in Local Thermodynamic Equilibrium
(LTE) and homogeneity and low self-absorption (under thickoptics).11,12
In the detection of certain elements, as in the case of halo-gens, the recording of lines by LIBS is very complex. There areelements that have a few recordable emission lines in the visibleregion, while a few observables are outside this region (usuallyin UV spectra). This is mainly due to the fact that certain levelsof the transition lines are excited, and therefore the lines areonly observable in very special experimental situations. Thesesituations include complex experimental arrangements witha high vacuum, low self-absorption and thin plasma conditionsand very specic temperatures to achieve high densities of theemitters with the required populations of energy levels.
Based on these conditions and limitations, this paperproposes a plasma diagnostic technique for relatively advancedpostbreakdown times, where the intensities of atomic linesnecessary to make an estimation by more known methods areweak and/or impossible to observe.
For the estimation of these parameters, a simple calculationscheme was implemented, using data recorded at a time suchthat the observed lines allow making a diagnosis by traditionalmethods, and then the data were applied to the times of interestwith a minimum number of observable lines. In this way it ispossible to analyze the evolution of the main parameters ofdiagnosis.
2. Materials and methods2.1 Description of the proposed method and theoreticalcalculation
(i) First stage: estimation of parameters at early times bytraditional methods. The Boltzmann plot is a traditionalapproach for temperature calculation that starts with theapplication of the Boltzmann distribution equation. For this, it
Centro de Investigaciones en Fısica e Ingenierıa del Centro de la Provincia de Buenos
Aires (CIFICEN), CONICET, CICPBA, Fac. Cs. Exactas UNCPBA, Campus Universitario,
Pinto 399, B7000GHG, Tandil, Buenos Aires, Argentina. E-mail: lucilajmartino@
gmail.com; Tel: +54-249-4439660; +54-249-4439661
Cite this: J. Anal. At. Spectrom., 2020,35, 1003
Received 20th December 2019Accepted 9th April 2020
DOI: 10.1039/c9ja00439d
rsc.li/jaas
This journal is © The Royal Society of Chemistry 2020 J. Anal. At. Spectrom., 2020, 35, 1003–1010 | 1003
JAAS
PAPER
must be assumed that the plasma is optically thin and that it isin local thermodynamic equilibrium (LTE).12,13 From thisapproach, the expression of the intensity is considered asa function of wavelength,6 and by grouping conveniently it ispossible to reach eqn (1),
ln
lji
3 It
Aji gj
!¼ � 1
kTt
Ej þ ln
hc2L
2 QkðTtÞ Nkt
!(1)
where, It is the emission intensity for a postbreakdown time t, ljiis the wavelength of the transition line ij, Ej is the energy of theupper level j, Aji is the probability of spontaneous transition, gjis the statistical weight of the upper level, T is the temperatureof the plasma, k is the Boltzmann constant, h is the Planckconstant, c is the speed of light, L is the thickness of the plasmain the direction of observation, Nkt is the density of the emittersin the plasma for a postbreakdown time t and Qk(Tt) is thepartition function of the element involved in a certain ioniza-tion state for a postbreakdown time t.
Then, for each recorded line, ln
lji
3 IlAji gj
!is plotted as
a function of the energies of the upper levels Ej of the transitioninvolved in the emission. From this process, it is possible toestimate the temperature of the plasma using a linear regres-sion of the points recorded, where the line has a slope value of
� 1kTt
.
An estimation of the electronic density is made from theFWHM (Full Width at Half Maximum) of the Lorentzian function(wL) which contributes to the Voigt prole of the recorded lines.This broadening is fundamentally caused by the Stark effect, andis directly related to electronic density.14 On the other hand, theGaussian broadening contribution to the prole of recorded linesis mainly due to the instrumental function, neglecting othertypes of phenomena present in the plasma such as the Dopplereffect, whose estimated width for the lines of this work arenegligible compared to the instrumental width.15
In this way, for a given line and given temperature, a directrelationship between the Lorentzian width and the electronicdensity was estimated. Consequently, the expression used toestimate the electronic density value for a postbreakdown time twill be given by:
netðkTtÞ ¼ n0e
w0LðkTÞwLt
(2)
where the values of w0LðkTÞ are given by an adjustment function
tabulated from the data of Lorentzian widths with temperatureand correspond to a given n
0e for each particular line.14,16
(ii) Second stage: estimation of parameters at late times. Inthe second stage, the calculation procedure involves parametersthat will be estimated by traditional methods (i) and applied tothe time records under study (relatively advanced postbreak-down times), where the plasma is cooler.
In this case, both the temperature and the electronic densityare estimated from a calculation process as described below.
Having rst identied a ne line in the rst stage and whichcan also be observed over long periods, it is proposed to
establish a relationship between the optically thin plasmaequations for both times, eqn (3),
Ia
Ib¼ e�ðEj=kTaÞ
QðTaÞQðTbÞ
e�ðEj=kTbÞNkaðkTa; neaÞNkbðkTb; nebÞ (3)
In this case, the subscript t (postbreakdown time) in eqn (1)and (2) was replaced by the subscripts a and b, which indicatethat the parameters are related to the early time delay (refer-ence) and the study time (late), respectively.
In eqn (3), the densities of the emitters Nka,b are related to thetemperature and electronic density, which in turn depend onthe time in the evolution of the plasma. In this case, we mustconsider the following expressions with certainapproximations:
- The expression that involves the total concentration ofa certain element as a function of the different concentrationsof the ionization states,
Nka,b¼ (Nmolec + NI + NII + NIII)ka,b (4)
The subscripts I, II and III indicate the neutral, once andtwice ionized species of the element and Nmolec is the density ofneutral atoms that are part of the possible molecules. Given thetypical temperatures considered in these plasmas, Nmolec isnegligible.
- The relationships between densities of ionization states,
S12 ¼ NII
NI
ne (5)
and
S23 ¼ NIII
NII
ne (6)
The last two equations refer to ratios between the concen-trations of different consecutive ionization degrees and arerelated to Saha's formula,6,14 given by:
neNz
Nz�1
¼ Sz�1 ¼ QZðTÞQz�1ðTÞ
ð2pmokTÞ32
h3e�ðcz�1=kTÞ (7)
In this notation, z is the number of electronic charges whichthe radiating electron “sees”. Therefore, the z�1 index indicatesthat the net charge of an atom or ion cz�1 is the ionizationenergy of the atom or ion in question.
The expression for density Nka,b is calculated by solvingequations eqn (4)–(6). In the case of a line of an element onceionized (as it was in this work), the density NIka,b will beexpressed by,
NIka;b ¼�
N ne2
ne2 þ ne S12 þ S12S23
�ka;b
(8)
From this expression, and taking into account that the totaldensity of the elementN remains constant over time, it is possibleto rewrite the equation eqn (3) in the following way:
1004 | J. Anal. At. Spectrom., 2020, 35, 1003–1010 This journal is © The Royal Society of Chemistry 2020
JAAS Paper
Ia
Ib¼ e�ðEj=kTaÞ
QðTaÞQðTbÞ
e�ðEj=kTbÞ�ne
2
ne2 þ ne S12 þ S12S23
�a
�ne
2 þ ne S12 þ S12S23
ne2
�b
(9)
The electronic density is determined in the same way as inthe rst stage. In this stage, the calculations should be madeconsidering a line with Stark broadening data and observable inthe time record b.
Finally, to estimate the parameters of kT and ne, the systemof equations given by eqn (2) and (9) should be solved, using theLorentzian widthswL and the intensities of the reference lines Iaand Ib as experimental data.
In turn, the nal results of temperature and electronicdensity were veried by the McWhirter criterion,17 using:
ne $ T1/2e (Ej � Ei)
3 � 1012 eV�3 K�1/2 cm�3 (10)
where Ej � Ei is the energy difference between the upper level jand the lower level i.
Several studies used the McWhirter criterion to verify if theplasmas were in LTE.18–21
2.2 Experimental
To estimate the parameters of the plasma an experimentalconguration consisting of a monochromator with goodspectral resolution was used, which allows detailed
measurement of the individual line proles. This diagram canbe seen in Fig. 1. The plasmas are produced at atmosphericpressure when focusing a Nd:YAG laser (Continuum SureliteII, l¼ 1064 nm, 7 ns pulse FWHM, 100 mJ per pulse, repetitionrate 2 Hz) at right angles to the surface of the sample usinga 100 mm focal length lens (L1 in Fig. 1). The light emitted bythe plasma at its brightest region was collected at right anglesto the direction of the laser beam using a 200 mm focal lengthlens (L2 in Fig. 1) in the input slit of a spectrograph (JobinYvon THR 1500, Czerny–Turner conguration, resolution0.01 nm in double step at l ¼ 300 nm, focal length 1.5 m,holographic network of 2400 lines per mm). The detector wasa photomultiplier (Hamamatzu 1P28) whose signal was solvedin time with a boxcar averager (Boxcar Averager PrincetonResearch Systems Inc. modules SR 280, SR 250, SR 200, and SR245), with the possibility of choice of postbreakdown time(delay time) and window (gate time).
In the rst stage of calculations a single postbreakdown timewas considered (time delay), while in the second phase differentdelay times were taken (with a xed gate time) in order toanalyze the evolution of the parameters that dene the plasma.In all cases the gate time was 200 ns.
Each line prole was recorded from 180 laser shots, scan-ning a fraction of the 0.1 nm spectrum. The error values of theintensity settings of each line come from the standard deviationdata with the proposed adjustment functions.
Also, for the two types of measurements, different sets ofinputs and outputs of the monochromator were considered. In
Fig. 1 LIBS experimental scheme used in the work.
This journal is © The Royal Society of Chemistry 2020 J. Anal. At. Spectrom., 2020, 35, 1003–1010 | 1005
Paper JAAS
both cases, the corresponding instrumental proles werecalculated for use in the nal calculations.
A sample of 13.5 g of dry soil sieved with #20 840 mm meshwith 2 ml of distilled water was used to obtain the line records.The mixture was pressed at a pressure of 138 MPa to forma pellet. The sample was obtained from soil in the Pampasregion (Argentina).
3. Calculation
First, it is necessary to have precise parameters obtained bytraditional methods. In our case, it was possible to make a gooddiagnosis at “early” times (in the order of microseconds),applying a determination of parameters by typical methods ofplasma spectroscopy as explained in Section 2.1.
3.1 Obtaining of previous parameters by traditionaldiagnostics at early times
In this case, for the application of the Boltzmann plot, line recordsof Fe I were analyzed, between 300 and 500 nm, with a post-breakdown time of 8 ms and gate time of 200 ns. The spectroscopicdata of the selected lines,22 together with the intensities of theexperimentally recorded areas, are shown in Table 1.
Each intensity value is given by the average of the calculatedareas of three prole records of the selected lines. The error barscorrespond to the standard deviation of these areas.
The Boltzmann plot for the experimental data can be seen inFig. 2. With this analysis, a temperature of kT ¼ 0.98 � 0.12 eVwas estimated.
For the calculation of the electronic density at this time theline 280.27 nm of Mg II was analyzed. In Fig. 3 the averagerecorded prole is shown and in Table 2 the result is shown. Thechoice of this line was justied by a previous study, where therelationship of integrated intensities of the doublet (279.55/280.27) nm (transition 2p6 3p2 P0–2p6 3s2 S) was studied andrepresents the best approximation of the model of thin plasma.23
The Gaussian width wG of the Voigt setting was estimated forthe corresponding instrumental function, calculated from thewidths of slits and specications of the monochromator used,and for a wavelength of the order of 280 nm.
The expression of w0LðkTÞ within the equation eqn (2), was
possible to determine from the tabulated data tting functionfor the line in question and with n
0e ¼ 1016 cm�3:16 The best t is
a potential function expressed as:
w0LðkTÞ ¼ a1kT
a2 (11)
where the values of a1 and a2 are 0.01877 and 0.4175, respec-tively, for temperatures in the range of 0.4 to 1.7 eV. With thetemperature calculated above, it was possible to estimate anelectron density of approximately ne ¼ (4 � 1) � 1017 cm�3.
3.2 Diagnostics at late times
In this stage, to estimate the temperature by the methoddescribed in theory, the line 432.57 nm was considered, which
Table 1 Fe I emission line measurements and their experimental data
lji (nm) Aji (s�1) gj Ej (eV) Ik (u.a.)
374.826 9.15 � 106 5 3.41 695 0.13 546 � 0.001393.029 1.99 � 106 7 3.24 097 0.04 768 � 0.001432.57 5.16 � 107 7 4.4732 0.1386 � 0.001489.07 2.25 � 107 5 5.4098 0.01 391 � 0.001489.14 3.08 � 107 7 5.3852 0.01 885 � 0.001495.75 4.22 � 107 11 5.3084 0.05 933 � 0.001
Fig. 2 Boltzmann plot based on the experimental data of Table 1, withprofiles recorded in 8 ms. The estimated temperature was kT ¼ 0.98 �0.12 eV. The error bars correspond to the standard deviation of theareas recorded.
Fig. 3 Profile of the emission line of Mg II (280.27 nm) with its Voigtprofile, for a time of 8 ms.
Table 2 Data from the adjustment by the Voigt profile for calculationof electronic density at 8 ms. Line 280.27 nm of Mg II
Parameter Values (nm)
xc 280.27 (Mg II)wG 0.0049 � 0.0010wL 0.015 � 0.010
1006 | J. Anal. At. Spectrom., 2020, 35, 1003–1010 This journal is © The Royal Society of Chemistry 2020
JAAS Paper
is one of the most intense in the Fe I spectrum, already used forthe analysis of the Boltzmann plot, at td ¼ 8 ms. On the otherhand, for the estimation of the electronic density by Starkbroadening, the analysis of the line 324.75 nm of Cu I wasconsidered.
For this last calculation it was not possible to implement the280.2 nm line of Mg II (used for the rst time), since it waspractically impossible to record it aer td ¼ 90 ms. It is alsoworth noting that it was not possible to use the line 324.7 nm ofCu I in td ¼ 8 ms because it was noticeably widened byabsorption.
The experimentally recorded lines were adjusted by Voigtproles, in this case a Gaussian contribution with a width of0.0095 nm was considered, corresponding to the instrumentalprole for a wavelength of the order of 325 nm and the widths ofslits used in these records.
For the function w0L ¼ w
0Lðn
0e; kTÞ , the broadening estima-
tion was implemented according to Griem's calculations forcollision processes, reaching an expression similar to the eqn(11), with a1 and a2 equal to 0.0085 and �0.5, respectively,for n
0e ¼ 1016 cm�3:
For the nal calculations of kT and ne explained above, weproceeded to create an algorithm for this purpose that was
Table 3 Summary of methods used and lines chosen for the calculation of temperature and electronic density at early and late delay times
Time delay kT ne
8 ms Boltzmann plot, Fe I: 374.82 nm, 393.02 nm, 432.57 nm, 489.07 nm, 489.14 nm, 495.75 nm Stark broadening, Mg II: 280.25 nm40–120 ms Algorithm application, resolution of eqn (2) and (9), Fe I: 432.57 nm. Cu I: 324.75 nm
Fig. 4 (a) Fe I emission line profile (432.5 nm), with its Voigt profile, for three different postbreakdown times. (b) Intensities as a function of time.The error bars correspond to the standard deviation of these areas.
Fig. 5 (a) Examples of profiles of the line Cu I 324.7 nm, with its Voigt profile, recorded at different postbreakdown times. (b) Results of Lorentzianwidths calculated from the line profiles with Voigt settings for the different postbreakdown times. Error bars have been estimated fromcalculations described in the text.
This journal is © The Royal Society of Chemistry 2020 J. Anal. At. Spectrom., 2020, 35, 1003–1010 | 1007
Paper JAAS
executed with the Microcal Origin® platform. It allows solvingthe system of equations, eqn (2) and (9), cited in Section 2.1 andobtaining the desired results in an iterative way.
To summarize, Table 3 shows the methods used and lines ofelements chosen for calculating the estimates of temperature
and electronic density at the stipulated delay times. It should benoted that for late times the applied algorithm ran the datausing the set of equations eqn (2) and (9).
4. Results and discussion
In Fig. 4a and b, for example, records the line proles fordifferent times and intensities post breakdown of the line Fe I432.5 nm can be observed. Each intensity value is given by theaverage of the calculated areas of three prole records of theselected lines. The error bars corresponded to the standarddeviation of these areas.
In Fig. 5a some of the line proles at different postbreak-down times of the line Cu I 324.7 nm used for estimate calcu-lations over last times are shown. Fig. 5b shows Lorentzianwidths calculated from Voigt postbreakdown proles fordifferent times. For the uncertainty calculations of wL, therelationship between the widths in the convolution of the Voigtprole24 and the propagation of errors were taken into account.
4.1 Application of the proposed model
In order to corroborate the proposed calculation procedure, eqn(2) and (9) are used for the calculation of the electronic densityand temperature estimation by calculating parameters assummarized in Table 3. The Gaussian width wG was estimatedfrom the instrumental prole, calculated from the widths ofslits and specications of the monochromator used for thisrecord, corresponding to a wavelength of 280 nm and 325 nm(0.092 nm for the wG).
From the previous records and the data of line intensitiesand widths it was possible to estimate the temperatures andelectronic densities as a function of time. All the results aresummarized in Fig. 6a and b.
At 120 ms it was possible to estimate an extremely lowtemperature of 0.32 � 0.02 eV.
4.2 LTE verication
In the estimation of kT and ne it is important to verify that theLTE condition is met in each case, for which the McWhirtercriterion given by the condition described in eqn (10) wasapplied.
Fig. 6 (a) Evolution of electronic density at non-usual times used inLIBS. Error bars correspond to the uncertainties propagated. (b)Evolution of the temperature at non-usual times used in LIBS. Errorbars correspond to the uncertainties propagated.
Table 4 McWhirter's criterion obtained for validating LTE conditions
tdelay (ms)
Estimated parameters McWhirter limit condition and LTE verication
ne (cm�3) (�1017) kT (eV) Cu I 324.7 nm (�1015) LTE Cu Fe I 432.5 nm (�1015) LTE Fe
40 2.70 � 0.17 0.54 � 0.02 4.41 � 0.31 3 1.86 � 0.18 3
50 2.38 � 0.23 0.52 � 0.02 4.32 � 0.30 3 1.82 � 0.17 3
60 1.81 � 0.18 0.50 � 0.02 4.24 � 0.31 3 1.79 � 0.16 3
70 1.79 � 0.38 0.47 � 0.02 4.12 � 0.26 3 1.74 � 0.18 3
80 1.34 � 0.23 0.46 � 0.02 4.06 � 0.25 3 1.72 � 0.18 3
90 1.15 � 0.15 0.41 � 0.02 3.83 � 0.23 3 1.62 � 0.16 3
100 0.32 � 0.02 0.39 � 0.02 3.74 � 0.20 3 1.58 � 0.15 3
120 0.09 � 0.03 0.31 � 0.02 3.36 � 0.23 3 1.42 � 0.14 3
1008 | J. Anal. At. Spectrom., 2020, 35, 1003–1010 This journal is © The Royal Society of Chemistry 2020
JAAS Paper
Based on this condition, calculations were established forthe Cu and Fe lines involved in non-usual time parameterestimates. Table 4 shows the results calculated for the post-breakdown times dened in this work.
From this analysis it is possible to see that the electronicdensity at all delay times exceeds the LTE limit by approximatelytwo orders of magnitude. The plasmas produced satisfy thecondition of LTE in all cases. Therefore, the self-absorption ofatomic emission lines is signicantly negligible and the plasmais homogeneous.
5. Conclusions
It was possible to apply a LIBS plasma diagnostic calculationmethod at relatively advanced postbreakdown times. By takinginto account all the possible functional parameters in thebehavior of the plasma it was possible to make a diagnosis of itsevolution, and it was mainly possible to estimate the tempera-ture and electronic density by a non-traditional method, esti-mating values of the parameters that are not usual in LIBSplasmas, such as between 40 ms and 120 ms.
The method used parameters calculated at early and usualLIBS postbreakdown times, such as 8 ms, and then a methodbased on recording and analysis of observable lines at the timesof interest was applied. This method used the thin plasmaapproximation and line broadening by the Stark effect.
Through the application of an iterative algorithm it waspossible to study the time evolution of the estimated data withpostbreakdown times between 40 ms and 120 ms.
At such a late postbreakdown time such as 120 ms it waspossible to estimate a low temperature of 0.32 eV. In turn, theestimated kt and ne values were veried using the McWhirtercriterion for compliance with the LTE.
Conflicts of interest
There are no conicts to declare.
Acknowledgements
This work was supported by the National Council of Scienticand Technical Research (CONICET) and the Commission ofScientic Investigations of the Province of Buenos Aires(CICPBA).
References
1 D. Santos, et al., “Laser-induced breakdown spectroscopy foranalysis of plant materials: a review”, Spectrochim. Acta, PartB, 2012, 71–72, 3–13, DOI: 10.1016/j.sab.2012.05.005.
2 G. S. Senesi, J. Cabral, C. Renato, B. Marangoni andG. Nicolodelli, “Trends in Analytical Chemistry Recentadvances and future trends in LIBS applications toagricultural materials and their food derivatives: anoverview of developments in the last decade (2010 e 2019).Part II. Crop plants and their food derivatives”, Trends
Anal. Chem., 2019, 118, 453–469, DOI: 10.1016/j.trac.2019.05.052.
3 H. Tian, L. Jiao, and D. Dong, “Rapid determination of tracecadmium in drinking water using laser-induced breakdownspectroscopy coupled with chelating resin enrichment,” no.January, pp. 1–8, 2019, DOI: 10.1038/s41598-019-46924-z.
4 D. A. Cremers and L. J. Radziemski, Laser – Induced Plasmasand Applications, New York, 1989.
5 A. W. Miziolek, I. Schechter, and V. Palleschi, Laser InducedBreakdown Spectroscopy. Fundamentals and Application,Cambridge University Press, New York, 2006.
6 J. P. Singh and S. N. Thakur, Laser – Induced BreakdownSpectroscopy, Elsevier, Amsterdam, 1st edn, 2007.
7 D. A. Cremers and L. J. Radziemsky, Handbook of Laser –Induced Breakdown Spectroscopy, John Wiley & Sons, Ltd,Southern Gate, 2006.
8 G. Cristoforetti, et al., “Spectrochimica Acta Part B LocalThermodynamic Equilibrium in Laser-Induced BreakdownSpectroscopy: Beyond the McWhirter Criterion”,Spectrochim. Acta, Part B, 2010, 65(1), 86–95, DOI: 10.1016/j.sab.2009.11.005.
9 I. B. Gornushkin, C. L. Stevenson, B. W. Smith, N. Omenettoand J. D. Winefordner, “Modeling an inhomogeneousoptically thick laser induced plasma: a simpliedtheoretical approach”, Spectrochim. Acta, Part B, 2001,56(9), 1769–1785.
10 D. Bulajic, et al., “A procedure for correcting self-absorptionin calibration free-laser induced breakdown spectroscopy”,Spectrochim. Acta, Part B, 2002, 57, 339–353.
11 A. Corney, The width and shape of spectral lines, in Atomicand Laser Spectroscopy, ed. A.Corney, Clarendon Press,Oxford, 1st edn, 1977, p. 763.
12 W. Lochte - Holtgreven, Plasma Diagnostics, North HollandPublishing Company, Amsterdam, 1968.
13 A. Corney, Atomic and Laser Spectroscopy, Clarendon Press,Oxford, 1st edn, 1977.
14 H. R. Griem, Principles of Plasma Spectroscopy, CambridgeUniversity Press, United Kingdom, 1st edn, 1997.
15 G. Traving, “Interepretation of line broadening and lineshi,” in Plasma Diagnostics, ed. W.Lochte - Holtgreven,North Holland Publishing Company, Amsterdam, 1968.
16 http://stark-b.obspm.fr/.17 S. L. Leonard, R. H. Huddlestone and R. W. P. McWhirter, in
Plasma Diagnostic Techniques, Academic Press, New York,1965.
18 I. Rehan, M. A. Gondal, K. Rehan, S. Sultana, M. A. Dastageerand F. F. Al-adel, Talanta LIBS for the detection of lead inready to use henna paste and nutrients in fresh hennaleaves and cultivated soils, Talanta, 2019, 199, 203–211,DOI: 10.1016/j.talanta.2019.02.047.
19 I. R. Ehan, et al. “Determination of toxic and essential metalsin rock and sea salts using pulsed nanosecond laser-inducedbreakdown spectroscopy”, Appl. Opt., 2018, 57(2).
20 C. Aragon and J. A. Aguilera, “Characterization of laserinduced plasmas by optical emission spectroscopy:a review of experiments and methods, Spectrochim. Acta,Part B, 2008, 63, 893–916, DOI: 10.1016/j.sab.2008.05.010.
This journal is © The Royal Society of Chemistry 2020 J. Anal. At. Spectrom., 2020, 35, 1003–1010 | 1009
Paper JAAS
21 M. Adamson, A. Padmanabhan, G. J. Godfrey and S. J. Rehse,“Laser-induced breakdown spectroscopy at a water/gasinterface: a study of bath gas-dependent molecular species”,Spectrochim. Acta, Part B, 2007, 62(12), 1348–1360.
22 A. Kramida, K. Olsen, and Y. Ralchenko, “NIST LIBSDatabase”, Retrieved from, 2019. [Online]. Available:https://physics.nist.gov/PhysRefData/ASD/LIBS/libs-form.html.
23 C. A. D'Angelo, M. Garcimuno, D. M. Dıaz Pace andG. Bertuccelli, Plasma diagnostics from self-absorbeddoublet lines in laser-induced breakdown spectroscopy, J.Quant. Spectrosc. Radiat. Transfer, 2015, 164, 89–96, DOI:10.1016/j.jqsrt.2015.05.014.
24 J. Olivero and R. Longbothum, “Empirical ts to the Voigtline width: a brief review”, J. Quant. Spectrosc. Radiat.Transfer, 1977, 17, 233–236.
1010 | J. Anal. At. Spectrom., 2020, 35, 1003–1010 This journal is © The Royal Society of Chemistry 2020
JAAS Paper