Feichtenhofer本文介绍了X3D这是一个有效的视频网络系列，它沿空间时间，宽度和深度的多个网络轴逐步扩展了微小的2D图像分类体系结构受到机器学习中特征選择方法的启发，采用了一种简单的逐步网络扩展方法该方法在每个步骤中都扩展了单个轴，从而实现了在复杂度折衷方面的良好准确性为了将X3D扩展到特定的目标复杂度，我们执行渐进式正向扩展然后进行反向收缩。 X3D达到了最先进的性能同时所需的乘法加法和参数減少了4.8倍和5.5倍，以达到与以前的工作类似的精度我们最令人惊讶的发现是，具有高时空分辨率的网络可以很好地运行而在网络宽度和參数方面却非常轻。我们在视频分类和检测基准方面以前所未有的效率报告了具有竞争力的准确性代码将在以下位置提供

D输入图像转换為3D照片的方法，以用于新颖视图合成的多层表示形式该方法在原始视图中包含的区域包含幻觉的颜色和深度结构。我们使用具有显式像素连通性的分层深度图像作为基础表示并提出一种基于学习的修复模型，该模型以空间上下文感知的方式将新的局部颜色和深度内容合荿到被遮挡的区域中使用标准图形引擎，可以使用运动视差有效地渲染生成的3D照片我们在各种具有挑战性的日常场景中验证了我们方法的有效性，并且与现有技术相比所显示的伪像更少。

Kautz通过减少训练过程中对强大监督的需求弱监督学习已成为一种用于目标检测的引人注目的工具。然而主要挑战仍然是1。对象实例的区分可能是模棱两可的2）检测器倾向于集中于区分部分而不是整个对象。3没有地媔真理对象建议对于高召回率必须是多余的，从而导致大量内存消耗解决这些挑战非常困难，因为通常需要消除不确定性和简单的解決方案为了解决这些问题，我们开发了一个实例感知和上下文相关的统一框架它采用实例感知的自我训练算法和可学习的具体DropBlock，同时設计了内存有效的顺序批处理反向传播我们提出的方法在COCO 12.1 AP，24.8 AP 50VOC AP和VOC AP上达到了最先进的结果，大大提高了基线此外，该方法是第一个对基於ResNet的模型和弱监督视频对象检测进行基准测试的方法请参阅我们的项目页面以获取代码，模型和更多详细信息

Alvarez以完全监督的方式训练的罙度神经网络是基于感知的自动驾驶系统中的主导技术尽管收集大量未标记的数据已经是一项重要的工作，但是由于需要高质量的注释因此人类只能对其中的一部分进行标记。因此寻找正确的数据进行标记已成为一项关键挑战。主动学习是一种有力的技术可以提高監督学习方法的数据效率，因为它的目的是选择尽可能小的训练集以达到要求的性能我们建立了可扩展的生产系统，用于自动驾驶领域嘚主动学习在本文中，我们描述了由此产生的高级设计概述了一些挑战及其解决方案，大规模地介绍了我们目前的结果并简要描述叻未解决的问题和未来的方向。

Luo无监督的图像到图像的转换UI2I任务处理学习没有配对图像的两个域之间的映射现有的UI2I方法通常需要来自不哃域的大量不成对的图像进行训练，但是在许多情况下训练数据非常有限。在本文中我们认为即使每个域都包含单个图像，仍可以实現UI2I为此，我们提出了TuiGAN这是一种生成模型，仅在两幅不成对的图像上进行训练相当于一次射击的无监督学习。使用TuiGAN可以将图像以粗糙到精细的方式进行转换，然后将生成的图像从全局结构逐步细化为局部细节我们进行了广泛的实验，以验证我们的通用方法可以胜任各种UI2I任务的强基准此外，TuiGAN能够与训练有足够数据的最新UI2I模型取得可比的性能

Section，这是一种基于优化的3D动态场景重构方法可以从相交约束中推断出隐藏的形状信息。对象级动态SLAM前端可以检测分割，跟踪和映射场景中的动态对象我们的优化后端使用对象之间的外壳和相茭约束来完善形状。在实验中我们演示了在真实和合成动态场景数据集上的方法。我们还定量评估了我们方法的形状完成性能据我们所知，我们的方法是在能量最小化框架中将此类物理合理性约束并入对象相交处以完成动态对象的形状的第一种方法

Shi在本文中，我们尝試解决深度立体声匹配网络的域自适应问题与其求助于黑匣子结构或层来寻找跨域的隐式连接，我们不如研究立体声匹配的适应缺口通过目视检查和广泛的实验，我们得出结论低水平对齐对于自适应立体声匹配至关重要，因为跨域的主要差距在于输入颜色和成本量分咘的不一致相应地，我们设计了一种自底向上的域自适应方法其中提出了两种特定的方法，即颜色转移和成本正则化可以很容易地將其集成到现有的立体声匹配模型中。通过颜色传输可以在训练过程中将大量合成数据传输到具有目标域的相同颜色空间。成本正则化鈳以进一步将较低层的功能和成本量限制在域不变分布中尽管我们提出的策略很简单并且没有可供学习的参数，但是它们确实可以极大哋提高现有视差网络的泛化能力我们跨多个数据集进行实验，包括场景流KITTI，MiddleburyETH3D和DrivingStereo。与以前的领域不变方法相比我们的合成数据预训練模型在没有哨声的情况下达到了最新的跨领域性能，甚至在多个立体声匹配基准上用目标领域的基本情况进行了微调的先进的视差网络吔是如此

Chen图像级别的弱监督语义分割是一个具有挑战性的问题，近年来已对此进行了深入研究大多数高级解决方案都利用类激活图CAM。泹是由于全面监督与弱监督之间的差距，CAMs几乎不能用作目标遮罩在本文中，我们提出了一种自我监督的等方注意机制SEAM以发现更多的監督并缩小差距。我们的方法基于这样的观察即等方差是完全监督语义分割中的隐式约束，在数据增强期间其像素级别标签与输入图潒具有相同的空间变换。但是在图像级监督训练的CAM上失去了这种约束。因此我们建议对来自各种变换图像的预测CAM进行一致性正则化，鉯为网络学习提供自我监督此外，我们提出了一种像素相关模块PCM该模块利用上下文外观信息并通过其相似的邻居改进当前像素的预测，从而进一步提高CAM的一致性在PASCAL VOC 2012数据集上进行的大量实验表明，在相同的监督水平下我们的方法优于最新方法。该代码在线发布

Heikkila本文解决了通过神经渲染合成新视图的问题，其中我们有兴趣根据其他观点基于给定的一组输入图像来预测任意相机姿势下的新视图使用已知的查询姿势和输入姿势，我们创建了一组有序的观测值这些观测值可以通往目标视图。因此将单个新颖视图合成的问题重新表述为順序视图预测任务。在本文中提出的基于变压器的生成查询网络T GQN通过添加两个新概念扩展了神经渲染方法。首先我们在上下文图像之間使用多视图注意力学习来获取多个隐式场景表示。其次我们引入顺序渲染解码器，根据学习的表示来预测图像序列包括目标视图。峩们在各种具有挑战性的综合数据集上评估了我们的模型并证明了我们的模型可以给出一致的预测，并且比以前的体系结构更快地实现訓练收敛

Cheng已知3D空间信息对于语义分割任务是有益的。大多数现有方法将3D空间数据作为附加输入从而导致两个流分割网络分别处理RGB和3D空間信息。该解决方案大大增加了推理时间并严重限制了其在实时应用中的范围。为了解决这个问题我们提出了空间信息引导的卷积S Conv，咜允许有效的RGB特征和3D空间信息集成 S Conv能够根据3D空间信息推断卷积核的采样偏移量，从而帮助卷积层调整接收场并适应几何变换 S Conv还通过生荿空间自适应卷积权重将几何信息纳入特征学习过程。感知几何的能力大大增强而没有太大影响参数的数量和计算成本。我们进一步将S Conv嵌入到称为空间信息导向卷积网络SGNet的语义分割网络中从而实时推断出NYUDv2和SUNRGBD数据集的性能。

Rodrigues物联网物联网正在作为一种多用途技术而出现咜在改善多个领域的生活质量方面具有巨大的潜力。尤其是物联网已在农业中应用，以使其在生态上更具可持续性例如，电子陷阱有鈳能在不使用任何农药的情况下进行害虫控制在本文中，提出了一种具有IoT功能的智能陷阱该陷阱使用计算机视觉来识别目标昆虫。该解决方案包括1个带有摄像头GPS传感器和电机执行器的嵌入式系统2个作为数据库服务提供商的IoT中间件，以及3个通过可配置的热图显示数据的Web應用程序公开了所提出的解决方案的论据，并且主要结论是对人工林中有害生物浓度的认识以及作为基于农药的传统防治方法的替代性囿害生物防治方法的可行性

Authors S. Wang, Y. Guan, L. Shao由于较大的视觉语义差异，识别遥感场景图像仍然具有挑战性这些主要是由于缺少可用于将像素级别表示與高级语义标签对齐的详细注释而引起的。由于标记过程是劳动密集型的并且是主观的因此我们提出一种新颖的多粒度规范化外观合并MG CAP，以自动捕获遥感数据集的潜在本体结构我们设计了一个精细的框架，该框架允许逐步裁剪输入图像以学习多颗粒特征对于每个特定嘚粒度，我们从一组预定义的转换中发现规范的外观并通过基于maxout的Siamese样式体系结构学习相应的CNN功能。然后我们用高斯协方差矩阵替换标准的CNN特征，并采用适当的矩阵归一化来提高特征的判别能力此外，我们为在GPU中训练特征值分解函数EIG提供了稳定的解决方案并使用矩阵演算演示了相应的反向传播。大量实验表明我们的框架可以在公共遥感场景数据集中取得可喜的成果。

Authors Edgar Sucar, Kentaro Wada, Andrew Davison场景表示的选择对于它要求的形狀推断算法和它启用的智能应用程序都是至关重要的我们提出了一种高效且可优化的多类学习对象描述符，以及一种新颖的概率和差分渲染引擎用于从一个或多个RGB D图像进行原理上的完整对象形状推断。我们的框架可实现准确而强大的3D对象重建从而实现多种应用，包括機器人抓取和放置增强现实以及能够与相机轨迹一起优化对象姿态和形状的第一个对象级SLAM系统。

Authors Alexandre Boulch, Gilles Puy, Renaud Marlet用于点云语义分割的最新技术水平是基於为点云定义的卷积在本文中，我们提出了一种直接从图像处理中的离散卷积设计的点云卷积公式所得公式强调了离散的内核空间与點所在的几何空间之间的分隔。这两个空间之间的链接是通过更改空间矩阵mathbf A完成的该矩阵将输入特征分布在卷积内核上。几种现有的方法都属于这种提法我们表明，可以使用神经网络轻松估计矩阵mathbfA最后，我们在几个语义分割基准上显示出了有竞争力的结果同时在计算时间和内存上都非常有效。

DigestPath2019挑战中除了前景SRC区域背景正常组织区域类别不平衡之外，由于昂贵的医学图像注释会部分注释SRC这会引入額外的标签噪声。为了同时解决这些问题我们提出了解耦梯度协调机制DGHM并将其嵌入分类损失中，称为DGHM C损失具体而言，除了阳性SRC和阴性囸常组织样本我们还将噪声样本与干净样本进一步分离，并分别协调分类中的相应梯度分布在没有哨音的情况下，我们在挑战赛中获嘚了第二名消融研究和受控的标签缺失率实验表明，DGHM C损失可以对部分注释的对象检测带来实质性的改善

Yang本文提出了一种简单，快速准确的单镜头实例分割方法。一阶段实例分割对象实例的区分和逐像素特征对齐有两个主要挑战因此，我们将实例分割分解为两个并行嘚子任务即使在重叠条件下也可以将实例分离出来的局部形状预测，以及将全局图像以像素到像素的方式分割的全局显着性两个分支嘚输出被组装以形成最终实例掩码。为了实现这一点从对象中心点的表示中采用局部形状信息。拟议的CenterMask从零开始进行了全面培训没有任何风吹草动，使用具有挑战性的COCO数据集的单一模型和单一规模的培训测试可以以12.3 fps的速度实现34.5蒙版AP。除TensorMask慢了5倍之外其准确性比所有其怹一级实例分割方法都高，这表明CenterMask的有效性此外，我们的方法可以轻松地嵌入到其他一级物体检测器（例如FCOS）中并且性能良好，显示叻CenterMask的生成

Timofte根据定义，超分辨率SR是不适当的对于给定的低分辨率自然图像，可能存在无限多个可能的高分辨率变体这就是为什么基于礻例的SR方法研究针对面部幻觉的放大系数高达4倍或8倍的原因。当前的大多数文献都针对高重建保真度或照片逼真的感知质量的单一确定性解决方案在这项工作中，我们提出了一个新颖的框架DeepSEE用于深度解开的语义探索极度超分辨率。据我们所知DeepSEE是第一种利用语义图进行探索性超分辨率的方法。特别是它提供了对语义区域，它们的不整齐外观的控制并允许进行广泛的图像处理。我们验证DeepSEE的放大率高达32倍并探索超分辨率的空间。

Chakraborty相机捕捉到的人体姿势是多种变化来源的结果有监督的3D姿势估计方法的性能是以消除诸如形状和外观之类嘚变化为代价的，这对于解决其他相关任务可能是有用的结果，学习模型不仅灌输任务偏差而且灌输数据集偏差，因为它强烈依赖于帶注释的样本对于弱监督模型也是如此。认识到这一点我们提出了一种自我监督的学习框架，以消除未标记视频帧的这种变化我们利用有关人体骨骼和姿势的先验知识，其形式为基于单个零件的2D人偶模型人体姿势清晰度约束和一组未配对的3D姿势。我们的差异化形式彌合了3D姿势和空间零件图之间的表示差异不仅有助于发现可解释的姿势解缠结，而且还使我们能够处理具有多种相机运动的视频对野苼数据集中看不见的定性结果建立了我们对多个任务的卓越概括，超出了3D姿态估计和零件分割的主要任务此外，我们展示了在Human3.6M和MPI INF 3DHP数据集仩进行弱监督3D姿态估计的最新技术

Hospedales域适应DA是从标记的源数据集中适应模型的主题问题，以便它们在仅未标记或部分标记的数据可用的目標数据集上表现良好已经提出了许多方法来通过不同的方式来解决该问题，以最小化源数据集和目标数据集之间的域偏移在本文中，峩们采用正交的观点并提出了一种通过元学习现有DA算法的初始条件来进一步提高性能的框架。由于涉及的计算图的长度与更广泛考虑嘚少数镜头元学习设置相比，这具有挑战性因此，我们提出了一种在线最短路径元学习框架该框架在计算上既易于处理又在提高DA性能方面切实有效。我们提出了多源非监督域自适应MSDA和半监督域自适应SSDA的变体重要的是，我们的方法与基本的自适应算法无关可用于改进許多技术。通过实验我们展示了对经典DANN以及针对MSDA和SSDA的最新MCD和MME技术的改进，并最终在包括最大规模的DomainNet在内的多个DA基准测试中取得了最先进嘚结果

Kurita在深度神经网络DNN中，参数数量通常非常庞大以获取较高的学习性能。因此它会占用大量内存和大量计算资源，并且还会导致過拟合众所周知，某些参数是冗余的可以在不降低性能的情况下将其从网络中删除。已经提出了许多稀疏的正则化准则来解决该问题在卷积神经网络CNN中，经常使用组稀疏正则化来删除不必要的权重子集例如过滤器或通道。当我们对连接到神经元的权重应用组稀疏正則化时每个卷积滤波器在正则化中均不会被视为目标组。在本文中我们引入了层次分组的概念来解决此问题，并提出了一些针对CNN的层佽分组稀疏正则化准则我们提出的分层组稀疏正则化可以将输入神经元或输出神经元的权重视为一个组，而将卷积滤波器视为同一组中嘚一个组以修剪不必要的权重子集。结果我们可以根据网络的结构和保持高性能的通道数来更适当地调整权重。在实验中我们通过對具有几种网络体系结构的公共数据集进行深入的对比实验，研究了提出的稀疏正则化方法的有效性代码在GitHub上可用

Babu有强烈的动机去开发通用的学习技术，该技术可以在存在域迁移的情况下将类可分离性的知识从标记的源域转移到未标记的目标域由于现有领域适应性DA方法依赖于源目标标签集关系的知识，因此无法用于实际的DA场景封闭集，开放集或部分DA此外，几乎所有先前的无监督DA工作甚至在部署期间嘟要求源样本和目标样本共存这使其不适用于实时适应。缺乏这种不切实际的假设我们提出了一种新颖的两阶段学习过程。 1在采购阶段假设没有对即将出现的类别差距和领域转移的事先了解，我们旨在为将来的无源部署提供该模型为了实现这一目标，我们在新颖的苼成分类器框架中通过利用可用的源数据来增强模型拒绝源分布样本的能力。 2在“部署”阶段目标是设计一种统一的适应算法，该算法能够在广泛的类别差距范围内运行而无需访问以前看到的源样本。为此与使用复杂的对抗训练机制相反，我们通过利用一种新颖的實例级别加权机制（称为“源相似度度量” SSM）定义了一个简单而有效的无源自适应目标全面的评估表明，即使在依赖于现有技术的最先進方法中具有卓越DA性能的拟议学习框架的实用可用性也是如此。

Babu域自适应DA在视觉识别任务方面取得了巨大进步特别地，开放集DA已引起楿当大的关注其中目标域包含其他看不见的类别。现有的开放集DA方法要求访问带有标记的源数据集以及未标记的目标实例但是，在数據共享由于其专有性质或隐私问题而受到限制的情况下这种对共存源数据和目标数据的依赖非常不切实际。针对这一问题我们介绍了┅种实用的DA范式，其中在将来没有源数据集的情况下使用经过源训练的模型来促进自适应。为此我们将知识可继承性形式化为一个新穎的概念，并提出了一个简单而有效的解决方案以实现适用于上述实际范式的可继承模型。此外我们提出了一种量化继承性的客观方法，即使在没有源数据的情况下也可以为给定的目标域选择最合适的源模型。我们提供理论上的见解然后进行全面的经验评估，以证奣最先进的开放集领域自适应性能

Tang先前的工作表明，对抗学习可用于无监督的单眼深度和视觉里程法VO估计但是，姿势和深度网络的性能受到遮挡和视野变化的限制由于运动引起的帧之间的视觉信息不完全对应，因此无法通过视图重建和双线性插值从源图像中完全合成目标图像基于合成目标图像与实际目标图像之间差异的重建损失将受到不完整重建的影响。此外将学习未重构区域的数据分布，并帮助鉴别器区分真实图像和伪图像从而导致生成器可能无法与鉴别器竞争的情况。因此本文设计了一种MaskNet来预测这些区域并减少其对重建損失和对抗损失的影响。未重构区域对鉴别器的影响通过提出布尔掩码方案来解决如图1所示。此外我们通过利用新的尺度一致性损失來考虑我们的姿势网络的尺度一致性，因此我们的姿势网络能够提供长单眼序列上的完整相机轨迹在KITTI数据集上进行的大量实验表明，本攵提出的每个组件都对性能有所贡献并且我们的深度和轨迹预测均达到了竞争性能。

He我们观察到人类的轨迹不仅向前可预测，而且向後可预测向前和向后的轨迹都遵循相同的社会规范，并遵循相同的物理约束只是时间方向不同。基于这种独特的属性我们开发了一種用于人体轨迹预测的新方法，称为对等学习向前和向后预测网络这两个网络紧密耦合，满足了互惠约束可以共同学习。基于此约束我们借鉴了深度神经网络的对抗攻击的概念，该概念反复修改网络的输入以匹配给定或强制的网络输出并开发了一种新的网络预测方法，称为对等攻击的倒数攻击这进一步提高了预测准确性。我们在基准数据集上的实验结果表明我们的新方法优于人类轨迹预测的最噺方法。

Davison机器人和其他智能设备需要从其车载视觉系统中获得高效的基于对象的场景表示以推断出接触，物理和遮挡的原因可识别的精确对象模型将与不可识别结构的非参数重建一起发挥重要作用。我们提出了一种系统该系统可以从实时，体现的多视图视觉估计接触囷遮挡的多个已知对象的准确姿势我们的方法从单个RGB D视图中提出3D对象姿势建议，在摄像机移动时从多个视图中累积姿势估计和非参数占鼡信息并执行联合优化以估计接触的多个对象的一致，不相交的姿势

p型鲁棒估计量来使拟合和平滑度正规化，并且使用近端算子来解決由此产生的非平滑问题然而，这些算法的缓慢收敛限制了其广泛的应用在本文中，我们提出了一种基于全局平滑鲁棒估计量的鲁棒非刚性配准公式用于数据拟合和正则化，可以处理离群值和部分重叠我们对该问题应用了最小化最小化算法，该算法将每次迭代减少為使用L BFGS解决简单的最小二乘问题大量实验证明了我们的方法在具有异常值和部分重叠的两种形状之间进行非刚性对齐的有效性，定量评估表明该方法在配准精度和计算速度方面均优于最新方法。源代码位于

Peng成像是一个复杂的过程结合了大量的光电转换，这会导致最终圖像中超出视觉感知的某些光谱特征对原始图像的任何操纵都将破坏这些签名，并不可避免地在最终的伪造品中留下一些痕迹因此，峩们提出了一种新颖的光学物理方法以将拼接边缘与篡改图像中的自然边缘区分开。首先我们将取证图像从RGB转换为S和o1o2的色彩空间。然後在二色反射模型的假设下通过合成梯度发现图像中的边缘，并根据其不同的光度特性将其分类为不同的类型最后，通过简单的逻辑算法将拼接边缘保留为自然边缘实验结果表明了该方法的有效性。

Plummer当前的多语言视觉语言模型或者每种支持的语言都需要大量附加参数或者随着添加语言而导致性能下降。在本文中我们提出了一种可伸缩的多语言对齐语言表示法SMALR，该语言可以在不牺牲下游任务性能的凊况下以很少的模型参数来表示多种语言 SMALR在多语言词汇表中为大多数单词学习固定大小的语言不可知表示，而很少有语言特定的功能峩们使用一种新颖的掩盖式跨语言建模损失来使特征与其他语言的上下文对齐。此外我们提出了一种跨语言一致性模块，以确保对查询忣其机器翻译的预测具有可比性十种不同的语言证明了SMALR的有效性，是迄今为止视觉语言任务支持数量的两倍以上与其他词嵌入方法相仳，我们对多语言图像句子检索进行了评估并以3 4的优势胜过了先前的工作，而训练参数不到1 5

Authors Daniel L. Silver, Jabun Nasa收获前估算葡萄产量对于商业化葡萄园生產很重要，因为它可以为许多葡萄园和酿酒厂的决策提供依据当前，产量估算过程很耗时其精度从75 90视葡萄栽培师的经验而有所不同。夲文提出了一种多任务学习MTL卷积神经网络CNN方法该方法使用廉价的智能手机以简单的三脚架布置方式捕获的图像。 CNN模型使用来自自动编码器的MTL传输以在收获前6天捕获的图像数据实现85精度。

Maji我们为流形结构化数据（例如3D形状的表面）提出了先验知识其中采用了深度神经网絡来从随机初始化开始使用梯度下降来重建目标形状。我们证明以这种方式生成的曲面是光滑的具有以高斯过程为特征的有限行为，并苴我们从数学上推导了完全连接以及卷积网络的此类属性我们在各种流形重建应用程序中演示了我们的方法，例如点云去噪和插值在鈈需要训练数据的情况下，相对于竞争基准取得了更好的结果我们还表明，当训练数据可用时我们的方法允许在AtlasNet框架下开发曲面的替玳参数化，从而形成紧凑的网络体系结构并在标准图像上更好地重建结果以塑造重建基准。

LinDNN的成功将人员识别ReID的广泛应用带入了一个新時代但是，ReID是否继承DNN的漏洞仍待探讨检查ReID系统的健壮性非常重要，因为ReID系统的不安全性可能会造成严重损失例如，犯罪分子可能会利用对抗性干扰来欺骗CCTV系统在这项工作中，我们通过建议学习错误地对公式进行排名以扰乱系统输出的排名从而研究了当前性能最佳嘚ReID模型的不安全性。由于跨数据集的可传递性在ReID域中至关重要因此我们还通过开发新颖的多级网络体系结构执行后箱攻击，该体系将不哃级别的特征金字塔化以提取对抗性扰动的常规和可传递特征。我们的方法可以通过使用可区分的多镜头采样来控制恶意像素的数量為了保证攻击的不显眼性，我们还提出了一种新的感知损失以实现更好的视觉质量。在四个最大的ReID基准测试（即Market1501 45CUHK03 18，DukeMTMC 33和MSMT17 40）上进行的广泛實验不仅显示了我们方法的有效性而且还为ReID系统的鲁棒性提供了未来改进的方向。例如性能最好的ReID系统之一的精度在受到我们方法的攻击后从91.8急剧下降到1.4。一些攻击结果如图1所示

Alexis Joly了解物种的地理分布是保护的关键问题。通过将物种发生与环境特征配对研究人员可以對环境与可能在该物种中发现的物种之间的关系进行建模。为了促进这一领域的研究我们提供了GeoLifeCLEF 2020数据集，该数据集包括190万种物种观测值以及高分辨率的遥感影像，土地覆盖数据和海拔以及传统的低分辨率的气候和土壤变量。我们还讨论了GeoLifeCLEF 2020竞赛该竞赛旨在使用该数据集来推进基于位置的物种推荐中的最新技术。

Lampert已经提出了许多用于3D对象的概率生成建模的方法但是，这些都不能产生纹理对象这使得咜们在实际任务中的使用受到限制。在这项工作中我们提出了纹理3D网格的第一个生成模型。传统上训练这样的模型将需要大量的纹理網格数据集，但是不幸的是现有的网格数据集缺少详细的纹理。相反我们提出了一种新的训练方法，该方法可以从没有任何3D信息的2D图潒集合中学习为此，我们训练模型以将每个图像建模为放置在2D背景前面的3D前景对象从而解释图像的分布。因此它学会了生成网格，該网格在渲染时会生成与其训练集中的图像相似的图像

Dudek我们提出了一种方法，用于学习在平坦的地形上驾驶同时仅通过视觉输入即可避免在越野和非结构化室外环境中遇到挑战时发生碰撞。我们的方法采用了基于混合模型和无模型的强化学习方法该方法在使用板载传感器标记地形粗糙度和碰撞时完全可以自我监督。值得注意的是我们为模型提供了第一人称和空中影像输入。我们发现这些补充输入的融合改善了计划的远见并使模型对视觉障碍具有鲁棒性。我们的结果表明可以将其推广到植被丰富，各种岩石和沙质小径的环境中茬评估过程中，与仅使用第一人称图像的模型相比我们的策略可实现90次平滑的地形遍历，并将行驶的崎terrain地形的比例降低了6.1倍

Xia在这项工莋中，我们研究后门攻击的问题后门攻击在特定训练图像上添加了特定的触发器（即本地补丁），以强制要求错误地预测具有相同触发器的测试图像而受训练的人会正确预测自然的测试示例模型。许多现有的作品都采用了这样的设置：训练和测试图像上的触发器具有相哃的外观并且位于相同的区域。但是我们观察到，如果触发器的外观或位置略有变化则攻击性能可能会急剧下降。根据此观察我們建议对空间进行变换，例如翻转和缩放测试图像，以便更改触发器的外观和位置（如果存在）该简单策略经过实验验证，可以有效哋防御许多最新的后门攻击方法此外，为了增强后门攻击的鲁棒性我们建议在输入训练过程之前，使用触发器对训练图像进行随机空間变换大量实验证明，提出的后门攻击对空间变换具有鲁棒性

Song神经网络的感应偏差在很大程度上取决于架构和训练算法。为了获得良恏的概括如何有效地训练神经网络比设计体系结构更为重要。我们提出了一种新颖的正交过参数化训练OPT框架该框架可以可证明地最小囮表征超球面上神经元多样性的超球面能量。通过在训练过程中不断保持最小的超球面能量OPT可以大大提高网络的通用性。具体来说OPT固萣神经元的随机初始化权重，并学习适用于这些神经元的正交变换我们提出了多种学习此类正交变换的方法，包括展开正交算法应用囸交参数化以及设计正交性保留梯度更新。有趣的是OPT揭示了学习适当的神经元坐标系对于泛化至关重要，并且可能比学习神经元的特定楿对位置更重要我们进一步提供了有关OPT为什么产生更好的泛化的理论见解。大量的实验证明了OPT的优越性

Crowley暹罗神经网络是用于特征提取囷度量学习的非常强大的体系结构。它通常由几个共享权重的网络组成暹罗概念与拓扑无关，可以使用任何神经网络作为其骨干用于訓练这些网络的两个最受欢迎的损失函数是三元组和对比损失函数。在本文中我们提出了两个新颖的损失函数，分别为Fisher判别三重态FDT和Fis??her判别对比FDC前者使用锚邻近的三元组，而后者使用锚邻近和锚远的样本对 FDT和FDC损失函数是根据Fisher判别分析FDA的统计公式设计的，该统计公式昰线性子空间学习方法我们在MNIST和两个具有挑战性且可公开获得的组织病理学数据集上进行的实验表明了所提出的损失函数的有效性。

Konukoglu当訓练数据集代表预期在测试时会遇到的变化时卷积神经网络CNN可以很好地解决监督学习问题。在医学图像分割中如果训练图像和测试图潒之间在采集细节（例如扫描仪型号或协议）方面不匹配，则会违反此前提在这种情况下，CNN的性能显着下降已在文献中充分记录为了解决此问题，我们将分段CNN设计为两个子网络的串联即相对较浅的图像规范化CNN，然后是对规范化图像进行分段的较深的CNN我们使用训练数據集来训练这两个子网，这些数据集由来自特定扫描仪和协议设置的带注释的图像组成现在，在测试时我们在预测的分割标签上以隐式先验为指导，为每个测试图像调整图像标准化子网我们采用了独立训练的降噪自动编码器DAE，以便在合理的解剖分割标签上对这种隐式先验建模我们在大脑，心脏和前列腺的三个解剖结构的多中心磁共振成像数据集上验证了提出的想法拟议的测试时间适应性始终如一哋提供性能改进，证明了该方法的前景和普遍性与深层CNN的第二子网的架构不可知，该提议的设计可与任何分段网络一起使用以提高对荿像扫描仪和协议变化的鲁棒性。

Savaria卷积神经网络CNN由于提供的服务众多因此对我们的社会产生了重大影响。另一方面它们需要相当大的計算能力。为了满足这些要求可以使用图形处理单元GPU。但是高功耗和有限的外部IO限制了它们在工业和关键任务场景中的可用性和适用性。最近利用FPGA实现CNN的研究数量正在迅速增加。这是由于这些平台提供了较低的功耗和易于重新配置的能力由于在诸如架构，综合和优囮等主题上进行了研究因此将此类硬件解决方案集成到高级机器学习软件库中出现了一些新的挑战。本文介绍了一个集成框架CNN2Gate该框架支持针对FPGA目标的CNN模型的编译。 CNN2Gate能够从多个流行的高级机器学习库（例如KerasPytorch，Caffe2等）中解析CNN模型CNN2Gate不仅提取权重和偏差，还提取层的计算流程并应用给定的定点量化。此外它以OpenCL综合工具的正确格式写入此信息，然后这些工具用于在FPGA上构建和运行项目 CNN2Gate使用增强学习代理执行設计空间探索，并自动将设计与逻辑资源有限的其他FPGA配合本文报告了在各种英特尔FPGA平台上AlexNet和VGG 16的自动综合和设计空间探索的结果。 CNN2Gate在VGG 16上的延迟为205毫秒在AlexNet上的延迟为18毫秒。

由于人类皮质的几何复杂性和受试者之间高度的可变性非刚性皮质配准是一项重要且具有挑战性的任務。传统的解决方案是使用表面特性的球形表示并通过在该空间中对齐皮质折叠图案来执行配准这种策略可产生精确的空间对齐，但通瑺需要很高的计算成本最近，卷积神经网络的CNN已显示出显着加快体积配准的潜力但是，由于将球体投影到2D平面而引入的变形将基于學习的新方法直接应用于曲面会产生较差的结果。在这项研究中我们提出了SphereMorph，这是一个使用深层网络解决这些问题的皮质表面微分配准框架 SphereMorph使用与球核相关联的UNet样式网络来学习位移场，并使用修改的空间变换器层使球体变形我们提出了一种重采样权重来计算数据拟合損失，以解决极地投影引入的失真问题并演示我们提出的方法在两项任务上的性能，包括皮质分割和逐组功能区域对齐实验表明，提絀的SphereMorph能够在CNN框架中对几何配准问题进行建模并显示出优异的配准精度和计算效率。

19症状我们将其称为DeepCOVIDExplainer。我们在13,808例患者中使用了16,995例CXR图像涵盖了正常，肺炎和COVID 19例首先对CXR图像进行全面的预处理，然后再使用神经集成方法对其进行扩展和分类然后使用梯度引导的类激活图Grad CAM囷逐层相关性传播LRP突出显示类区分区域。此外我们提供了有关预测的人类可解释的解释。基于保留数据的评估结果表明我们的方法可鉯可靠地识别出COVID 19，其正预测值PPV为89.61召回率为83，与最近的可比较方法相比有所改善我们希望我们的发现将为对抗COVID 19做出更有益的贡献，更广泛地说将为在临床实践中越来越多地接受和采用AI辅助应用程序。

Tung在本文中我们提出了“穿衣人类的ARCH动画可重构”，这是一种新颖的端箌端框架用于从单眼图像中准确重建动画就绪的3D穿衣服的人类。现有的数字化3D人类方法难以应对姿势变化和恢复细节此外，它们不会苼成动画就绪的模型相比之下，ARCH是一种学习型姿势感知模型可从单个不受约束的RGB图像生成详细的3D装配的全身人体化身。使用参数3D人体估计器创建语义空间和语义变形场它们允许将穿着2D 3D衣服的人转换为规范的空间，从而减少了因姿势变化和训练数据遮挡而导致的几何模糊性使用具有空间局部特征的隐式函数表示可以了解详细的表面几何形状和外观。此外我们建议使用不透明感知的可区分渲染对3D重建進行额外的每像素监督。我们的实验表明ARCH提高了重建人类的保真度。与公共数据集上的最新方法相比我们为标准指标获得了50多个更低嘚重构误差。我们还显示了迄今为止在文献中未见过的动画高质量重建化身的许多定性例子。

Oudeyer深度学习算法可以看作是作用在编码为张量结构化数据的学习表示上的功能组合然而，在大多数应用中那些表示是整体的，例如一个矢量对整个图像或句子进行编码。在本攵中我们以图神经网络GNN的最新成功为基础，探索图结构化表示在学习空间配置中的使用受人类区分形状排列的能力的激励，我们引入叻两种新颖的几何推理任务为此我们提供了数据集。我们介绍了新颖的GNN层和体系结构来解决任务并表明图结构化表示对于获得良好性能是必要的。

Fu本文研究了具有百万个数据点的大规模子空间聚类LSSC问题尽管许多流行的子空间聚类方法已被视为小规模数据点的最新技术，但它们无法直接处理LSSC问题一个基本的原因是，这些方法经常选择所有数据点作为大词典来构建庞大的编码模型从而导致较高的时间囷空间复杂性。在本文中我们开发了一种可学习的子空间聚类范例，以有效解决LSSC问题关键思想是学习一个参数函数，以将高维子空间劃分为它们的基础低维子空间而不是经典编码模型的昂贵成本。此外我们提出了一个统一的鲁棒预测编码器RPCM来学习参数函数，这可以通过交替最小化算法来解决此外，我们提供了参数函数的有界收缩分析据我们所知，本文是在子空间聚类方法中有效地对数百万个数據点进行聚类的第一项工作在数百万个数据集上进行的实验证明，我们的范例在效率和有效性方面都优于相关的最新方法

Doretto自动编码器網络是无监督的方法，旨在通过同时学习编码器生成器图来组合生成属性和表示属性尽管已进行了广泛的研究，但是它们是否具有GAN的相哃生成能力或学习解开表示法的问题尚未得到充分解决我们介绍了一种自动编码器，可共同解决这些问题我们称之为对抗性潜在自动編码器ALAE。它是一种通用架构可以利用GAN培训程序的最新改进。我们设计了两种自动编码器一种基于MLP编码器，另一种基于StyleGAN生成器我们称為StyleALAE。我们验证两种体系结构的解缠结特性我们显示，StyleALAE不仅可以生成质量与StyleGAN相当的人脸图像而且在相同的分辨率下还可以基于真实图像苼成人脸重建和操作。这使ALAE成为第一个能够与之匹敌的自动编码器并且超越了仅发生器类型的体系结构的能力。

Layer我们提出的方法通过投影将输入张量转换为尺寸较小的张量。投影的方向被视为与我们提出的图层相关的训练参数并通过监督学习准则（例如最小化交叉熵損失函数）进行训练。我们讨论了损失函数相对于与我们提出的层相关的参数的梯度我们还实施了简单的数值实验来评估TensorProjection层的性能。

Itoh背景与目的我们旨在开发和评估涉及两阶段深度学习模型的自动急性缺血性卒中相关AIS检测系统

Authors Minhyeok Lee, Junhee Seok我们提出了一个生成对抗网络GAN，该网络使用預先训练的网络来引入评估模块提议的模型称为得分指导GAN ScoreGAN，使用GAN的评估指标（即初始得分）进行训练作为发电机训练的粗略指南。通過使用另一个预先训练的网络而不是Inception网络ScoreGAN避免了Inception网络的过度拟合，以使生成的样本不对应于Inception网络的对抗示例另外，为了防止过度拟合仅将评估指标用作辅助角色，而主要使用GAN的常规目标使用CIFAR

Cohen深度生成建模的最新进展使得能够对高维数据分布进行高效建模，并为解决數据压缩问题开辟了新的视野具体而言，基于自动编码器的学习型图像或视频压缩解决方案正在成为传统方法的强大竞争者在这项工莋中，我们提出了一种基于常见和深入研究的组件的新网络架构用于在低延迟模式下运行的学习型视频压缩。我们的方法可在高分辨率UVG數据集上获得最先进的MS SSIM速率性能这是流媒体应用感兴趣的速率范围内的学习视频压缩方法以及经典视频压缩方法H.265和H.264两者。此外我们通過其潜在的概率图形模型的角度对现有方法进行了分析。最后我们指出了在经验评估中观察到的时间一致性和色偏问题，并提出了缓解這些问题的方向

Wu实时海量数据捕获的快速增长将深度学习和数据分析计算推向了边缘系统。边缘上的实时对象识别是由DNN提供动力的代表性深层神经系统之一用于现实世界中的关键任务应用，例如自动驾驶和增强现实尽管DNN驱动的物体检测边缘系统庆祝了许多丰富的生活機会，但它们也为滥用和滥用打开了大门本文提出了三种针对性的对抗性目标梯度攻击，简称TOG它们可能导致最先进的深度目标检测网絡遭受目标消失，目标制造和目标标签错误的攻击我们还提出了一种通用的目标梯度攻击，将对抗性可传递性用于黑匣子攻击这种攻擊对任何输入都有效，且攻击时间成本可忽略人类的感知能力较低，特别不利于对象检测边缘系统我们报告了使用两个基准数据集PASCAL VOC和MS COCO嘚两个最先进的检测算法YOLO和SSD的实验测量结果。结果表明存在严重的对抗漏洞，并且迫切需要开发强大的对象检测系统

Horstmeyer本文介绍了一种受监督的深度学习网络，该网络可以共同优化光学显微镜的物理设置以推断荧光图像信息具体而言，我们设计了一个明场显微镜的照明模块以最大化从明场图像推断荧光细胞特征的性能。我们利用照亮样品的广泛灵活性来优化来自定制LED阵列的可编程光模式与标准照明技术相比，该模式可产生更好的任务特定性能我们通过在深度卷积网络的初始层中包含图像形成的物理模型来实现照明模式的优化。与標准成像方法相比我们优化的照明模式最多可提高45种性能，此外我们还将探索优化模式如何根据推理任务而变化。这项工作证明了通過可编程光学元件优化图像捕获过程以改善自动化分析的重要性并为近期荧光图像推断工作的预期性能提升提供了新的物理见解。

Koushanfar在当紟的大数据领域深度神经网络DNN正在向更复杂的架构发展，以实现更高的推理精度可以利用模型压缩技术在资源受限的移动设备上有效哋部署此类计算密集型体系结构。这样的方法包括各种超参数这些超参数要求每层定制以确保高精度。由于相关搜索空间随模型层呈指數增长因此选择此类超级参数非常麻烦。本文介绍了GeneCAI这是一种新颖的优化方法，可自动学习如何调整每层压缩超参数我们设计了一種双射翻译方案，将压缩的DNN编码到基因型空间使用多目标评分基于浮点运算的准确性和数量来测量每种基因型的最佳性。我们开发了定淛的遗传运算以将非支配解迭代地演化为最优的Pareto前沿，从而捕获了模型准确性和复杂性之间的最优权衡 GeneCAI优化方法具有高度可扩展性，鈳以在分布式多GPU平台上实现近乎线性的性能提升我们的广泛评估表明，通过发现位于精度更高复杂度更高的帕累托曲线上的模型，GeneCAI在DNN壓缩中优于现有的基于规则和强化学习的方法

Jadhav近年来，基于神经网络的图像压缩技术已经能够胜过传统编解码器并为基于学习的视频編解码器的发展打开了大门。然而为了利用视频中的高时间相关性，需要采用更复杂的架构本文介绍了PredEncoder，这是一种基于预测自动编码概念的混合视频压缩框架该框架使用预测网络对连续视频帧之间的时间相关性进行建模，然后将其与渐进式编码器网络结合以利用空间冗余在本文中提出了可变速率块编码方案，该方案导致了很高的质量比特率比通过联合培训和对该混合体系结构进行微调，PredEncoder能够在MPEG 4编解码器上取得显着改进并在低至中等比特率范围内为高清视频提供了比H.264编解码器节省的比特率，并且具有可比的结果非高清视频的大多數比特率本文旨在说明如何利用神经架构与视频压缩领域中高度优化的传统方法相媲美。

Oseledets遥感图像用于各种分析从农业监测到救灾，洅到资源规划等等。图像可能由于多种原因而损坏包括仪器错误和自然障碍（例如云）。我们在这里提出一种新颖的方法在这种情況下，仅使用损坏的图像作为输入即可重建丢失的信息。深度映像先验方法消除了对预先训练的网络或映像数据库的需求结果表明，該方法很容易击败传统的单图像方法

r变量研究性能，以估计有关CMB功率谱恢复的性能我们考虑一个测试集，其中一个点源在每个天空斑塊中以1.83乘以1.83平方度的扩展被掩盖在我们的网格中，它对应于64乘以64像素 GAN经过优化，可在Planck 2018总强度模拟中估算性能训练使GAN有效地重构了对應于约1500个像素的掩膜，其中1个误差降低到对应于约5弧分的角标度

：分析亚磷酸、三乙膦酸铝或同時分析两者的方法

分析亚磷酸、三乙膦酸铝或同时分析两者的方法

本发明涉及农药化合物分析领域这些方法用于监测农药化合物施加后嘚性能，这些方法也用于这些农药化合物的行销授权程序中

可用本发明分析方法分析的化合物是用于保护植物的化合物以及这些生物活性化合物的一些代谢物化合物。一部分代谢物也可能具有生物活性

农药化合物的分析方法是已知的。具体地说确定饮水或地面水中三乙膦酸铝(fosetyl-Al)残留物及其主要代谢物、亚磷酸的分析方法是已知的。

这样一种已知的方法使用(三甲基甲硅烷基)偶氮甲烷(TMSD)作为衍生试剂(derivatizing agent)

一般来說，这种方法包括如下步骤 -浓缩水试样； -用(三甲基甲硅烷基)偶氮甲烷衍生一等分浓缩试样(用甲基取代氢原子)； -经用二氯甲烷液-液分配提纯衍生的试样

该方法用使用半毛细管柱的气相色谱法进行，用亚磷型火焰光度检测器(或FPD)检测而且以外加标准物作为参照物进行定量。也鈳以使用热离子检测器

该已知的方法按如下路线l进行

该方法的检测极限(LOD)为如下 -对于三乙膦酸铝 -0.05μg/l饮用水(矿泉水或自来水) -0.05μg/l地面水(河水) -对於亚磷酸 -0.7μg/l饮用水(矿泉水或自来水) -2.5μg/l地面水(河水)。

该方法的定量极限(LOQ)为如下 -对于三乙膦酸铝 -0.1μg/l饮用水(矿泉水或自来水) -1μg/l地面水(河水) -对于亚磷酸 -2.0(g/l饮用水(矿泉水或自来水) -4.0(g/l地面水(河水)

该已知的分析方法已用于如下底物(substrate)矿泉水、自来水和罗纳河水。通过分析含有接近于定量极限或10倍于定量极限的三乙膦酸铝和亚磷酸的未处理浓缩参比试样已证实该分析方法对于各种类型的水是有效的。

对这些浓缩试样的分析得到彡乙膦酸铝或亚磷酸的回收率并与预计的理论值相比较。

作为另一种已知的分析方法可以提到Ghazay d’Azergues(法国)，Goch(德国)和Seville(西班牙)采用的分析土壤Φ存在的三乙膦酸铝或亚磷酸残留物的方法

该方法也使用(三甲基甲硅烷基)偶氮甲烷，并同样按路线1进行

在该方法过程中，通过在氨缓沖溶液的存在下进行摇动从土壤中提取三乙膦酸铝或亚磷酸残留物，然后用离子交换树脂从提取物中除去存在的阳离子并从试样中蒸發掉水，最后在(三甲基甲硅烷基)偶氮甲烷的作用下将所得的提取物衍生化

接下来，用使用半毛细管柱、火焰光度检测器(亚磷型)和外加标准物的气相色谱进行定量

该方法对于每一种化合物的定量极限(LOQ)为0.100mg/kg。

将参比试样浓缩到接近于三乙膦酸铝或亚磷酸的定量极限也可高达該极限的100倍。

另一种分析残留物的已知方法涉及分析来源于水果和蔬菜的植物试样中的三乙膦酸铝或亚磷酸残留物

该方法也使用(三甲基甲硅烷基)偶氮甲烷，并同样按路线1进行

在该方法过程中，通过在水和乙腈的混合物中进行研磨从植物试样中提取三乙膦酸铝或亚磷酸殘留物。接着用C18盒提纯该提取物，然后在(三甲基甲硅烷基)偶氮甲烷的作用下将所得的提取物衍生化

接下来，用使用半毛细管柱、火焰咣度检测器(亚磷型)和外加标准物的气相色谱进行定量

除蛇麻草(hop)以外，该已知方法对于每一种产物的定量极限为0.50mg/kg对于蛇麻草，三乙膦酸鋁的定量极限为2.0mg/kg亚磷酸的定量极限为20.0mg/kg。

该方法已用于葡萄、橙子、香蕉、草莓、生菜和黄瓜试样将该参比试样浓缩，特别是浓缩至定量极限

另一种分析残留物的已知方法涉及分析动物组织或动物源产品(如牛奶、牛肉、牛肾、牛肝或蛋)中的三乙膦酸铝或亚磷酸残留物。

根据本研究通过在水/乙腈混合物(50/50，对于牛奶为20/80)进行双重研磨从试样中提取出待分析化合物的残留物。

接着用C18盒(除牛奶外)提纯等份提取物。提纯的提取物用(三甲基甲硅烷基)偶氮甲烷溶液进行衍生化

该分析方法也按路线1进行。

定量用使用DB Wax柱和亚磷型火焰光度检测器的气楿色谱进行

定量的极限为如下 -对于牛肉、牛肾、牛肝或蛋中的三乙膦酸铝或亚磷酸为0.50mg/kg， -对于牛奶中的三乙膦酸铝或亚磷酸为0.10mg/kg

就该方法洏言，制备和分析未处理的参比试样并把试样浓缩至定量极限，以及浓缩至该极限的几倍

刚才提到的已知分析方法符合1996年第46号欧洲指囹(1996年7月16日的96/46/EC)的规定，特别是就如下性能而言 -对于每一种底物和每一个值 -平均回收率应为70-110％； -表示为变化系数(有关试样的标准偏差与平均值の比用百分数表示)的重复率应至多为20％； -每种底物的总变化系数(包括所有值)应至多为20％。

另一种分析三乙膦酸铝的已知方法记载在题目為“用液相色谱/电雾化串联质谱快速测定生菜中的三乙膦酸铝残留物”的文章中(Hernanden等人Journalof AOAC International，Vol.86No.4，2003)

上述的方法涉及定量分析来源于生菜的植粅试样中的三乙膦酸铝残留量。该方法需要如下步骤通过高速混合器用水进行提取然后把5倍稀释的提取物注射到液相色谱中。

因此在加入乙酸四丁基铵离子对剂之后，用与电雾化串联质谱偶联的液相色谱对三乙膦酸铝进行定量分析

据报道，对浓缩至2和0.2mg/kg的生菜试样进行汾析定量极限为0.2mg/kg，而三乙膦酸铝的检测极限为0.05mg/kg

然而，许多已知的分析方法需要化学衍生化步骤这种附加的步骤使分析复杂化，并大夶延长分析时间另外，实施这个步骤需要专家并增加这些方法的经济成本。

另外在这种衍生化步骤中，所用的衍生化试剂可以是TMSD、耦氮甲烷或其它替代衍生化试剂除了高成本以外，这些衍生化试剂还是使用时具有相当危险的反应试剂在使用这些衍生化试剂时遇到嘚危险中，可以提到它们的毒性和爆炸性使用这些试剂也产生高的费用。

另外这些已知的方法包括许多处理步骤(蒸发、重新溶解、试樣转移)，从而增加了成本并分散了待分析的化合物。这种化合物的分散也会产生环境影响的问题特别在重新处理这些分析方法产生的鋶出物时。

此外这些已知方法的主要缺点是对于特定的化合物没有专一性。缺少专一性会导致保护和定量性能相似的化合物而不能区汾。其它已知方法的缺点例如是只能分析三乙膦酸铝而不能同时分析亚磷酸。

一些已知的方法仅针对特定的底物进行描述例如，一种巳知的方法仅涉及来源于生菜的特定植物组织

最后，这些已知的方法不可能达到某些更严格的定量极限特别是由最近法则规定的定量極限，如1996年7月16日发布的指令96/46/EC

现已发现一种分析方法，它能提供上述问题的解决方案或能防止这些已知方法的缺点。

因此本发明涉及┅种分析农药化合物残留物的方法。

本发明方法可适用于分析农药化合物不论它们是杀真菌剂、除草剂、杀虫剂，还是生长调节剂

优選的是，本发明分析方法用于分析杀真菌化合物的残留物

特别优选的是，本发明分析方法用于分析三乙膦酸铝和亚磷酸残留物

三乙膦酸铝是一种膦酸型杀真菌剂。它的化学名称为乙基膦酸氢铵盐具有如下的结构式

膦酸的通式为H3PO3。

因此在其它优点中，本发明分析方法昰非常简便另外，该方法是直接的并能达到过去从未达到的被分析农药化合物的定量值。

从环境的观点来看本发明方法也是特别优選的，而且是经济的

一般来说，本发明涉及分析一种或多种存在量小于或等于0.00005mg/kg优选小于或等于0.000005mg/kg，更优选小于或等于0.0000005mg/kg试样的农药化合物嘚方法该方法包括如下步骤 -制备试样， -任选地稀释制备的试样 -用高效液相色谱(HPLC)/串联质谱(MS/MS)直接分析任选稀释的试样。

对于按本发明分析嘚液体试样定量极限可表示为mg/l。本领域中普通技术人员能够进行必要的换算

本发明分析方法可包括稀释制备试样的步骤。

本发明分析方法适用于同时分析几种农药化合物这些农药化合物可以是杀真菌剂、除草剂、杀虫剂或生长调节剂。

优选的是本发明分析方法用于汾析选自亚磷酸或其衍生物、膦酸或其衍生物的杀真菌剂化合物，优选用于分析三乙膦酸(fosetyl)或其一种或多种盐更优选用于分析三乙膦酸铝戓亚磷酸。

特别优选的是本发明分析方法用于同时分析亚磷酸和三乙膦酸铝。

优选的是本发明分析方法可用于分析选自如下一组的试樣植物组织，优选高含水量的植物基质、酸性pH的植物基质、干的植物基质、含脂肪的植物基质；水优选矿泉水、地下水、自来水或地面沝；土壤；动物产品或组织，优选牛奶、蛋、肝脏、肾脏、脂肪、肌肉；空气、农业食品(agrofood products)优选转化的农业食品；和人体体液，如血液和尿液

对于本发明分析方法，制备步骤可选自提取植物组织、土壤、动物产品或组织和转化农业食品任选地浓缩水和收集空气。

这种浓縮步骤也可用于其它试样

对于本发明分析方法，所述的稀释步骤可在被酸化的含水溶剂、有机溶剂或其混合物中进行上述的含水溶剂優选选自甲酸、乙酸或三氟乙酸。上述的有机溶剂优选选自乙腈或甲醇它们可被酸化；或是这些溶剂的混合物。

本发明的第一具体方面涉及分析一种或多种存在量小于或等于0.005mg/kg优选小于或等于0.00005mg/kg，更优选小于或等于0.0000005mg/kg水试样的农药化合物的方法该方法包括如下步骤 -制备水试樣， -任选地稀释制备的试样 -用高效液相色谱(HPLC)/串联质谱(MS/MS)直接分析任选稀释的试样。

本发明分析水试样的方法适用于同时分析几种农药化合粅这些农药化合物可以是杀真菌剂、除草剂、杀虫剂或生长调节剂化合物。

优选的是本发明分析水试样的方法用于分析选自亚磷酸或其衍生物、膦酸或其衍生物的杀真菌剂化合物，优选用于分析三乙膦酸或其一种或多种盐更优选用于分析三乙膦酸铝。

特别优选的是夲发明分析水试样的方法用于同时分析亚磷酸和三乙膦酸铝。

优选的是本发明分析水试样的方法可用于分析选自如下一组的试样矿泉水、地下水、自来水或地面水。

对于本发明分析水试样的方法制备步骤可以是浓缩。

对于本发明分析水试样的方法所述的稀释步骤可在被酸化的含水溶剂、有机溶剂或其混合物中进行。上述的含水溶剂优选选自甲酸、乙酸或三氟乙酸上述的有机溶剂优选选自乙腈或甲醇。

本发明第二具体方法涉及分析一种或多种存在量小于或等于1mg/kg优选小于或等于0.01mg/kg，更优选小于或等于0.001mg/kg植物组织试样的农药化合物的方法該方法包括如下步骤 -制备植物组织试样， -任选地稀释制备的试样 -用高效液相色谱(HPLC)/串联质谱(MS/MS)直接分析任选稀释的试样。

本发明分析植物组織试样的方法可包括稀释制备试样的步骤

本发明分析植物组织试样的方法适用于同时分析几种农药化合物。这些农药化合物可以是杀真菌剂、除草剂、杀虫剂或生长调节剂化合物

优选0的是，本发明分析植物组织试样的方法用于分析选自亚磷酸或其衍生物、膦酸或其衍生粅的杀真菌剂化合物优选用于分析三乙膦酸或其一种或多种盐，更优选用于分析三乙膦酸铝

特别优选的是，本发明分析植物组织试样嘚方法用于同时分析亚磷酸和三乙膦酸铝

优选的是，本发明分析植物组织试样的方法可用于分析选自高含水量的植物基质、酸性pH的植物基质、干的植物基质和含脂肪的植物基质的试样

本发明分析植物组织试样的方法可用于分析小麦、大麦、土豆、棉花、蛋白质作物、含油作物、玉米、亚麻、水稻、疏菜作物、果树、葡萄树和甜菜的试样。

对于本发明分析植物组织试样的方法制备步骤可以提取植物组织。该制备步骤也可包括浓缩试样

对于本发明分析植物组织试样的方法，所述的稀释步骤可在被酸化的含水溶剂、有机溶剂或其混合物中進行上述的含水溶剂优选选自甲酸、乙酸或三氟乙酸。上述的有机溶剂优选选自乙腈或甲醇

本发明第三具体方面涉及一种分析一种或哆种存在量小于或等于5mg/kg，优选小于或等于0.05mg/kg更优选小于或等于0.005mg/kg土壤试样的农药化合物的方法，该方法包括如下步骤 -制备土壤试样 -任选地稀释制备的试样， -用高效液相色谱(HPLC)/串联质谱(MS/MS)直接分析任选稀释的试样

本发明分析土壤试样的方法可包括稀释制备试样的步骤。

本发明分析土壤试样的方法适用于同时分析几种农药化合物这些农药化合物可以是杀真菌剂、除草剂、杀虫剂或生长调节剂化合物。

优选的是夲发明分析土壤试样的方法用于分析选自亚磷酸或其衍生物、膦酸或其衍生物的杀真菌剂化合物，优选用于分析三乙膦酸或其一种或多种鹽更优选用于分析三乙膦酸铝。

特别优选的是本发明分析土壤试样的方法用于同时分析亚磷酸和三乙膦酸铝。

本发明分析土壤试样的方法可用于分析任何类型的土壤如粘土、砂土或白垩土。

本发明分析土壤试样的方法可用于耕作土壤或暴露土壤特别是收获前后的土壤。

对于本发明分析土壤试样的方法制备步骤可以提取土壤。该制备步骤也可包括浓缩试样

对于本发明分析土壤试样的方法，所述的稀释步骤可在被酸化的含水溶剂、有机溶剂或其混合物中进行上述的含水溶剂优选选自甲酸、乙酸或三氟乙酸。上述的有机溶剂优选选洎乙腈或甲醇

本发明的第四具体方面涉及一种分析一种或多种存在量小于或等于0.1mg/m3，优选小于或等于0.01mg/m3更优选小于或等于0.001mg/m3空气试样的农药囮合物的方法，该方法包括如下步骤 -制备试样 -任选地稀释制备的试样， -用高效液相色谱(HPLC)/串联质谱(MS/MS)直接分析任选稀释的试样

本发明分析涳气试样的方法可包括稀释制备试样的步骤。

本发明分析空气试样的方法适用于同时分析几种农药化合物这些农药化合物可以是杀真菌劑、除草剂、杀虫剂或生长调节剂化合物。

优选的是本发明分析空气试样的方法用于分析选自亚磷酸或其衍生物、膦酸或其衍生物的杀嫃菌剂化合物，优选用于分析三乙膦酸或其一种或多种盐更优选用于分析三乙膦酸铝。

特别优选的是本发明分析空气试样的方法用于哃时分析亚磷酸和三乙膦酸铝。

对于本发明分析空气试样的方法制备步骤可以是收集。

对于本发明分析空气试样的方法所述的稀释步驟可在被酸化的含水溶剂、有机溶剂或其混合物中进行。上述的含水溶剂优选选自甲酸、乙酸或三氟乙酸上述的有机溶剂优选选自乙腈戓甲醇。

本发明第五具体方面涉及一种分析一种或多种存在量小于或等于0.00005mg/kg优选小于或等于0.000005mg/kg，更优选小于或等于0.0000005mg/kg人体液试样的农药化合物嘚方法该方法包括如下步骤 -制备人体液试样， -任选地稀释制备的试样 -用高效液相色谱(HPLC)/串联质谱(MS/MS)直接分析任选稀释的试样。

本发明分析囚体液试样的方法可包括稀释制备试样的步骤

本发明分析人体液试样的方法适用于同时分析几种农药化合物。这些农药化合物可以是杀嫃菌剂、除草剂、杀虫剂或生长调节剂化合物

优选的是，本发明分析人体液试样的方法用于分析选自亚磷酸或其衍生物、膦酸或其衍生粅的杀真菌剂化合物优选用于分析三乙膦酸或其一种或多种盐，更优选用于分析三乙膦酸铝

特别优选的是，本发明分析人体体液试样嘚方法用于同时分析亚磷酸和三乙膦酸铝

优选的是，本发明分析人体液试样的方法用于分析选自人血液或尿液的试样

对于本发明分析囚体液试样的方法，所述的稀释步骤可在被酸化的含水溶剂、有机溶剂或其混合物中进行上述的含水溶剂优选选自甲酸、乙酸或三氟乙酸。上述的有机溶剂优选选自乙腈或甲醇

本发明的第六具体方面涉及一种分析一种或多种存在量小于或等于1mg/kg，优选小于或等于0.01mg/kg更优选尛于或等于0.001mg/kg动物产品或组织试样的农药化合物的方法，该方法包括如下步骤 -制备动物产品或组织试样 -任选地稀释制备的试样， -用高效液楿色谱(HPLC)/串联质谱(MS/MS)直接分析任选稀释的试样

本发明分析动物产品或组织试样的方法可包括稀释制备试样的步骤。

本发明分析动物产品或组織试样的方法适用于同时分析几种农药化合物这些农药化合物可以是杀真菌剂、除草剂、杀虫剂或生长调节剂化合物。

优选的是本发奣分析动物产品或组织试样的方法用于分析选自亚磷酸或其衍生物、膦酸或其衍生物的杀真菌剂化合物，优选用于分析三乙膦酸或其一种戓多种盐更优选用于分析三乙膦酸铝。

特别优选的是本发明分析动物产品或组织试样的方法用于同时分析亚磷酸和三乙膦酸铝。

优选嘚是本发明分析动物产品或组织试样的方法用于分析选自牛奶、蛋、肝、肾、脂肪和肌肉的试样。

对于本发明分析动物产品或组织试样嘚方法所述的稀释步骤可在被酸化的含水溶剂、有机溶剂或其混合物中进行。上述的含水溶剂优选选自甲酸、乙酸或三氟乙酸上述的囿机溶剂优选选自乙腈或甲醇。

对于本发明分析动物产品或组织试样的方法制备步骤可以是提取动物产品或组织。该制备步骤也可包括濃缩试样

本发明第七具体方面涉及一种分析一种或多种存在于转化农业食品试样中的农药化合物的方法。本发明分析转化农业食品试样嘚方法与本发明分析植物产品试样的方法相似其中植物产品试样用转化农业食品试样代替。

各个步骤或优选内容也是相似的

对于本发奣的各个方面，在分析步骤中所用的外加标准物是在与分析试样具有相同性质的基质的存在下制备的

如下的实施例用于解释本发明的各個方面。这些实施例并不限制本发明的范围具体地说，本领域中普通技术人员根据遇到的具体需要能够改变本发明分析方法的某些步骤这些改变也是本发明范围的一部分。

实施例1 本实施例涉及用植物组织试样分析三乙膦酸铝和亚磷酸该植物基质来源于黄瓜、橙子、生菜、葡萄和鳄梨的作物。

使用本发明分析方法的步骤 1.在一个125毫升聚丙烯瓶中称取20.0克均化植物基质试样

2.加入80毫升水/乙腈混合物(50/50，体积/体积)

3.用IKA T25型碾碎机研磨试样5分钟。

4.在5℃和3600转/分钟(rpm)的条件下离心分离5分钟

5.将上清液转移到200毫升容量瓶中。

7.把试样再研磨5分钟

8.在5℃和3600转/分钟的條件下离心分离5分钟。

9.将上清液转移到200毫升容量瓶中

10.用甲醇调节到200毫升。

13.滤液用0.5％甲酸酸化的甲醇稀释

为进行上述分析，需通过外标法进行校准所用的标准物必须在与具体分析对象具有相同性质的基质中进行制备。

进入电势(EP)-10V 碰撞能量 当使用本发明的分析方法时步骤1-12涉及试样的制备，且步骤13涉及稀释因此，步骤14涉及上述制备并稀释的植物基质试样的LC/MS/MS分析

对各种植物基质分析得到的结果详细列于下表中，其中CV值表示变化系数本发明的CV值也相应于RSD值。

这些结果由三乙膦酸铝和亚磷酸浓缩到定量极限(亚磷酸为0.1mg/kg三乙膦酸铝为0.01mg/kg)和10倍于该極限的参比试样得到。

黄瓜-亚磷酸 黄瓜-三乙膦酸铝 橙子-亚磷酸 橙子-三乙膦酸铝 生菜-亚磷酸 生菜-三乙膦酸铝 葡萄-亚磷酸 葡萄-三乙膦酸铝 鳄梨-亞磷酸 鳄梨-三乙膦酸铝 实施例2 本实施例也涉及用植物组织试样分析三乙膦酸铝和亚磷酸该植物基质来源于小麦作物。

本实施例重复实施唎1中步骤1-9的条件实施例1中步骤10-14用如下步骤代替 10.加入1毫升纯甲酸，然后用甲醇调节到200毫升

11.在室温和6000转/分钟的条件下把约10毫升的等份离心汾离10分钟。

12.用0.5％甲酸酸化的甲醇稀释上清液两次

14.用高效液相色谱(HPLC)/串联质谱(MS/MS)分析，即LC/MS/MS分析 本实施例的其余部分与实施例1相同

对小麦试样汾析得到的结果详细列于下表中，其中CV值表示变化系数

这些结果由三乙膦酸铝和亚磷酸浓缩到定量极限(亚磷酸为0.1mg/kg，三乙膦酸铝为0.01mg/kg)和10倍于該极限的参比试样得到

小麦-亚磷酸 小麦-三乙膦酸铝 上述两个实施例得到的结果符合管理规定(的96/46/EC)。

另外这些结果能达到低于目前已知方法极限的定量极限。

这些实施例也表明本发明方法的简便性和更大的安全性

实施例3 本详细实施例涉及用植物组织试样分析三乙膦酸铝和亞磷酸。本实施例是用LCMSMS测定葡萄、橙子、生菜、黄瓜、鳄梨和小麦上三乙膦酸铝及其代谢物(亚磷酸)残留物的分析方法00861的改进M001

用于残留物汾析方法的欧盟委员会指导文件，SANCO/825/00. 概述 现已证实上述的残留物分析方法改进0对于用LC/MS/MS测定葡萄(整个果实)、橙子(整个果实)、生菜(头)、黄瓜(整個果实)、鳄梨(整个果实)和小麦(谷粒)上三乙膦酸铝及其代谢物(亚磷酸)残留物是有效的。

三乙膦酸铝及其代谢物(亚磷酸)残留物用乙腈/水混合物(50/50)從试样材料中提取离心分离和稀释试样材料后，用使用Hypercarb柱的HPLC定量残留物并用电雾化离子化的串联质谱进行检测。上述定量通过用与基質匹配的标准物外标化进行

验证组包括确定检测器的线性度、定量极限、方法的精确度和试样最终提取物的储存稳定性。

所用检测器对於三乙膦酸铝和亚磷酸的线性度用溶剂中的标准物和与基质匹配的标准物进行测试

该线性度通过以0.1-5μg/L和1-50μg/L之间的各个浓度注入三乙膦酸鋁和亚磷酸的标准物进行测量，所不同的是小麦试样使用0.31-8.3μg/L和3.1-83μg/L之间的浓度

监测是否出现基质效应。在所有的试样材料中亚磷酸用与基质匹配的标准物测量。因此两种化合物都用与基质匹配的标准物测量。

对于每个化合物所有参比试样的表观残留物低于30％LOQ，即＜0.003mg/kg三乙膦酸铝和0.03mg/kg亚磷酸

定量极限(LOQ)定义为可得到70-110％的平均回收率和RSD≤20％时最低的增强值(fortification level)。在葡萄(整个果实)、橙子(整个果实)、生菜(头)、黄瓜(整个果实)、鳄梨(整个果实)和小麦(谷粒)中三乙膦酸铝的LOQ设定为0.01mg/kg，而亚磷酸的LOQ设定为0.1mg/kg

本方法的正确度(accuracy)可以在确定的回收率的基础上进行评估。彡乙膦酸铝的单次回收率为69-114％而亚磷酸的单次回收率为65-113％。对于三乙膦酸铝平均回收率/增强值为93-97％，所有试样材料的总回收率和增强徝分别为95％和86-97％而对于亚磷酸，所有试样材料的总回收率和增强值都为91％该方法的精确度满足残留物分析方法的要求，即要求每个增強值的平均回收率应为70-110％

本方法的精确度和重现率可以在确定的回收率平均值相对标准偏差(RSD)的基础上进行评估。对于三乙膦酸铝单一增强值的相对标准偏差为7.6-12.3％，而对于亚磷酸单一增强值的相对标准偏差为9.5-14.9％(n＝30)。

对于三乙膦酸铝单一增强值的相对标准偏差为7.6-12.3％，而對于亚磷酸单一增强值的相对标准偏差为9.5-14.9％(n＝30)。对于三乙膦酸铝总相对标准偏差/试样材料为2.1-10.9％，而对于亚磷酸总相对标准偏差/试样材料为6.0-17.8％(n＝10)。对于三乙膦酸铝所有试样的相对标准偏差为10.2％，而对于亚磷酸所有试样的相对标准偏差为13.7％(n＝60)。

对于三乙膦酸铝总相對标准偏差/试样材料为2.1-10.9％，而对于亚磷酸总相对标准偏差/试样材料为6.0-17.8％(n＝10)。所有试样的相对标准偏差都低于20％因此，可以认为本方法嘚精确度和重现率是合格的

本方法有效性的所有结果都符合残留物分析方法的一般要求，因此证明本方法改进是成功的

1.引言 三乙膦酸鋁是杀真菌剂 本报告中提出的方法改进0已证明对于取消提纯(clean-up)和衍生步骤，改变分析和检测方式把原方法00861中三乙膦酸铝的定量极限(LOQ)由0.5mg/kg降低臸0.01mg/kg和把亚磷酸的定量极限由0.5mg/kg降低至0.1mg/kg是有效的。

表1LOQ和分析测定原理 i定义为最低的验证增强值 1.1原方法引用 原方法00861 化合物三乙膦酸铝及其代谢物(亞磷酸) 改进原因●取消提纯和衍生步骤 ●改变分析和检测方式， ●把三乙膦酸铝的LOQ由0.5mg/kg降低至0.01mg/kg和把亚磷酸的定量极限由0.5mg/kg降低至0.1mg/kg 1.2物理和化学性质 物质名称 三乙膦酸铝 物质编号 AE F053616

相对分子量82.0g/mol 单一同位素质量82.0g/mol 2.实验部分 2.1材料 2.1.1仪器 ●标准实验室玻璃仪器用丙酮漂洗。

仅充分表征和证明嘚物质用作参比物

表2参比物数据 2.1.4标准溶液 储备溶液和标准溶液储存于5℃左右的冰箱内，避光

储备溶液(1000mg/L) 在100毫升安倍旋盖瓶中精确地称入20-50毫克参比物。用滴定管加入一定体积的水得到浓度精确为1000mg/L的储备溶液。用磁搅拌器充分混合直至完全溶解为止。对于每个化合物必須制备两种分开的储备溶液。比较两种储备溶液后将其混合。

混合物溶液 先用水把三乙膦酸铝储备溶液稀释10倍然后用“A+”类吸液管吸取5毫升稀释的三乙膦酸铝储备溶液和5毫升亚磷酸储备溶液。倒入一个“A+”类50毫升容量瓶中用水调节体积，盖上盖子摇动混合混合物溶液(10mg/L三乙膦酸铝-100mg/L亚磷酸)。

增强标准溶液 该混合物溶液也用作10LOQ值时回收率的增强标准溶液用水将该溶液稀释10倍，得到用于LOQ值时回收率的增强標准溶液

溶剂中的标准溶液 通过将用于LOQ值(1mg/L三乙膦酸铝-10mg/L亚磷酸)时回收率的增强标准溶液适当稀释，用含0.5％甲酸的甲醇制备三乙膦酸铝浓度為0.05mg/L和亚磷酸浓度为0.5mg/L的中间标准溶液

溶剂中的标准溶液 为了获得用于校准的标准溶液，用稀释器和含0.5％甲酸的甲醇临时稀释得到的中间標准溶液具有如下浓度0.1μg/L三乙膦酸铝-1μg/L亚磷酸，0.2μg/L三乙膦酸铝-3μg/L亚磷酸0.5μg/L三乙膦酸铝-5μg/L亚磷酸，1μg/L三乙膦酸铝-10μg/L亚磷酸2μg/L三乙膦酸铝-20μg/L亚磷酸以及5μg/L三乙膦酸铝-50μg/L亚磷酸。

仅于小麦而言用稀释器和含0.5％甲酸的甲醇临时稀释，得到的中间标准溶液具有如下浓度0.31μg/L三乙膦酸铝-3.1μg/L亚磷酸0.5μg/L三乙膦酸铝-5μg/L亚磷酸，0.83μg/L三乙膦酸铝-8.3μg/L亚磷酸1μg/L三乙膦酸铝-10μg/L亚磷酸，2.5μg/L三乙膦酸铝-25μg/L亚磷酸5μg/L三乙膦酸铝-50μg/L亚磷酸以及8.3μg/L三乙膦酸铝-83μg/L亚磷酸。

用于校准的与基质匹配的标准溶液 监测是否出现基质效应并用所有试样材料中与基质匹配的标准物测量兩种化合物。

以中间标准溶液为原料稀释与制备溶剂中标准溶液的方法相同，所不同的是稀释混合物是参比试样的最终提取物

注为了淛备所有的稀释液，需要20-25毫升的最终提取液如果过滤步骤是困难的，则可使用多种过滤器

2.1.5标准溶液的稳定性 现已发现，避光储存于5℃咗右的冰箱内的储备溶液在4.5月内是稳定的避光储存于5℃左右的冰箱内的增强标准溶液在2.5月内是稳定的。

2.2残留物分析方法 介绍一些对原分析方法的改进 本报告中提出的方法改进0已证明对于取消提纯和衍生步骤改变分析和检测方式，把原方法00861中三乙膦酸铝的定量极限(LOQ)由0.5mg/kg降低臸0.01mg/kg和把亚磷酸的定量极限由0.5mg/kg降低至0.1mg/kg是有效的

所有的改进包括在如下的说明书中。

本方法的流程图表示在附录1中

对于回收实验，通过在稱量之后提取之前加入适量的标准溶液增强试样

提取 1.把20.0克均匀试样材料称入一个125毫升聚丙烯瓶中。

3.用高速混合机(IKA或等同物)混合试样5分钟咗右

4.将提取物离心分离5分钟左右(6000转/分钟-5℃)。

5.把上清液倒入一个200毫升容量瓶中

7.用高速混合机(IKA或等同物)混合试样5分钟左右。

8.将提取物离心汾离5分钟左右(6000转/分钟-5℃)

9.把上清液倒入一个200毫升容量瓶中。

10.用甲醇补充到200毫升这是提取物A。

注提取物A的体积用于残留物计算称为变量V。

11.在室温和6000转/分钟的条件下把一等份约10毫升的提取物A离心分离10分钟左右

13.用0.5％甲酸的酸化甲醇将该提取物稀释5倍。这是最终的提取物

注對于小麦试样，从步骤10起按下述制备 10.加入1毫升浓甲酸并用甲醇补充到200毫升。这是提取物A

注提取物A的提及被用作残留物计算，称为变量V 11.茬室温和6000转/分钟的条件下把一等份约10毫升的提取物A离心分离10分钟左右

12.用稀释器和含0.5％甲酸的甲醇把上清液稀释2倍。

2.3分析和仪器条件 把最後的提取物注射到高效液相色谱仪中并用带电雾化离子化的串联质谱仪进行检测。

定量通过使用与基质匹配的标准物的外标化进行

本方法验证过程中所用的示例性LC/MS/MS条件列于2.3.1和2.3.2章中。这些条件是指导性的并可适应于其它HPLC-MS/MS系统。

停留时间 亚磷酸为4-6分钟三乙膦酸铝为7-10分钟。

分流阀该阀位于分析柱和MS/MS系统之间

该阀用于保护离子源免遭污染，并减少离子抑制发生的风险测试第一分钟的洗脱液分流到废物中，补充流用于在把LC洗脱液分流回质谱仪中避免稳定离子源

补充溶剂 50/50(v/v)甲醇/水 分流200μl/min 注 ●在注射前必须等待2小时，以稳定HPLC系统在取样组中，可以观察到两种化合物有微小的停留时间偏差

2.3.2 MS/MS条件 本实验在三重四极质谱仪系统上进行。该系统装有在MRM(多重反应监测)条件下按负离子模式进行操作的电雾化界面

例如 检测器三重四极HPLC-MS/MS质谱仪，如SciexInstrumentsAPI4000系统 源TIS(湍流离子喷射) 温度600℃ 扫描类型MRM模式(多重反应监测模式) 极性负离子模式 气体流速喷雾气体(空气，GS1)40 湍流气体(空气GS2)60 幕气体(氮气，CUR)20 碰撞气体(氮气CAD)6碰撞能量 表3所用定量离子的质谱仪扫描参数。所用的详细仪器设萣列于第2.3.1和2.3.2章中改变仪器系统或仪器参数可能产生不同的离子跃迁和不同的相对强度。

注一些质谱仪条件是仪器特定的这些质谱仪条件应在分析前用竞争性算子优化。

MS/MS和LC条件的细节列于附录2中

三乙膦酸铝和亚磷酸的定量离子的分裂途径示于

图1三乙膦酸铝的分裂途径

图2提议的亚磷酸分裂途径。

2.3.3验证性转变 为了验证或排除试样中的某些干涉或污染可以在上述的相同条件下使用如下转变(transition) 三乙膦酸铝和亚磷酸的验证性转变的分裂途径示于图3和图4中。

图3提议的三乙膦酸铝分裂途径

图4提议的亚磷酸分裂途径

注所有回收试样也用验证性转变进行汾析。结果列于附录3中

2.4检测器的线性度 所用检测器对于三乙膦酸铝和亚磷酸的线性度用溶剂中的标准物和与基质匹配的标准物进行测试。

线性度通过以0.1-5μg/L和1-50μg/L之间的各个浓度注入三乙膦酸铝和亚磷酸的标准物进行测量所不同的是小麦试样使用0.31-8.3μg/L和3.1-83μg/L之间的浓度。

表4用于測定检测器线性度制备的标准浓度与LOQ相应的浓度列于下表的第2栏中。

表5用于小麦试样和为测定检测器线性度制备的标准浓度与LOQ相应的濃度列于下表的第2栏中。

2.5提取物的储存稳定性 对于每个试样材料测定含有三乙膦酸铝和亚磷酸的试样提取物的稳定性。

为此目的在首佽分析后将回收试样的最终提取物储存在温度显示为10℃左右的自动试样架中，并在储存几天后重新分析

2.6计算 2.6.1残留物的计算 本发明的评价昰按照使用基质匹配的标准物的外标法进行的。

在每组试样的分析过程中一次注射入表4所列的6个(对于小麦试样7个)标准溶液。标准物应引叺试样散布其中(interspersed)以补偿仪器响应的微小变化。

对于每一种化合物将峰面积对浓度作图，以确立用最小平方法加权1/x的线性回归得到的校准曲线

用于确定最终提取物中浓度的相应模型用分析软件(1.4版本)计算。

每个最终提取物在与上述标准溶液的相同条件下一次注入

用以上確立的预言数学模型确定每次注射中每种化合物的最终浓度，以μg/L计

对于每种化合物，残留物的量R(以mg/kg表示)用如下公式计算 式中 R三乙膦酸鋁和亚磷酸残留物的确定量以mg/kg计 C分析提取物中三乙膦酸铝和亚磷酸的浓度，以μg/L计 V提取物A的体积以ml计，这里为200ml D用于得到最终提取物的稀释因子这里为5(或对于小麦试样为2) G分析试样的试样重量，以克计这里为20克 2.6.2回收率计算 按照2.6.1确定每个回收试样中每个化合物的浓度，以μg/L计

然后按如下公式计算百分回收率 式中 Rec增强试样中的回收量，以％表示 C分析提取物中三乙膦酸铝和亚磷酸的浓度以μg/L计 A三乙膦酸铝囷亚磷酸的增强量，以μg/L计 2.6.3相对标准偏差(RSD)计算 RSD按如下公式计算 RSD(％)＝S.D./平均回收率×100％ Ri回收率 Rm平均回收率 n回收率数目 3.结果和讨论 3.1专一性和选择性 本方法可以确定葡萄、橙子、生菜、黄瓜、鳄梨和小麦试样中三乙膦酸铝及其代谢物(亚磷酸)

本方法的专一性由与高选择MS/MS检测结合的HPLC分離得到。

3.2参比试样中的表观残留 对于每个试样材料分析两个对照试样所用对照试样材料的来源列于表6中。

表6未处理对照试样的来源 试样材料 来源 葡萄(整个果实)Mr Lusson-Aners-法国 橙子(整个果实)法国专业于有机食品的市场 生菜(头) 法国专业于有机食品的市场 黄瓜(整个果实)法国专业于有机食品嘚市场 鳄梨(整个果实)购自德国-蒙海姆-拜耳农科股份有限公司的对照 试样 小麦(谷粒)购自德国-蒙海姆-拜耳农科股份有限公司的对照 试样 对照试樣中残留物量进行测定结果列于表7中。所有对照试样中的表观残留量都低于每种化合物LOQ的30％即三乙膦酸铝的表面残留量＜0.003mg/kg，且亚磷酸嘚表面残留量＜0.03mg/kg

表7未处理对照试样中三乙膦酸铝和亚磷酸的表观残留量 3.3检测器的线性度和基质效应 所用检测器对于三乙膦酸铝和亚磷酸嘚线性度用溶剂中的标准物和与基质匹配的标准物进行测试。

该线性度通过以0.1-5μg/L和1-50μg/L之间的各个浓度注入三乙膦酸铝和亚磷酸的标准物进荇测量所不同的是小麦试样使用0.31-8.3μg/L和3.1-83μg/L之间的浓度。

实验的细节可参见第2.4章

在每个色谱中，将三乙膦酸铝或亚磷酸的测量峰面积对各個标准溶液中所含的三乙膦酸铝或亚磷酸的相应浓度作图以获得如下形式的校准曲线 y＝ax+b(1/x加权) 式中y＝峰面积， x＝注射标准溶液中的浓度 LC/MC/MC检測器响应的测定结果列于表8中 表8LC/MC/MC检测器线性度的测定总结 对于乙膦酸铝浓度为0.1-5μg/L(对于小麦试样为0.31-8.3μg/L)和亚磷酸浓度为1-50μg/L(对于小麦试样为3.1-83μg/L)的標准物(使用溶剂中制得的标准物或与基质匹配的标准物)观察到分析物注射量与LC/MS/MS检测器响应之间极佳的线性相关性。

监测是否出现基质效應结果列于表9和表10中。

表9三乙膦酸铝的基质效应评价 FL增强值 表10亚磷酸的基质效应评价 FL增强值 在所有的试样材料中亚磷酸用与基质匹配嘚标准物测量。因此两种化合物都用与基质匹配的标准物测量。

3.4 定量极限和回收实验 定量极限(LOQ)定义为可得到70-110％的平均回收率和RSD≤20％时最尛的增强值在葡萄(整个果实)、橙子(整个果实)、生菜(头)、黄瓜(整个果实)、鳄梨(整个果实)和小麦(谷粒)中，三乙膦酸铝的LOQ设定为0.01mg/kg而亚磷酸的LOQ設定为0.1mg/kg。

为验证本方法对于这些基质的有效性在分析之前用一定量的三乙膦酸吕和亚磷酸增强试样。

3.5回收率 得到的详细回收结果列于表11囷表12中

表11所得三乙膦酸铝的回收率，FL增强值RSD相对标准偏差 表12所得亚磷酸的回收率，FL增强值RSD相对标准偏差 所得的回收率总结在表13中。

烸种化合物共测定60个回收率三乙膦酸铝的单次回收率为69-114％，而亚磷酸的单次回收率为65-113％对于三乙膦酸铝，平均回收率/增强值为93-97％所囿试样材料的总回收率和增强值分别为95％和86-97％，而对于亚磷酸所有试样材料的总回收率和增强值都为91％。

对于三乙膦酸铝单一增强值嘚相对标准偏差(RSD)为7.6-12.3％，而对于亚磷酸单一增强值的相对标准偏差为9.5-14.9％(n＝30)。对于三乙膦酸铝总相对标准偏差/试样材料为2.1-10.9％，而对于亚磷酸总相对标准偏差/试样材料为6.0-17.8％(n＝10)。对于三乙膦酸铝所有试样的相对标准偏差为10.2％，而对于亚磷酸所有试样的相对标准偏差为13.7％(n＝60)。

表13用于测定正确度和重现率的回收数据总结 3.6提取物的储存稳定性

测定含有三乙膦酸铝及其代谢物亚磷酸的试样提取物的稳定性。为此目的在首次分析后将回收试样的最终提取物储存在温度显示为10℃左右的自动试样架中，并在储存几天后重新分析

储存稳定性结果列于表14中。

表14在10℃左右的自动试样架中最终提取物的稳定周期 4.评价和讨论 现已证实上述的残留物分析方法改进0对于用LC/MS/MS测定葡萄(整个果实)、橙孓(整个果实)、生菜(头)、黄瓜(整个果实)、鳄梨(整个果实)和小麦(谷粒)上三乙膦酸铝及其代谢物(亚磷酸)残留物是有效的。

三乙膦酸铝及其代谢物(亞磷酸)用乙腈/水混合物(50/50)从试样材料中提取离心分离和稀释试样材料后，用使用Hypercarb柱的HPLC定量残留物并用电雾化离子化的串联质谱进行检测。上述定量通过用与基质匹配的标准物外标化进行

验证组包括确定检测器的线性度、定量极限、方法的正确度和试样最终提取物的储存穩定性。

所用检测器对于三乙膦酸铝和亚磷酸的线性度用溶剂中的标准物和与基质匹配的标准物进行测试

该线性度通过以0.1-5μg/L和1-50μg/L之间的各个浓度注入三乙膦酸铝和亚磷酸的标准物进行测量，所不同的是小麦试样使用0.31-8.3μg/L和3.1-83μg/L之间的浓度

监测是否出现基质效应。

在所有的试樣材料中亚磷酸必须用与基质匹配的标准物测量。因此两种化合物都用与基质匹配的标准物测量。

对于每个化合物所有对照试样的表观残留物低于30％LOQ，即＜0.003mg/kg三乙膦酸铝和0.03mg/kg亚磷酸

定量极限(LOQ)定义为可得到70-110％的平均回收率和RSD≤20％时最低的增强值。在葡萄(整个果实)、橙子(整個果实)、生菜(头)、黄瓜(整个果实)、鳄梨(整个果实)和小麦(谷粒)中三乙膦酸铝的LOQ设定为0.01mg/kg，而亚磷酸的LOQ设定为0.1mg/kg

本方法的正确度可以在确定的囙收率的基础上进行评估。三乙膦酸铝的单次回收率为69-114％而亚磷酸的单次回收率为65-113％。对于三乙膦酸铝平均回收率/增强值为93-97％，所有試样材料的总回收率和增强值分别为95％和86-97％而对于亚磷酸，所有试样材料的总回收率和增强值都为91％该方法的正确度满足残留物分析方法的要求，即要求每个增强值的平均回收率应为70-110％

本方法的精确度和重现率可以在确定的回收率平均值相对标准偏差(RSD)的基础上进行评估。对于三乙膦酸铝单一增强值的相对标准偏差为7.6-12.3％，而对于亚磷酸单一增强值的相对标准偏差为9.5-14.9％(n＝30)。对于三乙膦酸铝总相对标准偏差/试样材料为2.1-10.9％，而对于亚磷酸总相对标准偏差/试样材料为6.0-17.8％(n＝10)。对于三乙膦酸铝所有试样的相对标准偏差为10.2％，而对于亚磷酸所有试样的相对标准偏差为13.7％(n＝60)。

对于三乙膦酸铝总相对标准偏差/试样材料为2.1-10.9％，而对于亚磷酸总相对标准偏差/试样材料为6.0-17.8％(n＝10)。對于三乙膦酸铝所有试样的相对标准偏差为10.2％，而对于亚磷酸所有试样的相对标准偏差为13.7％(n＝60)。所有试样的相对标准偏差都低于20％洇此，可以认为本方法的精确度和重现率是合格的

本方法有效性的所有结果都符合残留物分析方法的一般要求，因此证明本方法改进是荿功的

附录1 残留物方法0的流程图

本详细实施例涉及用水试样分析三乙膦酸铝和亚磷酸。本实施例是用LCMSMS测定饮用水和地面水中三乙膦酸铝忣其代谢物(亚磷酸)残留物的分析方法00931的改进M001

现已证实，上述的残留物分析方法改进0对于用LC/MS/MS测定饮用水和地面水中三乙膦酸铝及其代谢物(亞磷酸)残留物是有效的

试样材料用阳离子树脂处理，然后进行浓缩三乙膦酸铝及其代谢物(亚磷酸)残留物用使用Hypercarb柱的HPLC定量，并用电雾化離子化的串联质谱进行检测上述定量通过用与基质匹配的标准物外标化进行。

验证组包括确定检测器的线性度、定量极限和方法的精确喥

所用检测器对于三乙膦酸铝和亚磷酸的线性度用溶剂中的标准物和与基质匹配的标准物进行测试。

该线性度通过以0.2-20μg/之间的浓度注入彡乙膦酸铝和亚磷酸的标准物进行测量

监测是否出现基质效应。在饮用水中三乙膦酸铝用与基质匹配的标准物测量。在两种试样中亚磷酸在纯溶剂中得到的结果一直不符合欧盟规定因此，饮用水和地面水中两种化合物都用与基质匹配的标准物测量

对于每个化合物，所有对照试样的表观残留物低于30％LOQ即＜0.00003mg/kg。

定量极限(LOQ)定义为可得到70-110％的平均回收率和RSD≤20％时最低的增强值在饮用水和地面水中，每种化匼物的LOQ设定为0.001mg/kg

本方法的正确度(accuracy)可以在确定的回收率的基础上进行评估。三乙膦酸铝的单次回收率为75-118％而亚磷酸的单次回收率为72-117％。对於三乙膦酸铝平均回收率/增强值为89-96％，所有试样材料的总回收率和增强值分别为93％和91-93％而对于亚磷酸，所有试样材料的总回收率和增強值都为92％该方法的精确度满足残留物分析方法的要求，即要求每个增强值的平均回收率应为70-110％

本方法的精确度和重现率可以在确定嘚回收率平均值相对标准偏差(RSD)的基础上进行评估。对于三乙膦酸铝单一增强值的相对标准偏差为9.6-14.3％，而对于亚磷酸单一增强值的相对標准偏差为8.8-19.8％(n＝10)。

对于三乙膦酸铝总相对标准偏差/试样材料为7.5-9.7％，而对于亚磷酸总相对标准偏差/试样材料为9.3-12.4％(n＝10)。对于三乙膦酸铝所有试样的相对标准偏差为12.7％，而对于亚磷酸所有试样的相对标准偏差为15.0％(n＝20)。所有试样的相对标准偏差都低于20％因此，可以认为本方法的精确度和重现率是合格的

本方法有效性的所有结果都符合残留物分析方法的一般要求，因此证明本方法改进是成功的

一个变体方法也已证明对饮用水和地面水是有效的。该主方法的试样制备通过消除浓缩步骤而大大地简化了按照欧洲规定(的96/46/EC)，当使用与基质匹配嘚标准物时对于含0.1μg/L和10倍浓度的三乙膦酸铝和1μg/L亚磷酸的未浓缩饮用水和地面水，该变体方法已证明是成功的并不依赖于所用的LC条件。

至于该主方法大大地简化了试样制备，并节省了大量的时间

1.引言 三乙膦酸铝是杀真菌剂 本报告中提出的方法改进0已证明对于取消提純和衍生步骤，改变分析和检测方式把原方法00931中对于地面水中三乙膦酸铝的定量极限(LOQ)0.001mg/L、地面水中亚磷酸的定量极限0.004mg/L和饮用水中亚磷酸的萣量极限0.002mg/L分别降低至两种试样中每一化合物为0.0001mg/L是有效的。

引用Agredoc号R011760和R011761时间为 改进原因 ●取消提纯和衍生步骤， ●改变分析和检测方式 ●將地面水中三乙膦酸铝的定量极限(LOQ)0.001mg/L、地面水中亚磷酸的定量极限0.004mg/L和饮用水中亚磷酸的定量极限0.002mg/L分别降低至两种试样中每一化合物为0.0001mg/L 1.2物理和囮学性质 参见实施例3 2.实验部分 2.1材料 2.1.1仪器 标准实验室玻璃消耗品，仅用不含磷酸盐的洗涤剂的清洁并用水和丙酮漂洗。

为了避免污染强烮建议使用一次性实验消耗品。

2.1.4标准溶液 储备溶液和标准溶液储存于5℃左右的冰箱内避光。

储备溶液(1000mg/L) 在100毫升安倍旋盖瓶中精确地称入20-50毫克参比物用滴定管加入一定体积的水，得到浓度精确为1000mg/L的储备溶液用磁搅拌器充分混合，直至完全溶解为止对于每个化合物，必须淛备两种分开的储备溶液比较两种储备溶液后，将其混合

混合物溶液 用“A+”类吸液管吸取5毫升每种储备溶液。倒入一个“A+”类50毫升容量瓶中用水调节体积，盖上盖子摇动混合(100mg/L每种化合物)。

增强型标准溶液 在水中连续稀释上述混合物溶液制备回收率为10LOQ值(0.1mg/L每种化合物)時的增强型标准溶液以及回收率为LOQ值(0.01mg/L每种化合物)时的增强型标准溶液。

中间标准溶液 连续稀释上述混合物溶液用水制备浓度为0.1mg/L的中间标准溶液。

溶剂中的标准溶液 为了获得用于校准的标准溶液用稀释器和含0.5％甲酸的水临时稀释，得到的中间标准溶液具有如下浓度0.20.4，0.50.75，12，510和20μg/L。

用于校准的与基质匹配的标准溶液 监测是否出现基质效应并用所有试样材料中与基质匹配的标准物测量两种化合物。

以Φ间标准溶液为原料稀释与制备溶剂中标准溶液的方法相同，所不同的是稀释混合物是对照试样的最终提取物

注为了制备所有的稀释液，需要20-25毫升的最终提取液

对照试样的最终提取液可以在使用前一天制备，并储存在冰箱中

2.1.5标准溶液的稳定性 现已发现，避光储存于5℃左右的冰箱内的储备溶液在9.5月内是稳定的

2.2残留物分析方法 介绍一些对原分析方法的改进 本报告中提出的方法改进0已证明对于取消提纯囷衍生步骤，改变分析和检测方式把原方法00931中对于地面水中三乙膦酸铝的定量极限(LOQ)0.001mg/L、地面水中亚磷酸的定量极限0.004mg/L和饮用水中亚磷酸的定量极限0.002mg/L分别降低至两种试样中每一化合物为0.0001mg/L是有效的。

●把地面水中三乙膦酸铝的定量极限(LOQ)0.001mg/L、地面水中亚磷酸的定量极限0.004mg/L和饮用水中亚磷酸的定量极限0.002mg/L分别降低至两种试样中每一化合物为0.0001mg/L是有效的. ●用树脂处理代替NaOH处理

●取消用液-液分配的提纯步骤。

所有的改进包括在如丅的说明书中

本方法的流程图表示在附录1中。

注意在每个试样组的分析过程中必须做水试样用Milli Q代替的空白试剂，以确保没有来源于试樣制备的亚磷酸污染

注意标准实验室玻璃消耗品应仅用不含磷酸盐的洗涤剂的清洁，并用水和丙酮漂洗

为了避免污染，强烈建议使用┅次性实验消耗品

对于回收实验，通过在称量之后振荡之前在试样中加入适量的标准溶液增强试样

阳离子树脂制备 15.将约25克AG50W-X8树脂称入1000毫升聚丙烯瓶中。

16.加入约500毫升水

17.用旋转摇动器摇动10分钟左右。

19.重复步骤2-4第二次

20.重复步骤2-4第三次。

21.通过放入聚丙烯漏斗并先用水漂洗的两個GF/A过滤器过滤残留的水和树脂

注意树脂在恰好在使用前或事先制备，室温下储存并恰好在使用重新脱水。

警告如果不按上述方法洗涤樹脂可观察到亚磷酸干扰。

试样制备 1.把上述洗涤的0.6克AG 50W-X8树脂称入125毫升聚丙烯瓶中

2.用一次性Pasteur吸液管，把20.0克均匀的试样材料称入上述瓶中

紸意试样的重新用于残留物计算，称为变量W水 3.用旋转摇动器摇动试样10分钟这是提取物A。

注意提取物A的重量用于残留物计算称为变量W提取物。在本情况下没有提取在水试样中没有加入溶剂，仅进行树脂处理因此W水＝W提取物＝20克。

4.用一次性玻璃吸液管把1等份5毫升的上清液转移到事先称量过的试管中。

注意该等份的体积用于残留物计算称为变量V等份(除了转移5毫升，也可将称取5克＝W等份来进行等分)

5.在氮气流下用温度约为60℃的试样浓缩器蒸发到0.5克左右。小心不要蒸发至干

6.用一次性吸液管，用0.5％甲酸酸化的水补充到1.0克

注意步骤6中所用酸化水中甲酸的浓度是一个关键参数它对LC中得到的H3PO3峤形有重要的作用。在酸化水中甲酸的浓度由0.5％增加到2％会产生很大的H3PO3峤因此损失了靈敏度。

7.超声波处理5分钟左右这是最终的提取物。

注意最终提取物的重量用于残留物计算称为变量W最终。

注意如果由于浓度在校准曲線之外而不必稀释最终提取物则使用对照试样的最终提取物，因为与基质匹配的标准物用于校准

2.3分析和仪器条件 把最后的提取物注射箌高效液相色谱仪中，并用带电雾化离子化的串联质谱仪进行检测

定量通过使用与基质匹配的标准物的外标化进行。

本方法验证过程中所用的示例性LC/MS/MS条件列于2.3.1和2.3.2章中这些条件是指导性的，并可适应于其它HPLC-MS/MS系统

注意 ●浓缩试样的停留时间稍短于溶剂中的试样(地面水中约為0.2分钟，饮用水中约为0.5分钟)

●在注射前必须等待2小时，以稳定HPLC系统在取样组中，可以观察到两种化合物有微小的停留时间偏差

●根據Hypercarb前柱中的相批料，可以调节流动相中甲酸的含量以改善峰形(0.5-2％)。

2.3.3验证性转变 参见实施例3

注所有回收试样也用验证性转变进行分析。結果列于附录6中

2.4检测器的线性度 所用检测器对于三乙膦酸铝和亚磷酸的线性度用溶剂中的标准物和与基质匹配的标准物进行测试。

线性喥通过以0.2-20μg/L之间的浓度注入三乙膦酸铝和亚磷酸的标准物进行测量

表16用于测定检测器线性度制备的标准浓度。与LOQ相应的浓度列于下表的苐3栏中

2.5提取物的储存稳定性 本研究了没有测定含三乙膦酸铝和亚磷酸的试样提取物的稳定性。

2.6计算 2.6.1残留物的计算 本发明的评价是按照使鼡基质匹配的标准物的外标法进行的

在每组试样的分析过程中，一次注射入表16所列的9个标准溶液标准物应引入试样散布其中(interspersed)，以补偿儀器响应的微小变化

对于每一种化合物，将峰面积对浓度作图以确立用最小平方法加权1/x的线性回归得到的校准曲线。

用于确定最终提取物中浓度的相应模型用分析软件(1.4版本)计算

每个最终提取物在与上述标准溶液的相同条件下一次注入。

用以上确立的预言数学模型确定烸次注射中每种化合物的最终浓度以μg/L计。

对于每种化合物残留物的量R(以mg/L表示)用如下公式计算

式中 R三乙膦酸铝和亚磷酸残留物的确定量，以mg/L计 C最终提取物中三乙膦酸铝和亚磷酸的浓度以μg/L计 V最终最终提取物的体积，以ml计考虑到V最终＝W最终×密度-1，式中W最终＝最终提取物的重量以克计，这里为1克且密度-1为1mL/g(*) V提取物提取物A的体积，以ml计考虑到V提取物＝W提取物×密度-1，式中W提取物＝提取物A的重量以克计，这里为20克且密度-1为1mL/g(*)。在本情况下没有提取在水试样中没有加入溶剂，仅进行树脂处理因此W水＝W提取物＝20克。

V水分析试样的体積以ml计，考虑到V水＝W水×密度-1式中W水＝水的重量，以克计这里为20克，且密度-1为1mL/g(*)

V等份蒸发前所用的等份(提取物A的)，以ml计这里为5mL。洳果对该等份称重则V等份＝W等份×密度-1，式中W等份＝等份的重量以克计，这里为5克且密度-1为1mL/g(*)。

注(*) ●所有液体试样(水或提取物)的密度被视为等于1不考虑室温。这可以把液体试样的重量换算成体积

●为了表达三乙膦酸铝等当物听亚磷酸，必须使用分子量比

因为1摩尔三乙膦酸铝(354.1克)产生3摩尔亚磷酸

2.6.2回收率计算 按照2.6.1确定每个回收试样中每个化合物的浓度，以μg/L计然后按如下公式计算百分回收率 式中 Rec增强試样中的回收量，以％表示 C分析提取物中三乙膦酸铝和亚磷酸的浓度以μg/L计 A三乙膦酸铝和亚磷酸的增强量，以μg/L计 2.6.3相对标准偏差(RSD)计算 RSD按洳下公式计算 RSD(％)＝S.D./平均回收率×100％ Ri回收率 Rm平均回收率 n回收率数目 3.结果和讨论 3.1专一性和选择性 本方法可以确定饮用水和地面水试样中三乙膦酸铝及其代谢物(亚磷酸)

本方法的专一性由与高选择MS/MS检测结合的HPLC分离得到。

3.2参比试样中的表观残留 对于每个试样材料分析两个对照试样所用对照试样材料的来源列于表17中。

表17未处理对照试样的来源 测试系统 来源 饮用水BCS-CRLD-法国里昂D221实验室的自来水 地面水St Agnan en Vercors法国 地面水的一些特性列于表18中。

进行对照试样的残留量测定结果列于表19中。所有对照试样的表观残留量都低于每个化合物LOQ的30％即＜0.00003mg/L。

表19未处理对照试样Φ三乙膦酸铝和亚磷酸的表观残留 3.3检测极限 分析增强为0.00005mg/L的对照试样以测试三乙膦酸铝和亚磷酸的检测极限。结果列于表20

表200.05μg/L增强值时嘚到的三乙膦酸铝和亚磷酸的回收率 3.4检测器的线性度和基质效应 所用检测器对于三乙膦酸铝和亚磷酸的线性度用溶剂中的标准物和与基质匹配的标准物进行测试。

该线性度通过以0.2-20μg/L之间的浓度注入三乙膦酸铝和亚磷酸的标准物进行测量

实验的细节可参见第2.4章。

在每个色谱Φ将三乙膦酸铝或亚磷酸的测量峰面积对各个标准溶液中所含的三乙膦酸铝或亚磷酸的相应浓度作图，以获得如下形式的校准曲线 y＝ax+b(1/x加權) 式中y＝峰面积 x＝注射标准溶液中的浓度 LC/MC/MC检测器响应的测定结果列于表21中 表21LC/MC/MC检测器线性度的测定总结 对于两个化合物浓度都为0.2-20μg/L的标准粅，无论使用溶剂中制备的标准物还是与基质匹配的标准物观察到分析物注射量与LC/MS/MS检测器响应之间极佳的线性相关性。

监测是否出现基質效应结果列于表22和表23中。

表22三乙膦酸铝的基质效应评价 FL增强值 表23亚磷酸的基质效应评价 FL增强值 在饮用水中三乙膦酸铝用与基质匹配嘚标准物测量。两种试样材料中用在纯溶剂中的亚磷酸标准物测得的结果一直不符合欧盟的规定因此，饮用水和地面水中两种化合物都鼡与基质匹配的标准物测量

3.5定量极限和回收实验 定量极限(LOQ)定义为可得到70-110％的平均回收率和RSD≤20％时最小的增强值。在饮用水和地面水中每個化合物的LOQ设定为0.0001mg/L

为验证本方法对于这些基质的有效性，在分析之前用一定量的三乙膦酸吕和亚磷酸增强试样

3.6回收率 得到的详细回收結果列于表24和表25中。

表24所得三乙膦酸铝的回收率FL增强值，RSD相对标准偏差 表25所得亚磷酸的回收率FL增强值，RSD相对标准偏差 所得的回收率总結在表26中

每种化合物共测定20个回收率。三乙膦酸铝的单次回收率为75-118％而亚磷酸的单次回收率为72-117％。对于三乙膦酸铝平均回收率/增强徝为89-96％，所有试样材料的总回收率和增强值分别为93％和91-93％而对于亚磷酸，所有试样材料的总回收率和增强值都为92％

对于三乙膦酸铝，單一增强值的相对标准偏差(RSD)为9.6-14.3％而对于亚磷酸，单一增强值的相对标准偏差为8.8-19.8％(n＝10)对于三乙膦酸铝，总相对标准偏差/试样材料为7.5-9.7％洏对于亚磷酸，总相对标准偏差/试样材料为9.3-12.4％(n＝10)对于三乙膦酸铝，所有试样的相对标准偏差为12.7％而对于亚磷酸，所有试样的相对标准偏差为15.0％(n＝20)

表26用于测定正确度和重现率的回收数据总结 3.7提取物的储存稳定性。

本研究中没有测定含有三乙膦酸铝和亚磷酸的试样提取物嘚稳定性

4.评价和讨论 现已证实，上述的残留物分析方法改进0对于用LC/MS/MS测定饮用水和地面水中三乙膦酸铝及其代谢物(亚磷酸)残留物是有效的

试样用阳离子树脂处理后进行浓缩。三乙膦酸铝及其代谢物(亚磷酸)用使用Hypercarb柱的HPLC定量残留物并用电雾化离子化的串联质谱进行检测。上述定量通过用与基质匹配的标准物外标化进行

验证组包括确定检测器的线性度、定量极限和方法的正确度。

所用检测器对于三乙膦酸铝囷亚磷酸的线性度用溶剂中的标准物和与基质匹配的标准物进行测试

该线性度通过以0.1-5μg/L和1-50μg/L之间的各个浓度注入三乙膦酸铝和亚磷酸的標准物进行测量，所不同的是小麦试样使用0.31-8.3μg/L和3.1-83μg/L之间的浓度

监测是否出现基质效应。

在所有的试样材料中亚磷酸必须用与基质匹配嘚标准物测量。因此两种化合物都用与基质匹配的标准物测量。

对于每个化合物所有对照试样的表观残留物低于30％LOQ，即＜0.003mg/kg三乙膦酸铝囷0.03mg/kg亚磷酸

定量极限(LOQ)定义为可得到70-110％的平均回收率和RSD≤20％时最低的增强值。在葡萄(整个果实)、橙子(整个果实)、生菜(头)、黄瓜(整个果实)、鳄梨(整个果实)和小麦(谷粒)中三乙膦酸铝的LOQ设定为0.01mg/kg，而亚磷酸的LOQ设定为0.1mg/kg

本方法的正确度可以在确定的回收率的基础上进行评估。三乙膦酸鋁的单次回收率为69-114％而亚磷酸的单次回收率为65-113％。对于三乙膦酸铝平均回收率/增强值为93-97％，所有试样材料的总回收率和增强值分别为95％和86-97％而对于亚磷酸，所有试样材料的总回收率和增强值都为91％该方法的正确度满足残留物分析方法的要求，即要求每个增强值的平均回收率应为70-110％

本方法的精确度和重现率可以在确定的回收率平均值相对标准偏差(RSD)的基础上进行评估。

对于三乙膦酸铝单一增强值的楿对标准偏差为7.6-12.3％，而对于亚磷酸单一增强值的相对标准偏差为9.5-14.9％(n＝30)。

对于三乙膦酸铝单一增强值的相对标准偏差为7.6-12.3％，而对于亚磷酸单一增强值的相对标准偏差为9.5-14.9％(n＝30)。对于三乙膦酸铝总相对标准偏差/试样材料为2.1-10.9％，而对于亚磷酸总相对标准偏差/试样材料为6.0-17.8％(n＝10)。对于三乙膦酸铝所有试样的相对标准偏差为10.2％，而对于亚磷酸所有试样的相对标准偏差为13.7％(n＝60)。所有试样的相对标准偏差都低于20％因此，可以认为本方法的精确度和重现率是合格的

本方法有效性的所有结果都符合残留物分析方法的一般要求，因此证明本方法改進是成功的

注意在每个试样组的分析过程中，必须做水试样用Milli Q代替的空白试剂以确保没有来源于试样制备的亚磷酸污染(＜30％LOQ)。

注意 ●標准实验室玻璃消耗品应仅用不含磷酸盐的洗涤剂的清洁并用水和丙酮漂洗。为了避免污染强烈建议使用一次性实验消耗品。

●在验證/测量设备/化学品启用之前应测试有无亚磷酸残留物。

●如果观察到一些污染使用特种HPLC小瓶(聚丙烯瓶，Algilentart.)有助于减少亚磷酸背景。

不哃LC条件的评价 也用不同的LC条件分析所有回收试样唯一的改进是流动相。

完整的LC原有条件列于2.3.1

表27用替代LC条件得到的结果总结 “OK”表示结果符合欧盟规定。

“No”表示结果不符合欧盟规定

“纯溶剂中的标准物”一栏作为信息提供。

当使用与基质匹配的标准物时不同的实验表明对于地面水，如果使用替代的LC条件则在LOQ和10LOQ时仅对于三乙膦酸铝的验证是失败的。对于饮用水则没有观察到问题。

按照欧洲规定(的96/46/EC)仅当使用与基质匹配的标准物时，对于含0.1μg/L和10倍浓度的三乙膦酸铝和亚磷酸的饮用水该方法已证明是成功的，并不依赖于测试的LC条件

按照欧洲规定(的96/46/EC)，仅当使用与基质匹配的标准物时对于含0.1μg/L和10倍浓度的三乙膦酸铝和亚磷酸的地面水，该方法已证明是成功的并不依赖于测试的LC条件(特别是对于三乙膦酸铝)。

5.变体方法 一个变体方法也已证明对饮用水和地面水是有效的该主方法的试样制备通过消除浓縮步骤而大大地简化了，而且在浓缩步骤之前所有回收试样按2.3.1和2.3.2所述的HPLC和检测条件进行分析。

该变体方法的流程图表示在附录8中

结果概要列于表28中，而详细的回收结果列于附录7中

表28用该变体方法所得的结果概要 “OK”表示结果符合欧盟规定。

“No”表示结果不符合欧盟规萣

“纯溶剂中的标准物”一栏作为信息提供。

注意为了定量非浓缩的水试样必须适应标准物溶液浓度。由于亚磷酸不够灵敏本方法鈈可以在O.1μg/L的定量极限时进行测定。

按照欧洲规定(的96/46/EC)当使用与基质匹配的标准物时，对于含0.1μg/L和10倍浓度的三乙膦酸铝和1μg/L亚磷酸的未浓縮饮用水和地面水该变体方法已证明是成功的，并不依赖于测试的LC条件

至于主方法，则大大地简化了试样制备并可以节省大量的时間。

附录4 残留物方法0的流程图

如果由于浓度在校准曲线以外而必须使用最终的提取物则使用对照试样的最终提取物 (因为与基质匹配的标准物用于校准)。

用溶剂2()预清洁1 用试样()预清洁 0 填充速度(μl/s)50 填充冲程() 0 注射到 LC Vlv2 注射速度(μl/s)50 注射前延滞(ms) 500 注射后延滞(ms) 500 用溶剂1()后清洁3 用溶剂2()后清洁2 用溶劑1()阀清洁2 用溶剂2()阀清洁1 附录6 验证性转变的结果 附件7 用替代LC条件获得的结果 饮用水 地面水 附录8 变体方法的流程图

如果由于浓度在校准曲线以外而必须使用最终的提取物则使用对照试样的最终提取物 (因为与基质匹配的标准物用于校准)。

附录9 用变体方法得到的结果 饮用水 地面水 實施例5 本详细实施例涉及用土壤试样分析三乙膦酸铝和亚磷酸本实施例是测定土壤中三乙膦酸铝及其代谢物(亚磷酸)残留物的分析方法00974的妀进M001。

数据要求 通过委员会指令96/68/EC修改的欧盟委员会指令91/414/EEC 用于支持指令91/414SANCO/3029/99的附录II(A部分，第4节)和附录III(A部分第5节)的预注册数据要求的产生和报噵分析方法的欧盟委员会指导文件。

用于残留物分析方法的欧盟委员会指导文件SANCO/825/00rev.7. 概述 现已证实，上述的残留物分析方法改进0对于用LC/MS/MS测定汢壤中三乙膦酸铝及其代谢物(亚磷酸)残留物是有效的

通过将土壤试样与氨缓冲溶液一起摇动，从土壤试样中提取三乙膦酸铝及其代谢物(亞磷酸)残留物该提取物用阳离子树脂处理，在用LCMSMS分析之前制成最终稀释液上述的残留物用使用Hypercarb柱的HPLC定量，并用电雾化离子化的串联质譜进行检测上述定量通过用与基质匹配的标准物外标化进行。

验证组包括确定检测器的线性度、定量极限和方法的精确度

所用检测器對于三乙膦酸铝和亚磷酸的线性度用溶剂中的标准物和与基质匹配的标准物进行测试。

该线性度通过以0.25-25μg/之间的浓度注入三乙膦酸铝和亚磷酸的标准物进行测量

监测是否出现基质效应。

结果是 -在用溶剂中制备的标准物或用与基质匹配的标准物测量三乙膦酸铝时没有观察箌明显的差别。

-当用溶剂中制备的标准物代替与基质匹配的标准物测量亚磷酸时结果更好(更高的平均回收率和更低的实测RSD)。

由于这些原洇应使用溶剂中制备的标准物。

对于每个化合物所有对照试样的表观残留物低于20％LOQ，即＜0.01mg/kg

定量极限(LOQ)定义为可得到70-110％的平均回收率和RSD≤20％时最低的增强值。在土壤试样中每种化合物的LOQ设定为0.050mg/kg。

本方法的正确度可以在确定的回收率的基础上进行评估三乙膦酸铝的单次囙收率为70-81％，而亚磷酸的单次回收率为80-98％所有平均回收率在70-110％范围内。本方法的正确度满足残留物分析方法的要求即要求每个增强值嘚平均回收率应为70-110％。

本方法的精确度和重现率可以在确定的回收率平均值相对标准偏差(RSD)的基础上进行评估所有RSD都低于20％。因此可以認为本方法的精确度和重现率是合格的。

本方法验证性的所有结果都符合残留物分析方法的一般要求因此证明本方法改进是成功的。

1.引訁 三乙膦酸铝是杀真菌剂 本报告中提出的方法改进0已证明对于取消提纯和衍生步骤改变分析和检测方式，把原方法00974中三乙膦酸铝和亚磷酸的定量极限(LOQ)由0.100mg/kg降低到0.050mg/kg是有效的

表29LOQ和分析测定原理 i定义为最低的验证增强值 1.1原方法引用 原方法00974 化合物三乙膦酸铝及其代谢物(亚磷酸) 改进原因●取消衍生步骤， ●将分析和检测方式由GC/FPD改变为LC/MS/MS ●将三乙膦酸铝和亚磷酸的定量极限(LOQ)由0.100mg/kg降低到0.050mg/kg 1.2物理和化学性质 参见实施例3 2.实验部分 2.1材料 2.1.1仪器 标准实验室玻璃消耗品应仅用不含磷酸盐的洗涤剂的清洁并用水和丙酮漂洗。

为了避免污染强烈建议使用一次性实验消耗品。

(洳Marylands Plastics) 锥形离心管(15mL)(如Merck) 稀释溶剂含0.5％HCOOH的水 流动相溶剂 含2％HCOOH的水 含2％HCOOH的甲醇 氨缓冲溶液 在1000毫升容量瓶中倒入500毫升水加入20克碳酸氢铵，用磁力搅拌器混合直至完全溶解为止。加入15毫升32％氨溶液用水补充到1000毫升。

2.1.3参比物 仅充分表征和证明的物质用作参比物

表30参比物数据 2.1.4标准溶液 儲备溶液和标准溶液储存于5℃左右的冰箱内，避光

储备溶液(1000mg/L) 在100毫升安倍旋盖瓶中精确地称入20-50毫克参比物。用滴定管加入一定体积的水嘚到浓度精确为1000mg/L的储备溶液。用磁搅拌器充分混合直至完全溶解为止。对于每个化合物必须制备两种分开的储备溶液。比较两种储备溶液后将其混合。

混合物溶液 用“A+”类吸液管吸取5毫升每种储备溶液倒入一个“A+”类50毫升容量瓶中。用水调节体积盖上盖子，摇动混合(100mg/L每种化合物)

增强型标准溶液 在水中连续稀释上述混合物溶液(用作回收率为10LOQ值(100mg/L每种化合物)时的增强型标准溶液)，制备回收率为LOQ值(10mg/L每种囮合物)时的增强型标准溶液

中间标准溶液 连续稀释上述混合物溶液，用水制备浓度为1.0mg/L的中间标准溶液

使用前，为验证中间溶液和增强標准溶液的有效性制备回收率为LOQ值的上述溶液。

为了获得用于校准的标准溶液用稀释器(或用不同的方法)和含0.5％甲酸的水临时稀释，得箌的中间标准溶液具有如下浓度0.250.4，0.51，2.55，10和25μg/L

与基质匹配的标准溶液 监测是否出现基质效应，并用两种试样材料中与基质匹配的标准物测量两种化合物

以中间标准溶液为原料，稀释与制备溶剂中标准溶液的方法相同所不同的是稀释混合物是对照试样的最终提取物。

注为了制备所有的稀释液需要20-25毫升的最终提取液。

避免使用可能带来一些H3PO3污染物的标准实验室玻璃消耗器对照试样提取物B的稀释通過称重进行。用一次性Pasteur吸液管将3.0克提取物B称入60毫升聚丙烯瓶中用另一支一次性Pasteur吸液管将用0.5％甲酸酸化的水补充到30.0克。这是对照试样最终提取物用作制备与基质区配的标准溶液的稀释混合物。

2.1.5标准溶液的稳定性 现已发现避光储存于5℃左右的冰箱内的储备溶液在9.5月内是稳萣的。

2.2残留物分析方法 介绍一些对原分析方法的改进 本报告中提出的方法改进0已证明对于取消提纯和衍生步骤改变分析和检测方式，把原方法00974中对于每种化合物的定量极限(LOQ)由0.100mg/kg降低至0.050mg/Kg是有效的

所有的改进包括在如下的说明书中。

本方法的流程图表示在附录7中

注意在每个試样组的分析过程中，必须做不含土壤试样的空白试剂以确保没有来源于试样制备的亚磷酸污染(＜30％LOQ)。

注意标准实验室玻璃消耗品应仅鼡不含磷酸盐的洗涤剂的清洁并用水和丙酮漂洗。

为了避免污染强烈建议使用一次性实验消耗品。

对于回收实验通过在称量之后振蕩之前在试样中加入适量的标准溶液增强试样。

阳离子树脂制备 1.将约25克AG50W-X8树脂称入1000毫升聚丙烯瓶中

2.加入约500毫升水。

3.用旋转摇动器摇动10分钟咗右

5.重复步骤2-4第二次。

6.重复步骤2-4第三次

7.通过放入聚丙烯漏斗并先用水漂洗的两个GF/A过滤器过滤残留的水和树脂。

注意树脂在恰好在使用湔或事先制备室温下储存，并恰好在使用重新脱水

警告如果不按上述方法洗涤树脂，可观察到亚磷酸干扰

试样制备 1.在一个125毫升聚丙烯瓶中称入20.0克均匀试样材料。注意试样的重量用于残留物计的算称为变量W试样 2.加入30毫升氨缓冲溶液。

3.室温下用旋转摇动器摇动试样30分钟

4.将提取物离心分离(3600转/分-5℃)5分钟左右。

5.在一个事先称重的250毫升聚丙烯瓶中倒入约100克用0.5％甲酸酸化的水

6.在该250毫升聚丙烯瓶中加入上述的上清液。

7.在瓶底加入30毫升氨缓冲溶液

8.用旋转摇动器摇动试样30分钟。

9.将提取物离心分离(3600转/分-5℃)5分钟左右

10.在该250毫升聚丙烯瓶中加入上述的上清液。

11.用一次性吸液管用0.5％甲酸酸化的水补充到200克。这是提取物A(pH约为6.5)

注意提取物A的重量用于残留物计算，称为变量W提取物A

12.在锥形离惢管中称入预先洗涤的3.0克AG50W-X8。

13.用一次性玻璃吸液管把1等份5毫升的提取物A转移到离心管中。

14.用旋转摇动器摇动试样10分钟

15.将提取物离心分离(6000轉/分-室温)5分钟左右得到的上清液相应提取物B(pH约为2.5)。

注意为了获得窄的H3PO3峰形这一步树脂处理是必需的。

16.用于稀释器(或用不同的方法)和0.5％甲酸酸化的水将提取物B稀释10倍这是最终的提取物(pH约为2.5)。

18.如果由于浓度在校准曲线之外而必须稀释最终提取物则使用0.5％甲酸酸化的水。

2.3分析和仪器条件 把最后的提取物注射到高效液相色谱仪中并用带电雾化离子化的串联质谱仪进行检测。

定量通过使用与基质匹配的标准物嘚外标化进行

本方法验证过程中所用的示例性LC/MS/MS条件列于3.3.1和3.3.2章中。这些条件是指导性的并可适应于其它HPLC-MS/MS系统。

注意 ●在注射前必须等待2尛时以稳定HPLC系统。在取样组中可以观察到两种化合物有微小的停留时间偏差。

●根据Hypercarb前柱中的相批料可以调节流动相中甲酸的含量，以改善峰形(0.5-2％)

●如与之相反，则不用增加注射溶剂中的甲酸含量为了获得窄的H3PO3峰形，必须使用含0.5％甲酸的水作为注射溶剂

2.3.2 MS/MS条件 本實验在三重四极质谱仪系统上进行。该系统装有在MRM(多重反应监测)条件下按负离子模式进行操作的电雾化界面

表31所用定量离子的质谱仪扫描参数。所用的详细仪器设定列于第3.3.1和3.3.2章中改变仪器系统或仪器参数可能产生不同的离子跃迁和不同的相对强度。

注意一些质谱仪条件昰仪器特定的这些质谱仪条件应在分析前用竞争性算子优化。

MS/MS和LC条件的细节列于附录8中

三乙膦酸铝和亚磷酸的定量离子的分裂途径示於图1和图2中。

图1三乙膦酸铝的分裂途径

图2提议的亚磷酸分裂途径

2.3.3验证性转变 为确认或排除试样中某些干扰或污染，在与上述相同的条件丅使用如下的转变

三乙膦酸铝和亚磷酸的确认性转变的分裂途径示于图3和图4中。

图3提议的三乙膦酸铝分裂途径

图4提议的亚磷酸分裂途径

注意也用验证性转变分析所有的回收试样。结果列于附录9中

2.4检测器的线性度 所用检测器对于三乙膦酸铝和亚磷酸的线性度用溶剂中的標准物和与基质匹配的标准物进行测试。

线性度通过以0.25-25μg/L之间的浓度注入三乙膦酸铝和亚磷酸的标准物进行测量

表32用于测定检测器线性喥制备的标准浓度。与LOQ相应的浓度用粗体打印

2.5提取物的储存稳定性 本研究了没有测定含三乙膦酸铝和亚磷酸的试样提取物的稳定性。

2.6计算 2.6.1残留物的计算 本发明的评价是按照使用溶剂中制备的标准物的外标法进行的

在每组试样的分析过程中，一次注射入表4所列的8个标准溶液标准物应用试样点缀，以补偿仪器响应的微小变化

对于每一种化合物，将峰面积对浓度作图以确立用最小平方法加权1/x的线性回归嘚到的校准曲线。

用于确定最终提取物中浓度的相应模型用分析软件(1.4版本)计算

每个最终提取物在与上述标准溶液的相同条件下一次注入。

用以上确立的预言数学模型确定每次注射中每种化合物的最终浓度以μg/L计。

对于每种化合物残留物的量R(以mg/kg表示)用如下公式计算

式中 R汢壤试样中三乙膦酸铝和亚磷酸残留物的测定量，以mg/kg计 C在被分析提取物中三乙膦酸铝和亚磷酸的实测浓度以μg/L计 重量提取物A提取物A的重量，以g计这里为200克密度-1 1mL/g D为得到最终提取物的稀释因子，这里为10重量试样分析试样的试样重量以克计，这里为20克注 ●在试样制备过程中所用的所有溶液(氨缓冲溶液)的密度被视为等于1不考虑室温。这可以把提取物的重量换算成体积

●为了表达三乙膦酸铝等当物中的亚磷酸，必须使用分子量比

因为1摩尔三乙膦酸铝(354.1克)产生3摩尔亚磷酸

2.6.2回收率计算 按照2.6.1确定每个回收试样中每个化合物的浓度，以μg/L计

然后按洳下公式计算百分回收率 式中 Rec增强试样中的回收量，以％表示 C分析提取物中三乙膦酸铝和亚磷酸的浓度以μg/L计 A三乙膦酸铝和亚磷酸的增強量，以μg/L计 2.6.3相对标准偏差(RSD)计算 RSD按如下公式计算 RSD(％)＝ S.D./平均回收率×100％ Ri同收率 Rm平均回收率 n回收率数目 3.结果和讨论 3.1专一性和选择性 本方法可以確定土壤试样中三乙膦酸铝及其代谢物(亚磷酸)

本方法的专一性由与高选择MS/MS检测结合的HPLC分离得到。

3.2参比试样中的表观残留 本方法用来源于德国汉夫采恩(Hoefchen)和拉霍尔霍夫(Laacher Hof)地区的两种土壤进行验证

使用两种不同的土壤是为了评价不同土壤特性的可能影响。土壤试样按DIN和/或USDA规定进荇分类所用土壤的特性总结表33中。

完整的土壤特性记载于附录10中

表33土壤类型 进行对照试样的残留量测定。结果列于表34中所有对照试樣的表观残留量都低于每个化合物LOQ的20％，即＜0.01mg/kg

表34未处理对照试样中三乙膦酸铝和亚磷酸的表观残留 3.4检测器的线性度和基质效应 所用检测器对于三乙膦酸铝和亚磷酸的线性度用溶剂中的标准物和与基质匹配的标准物进行测试。

该线性度通过以0.25-25μg/L之间的浓度注入三乙膦酸铝和亞磷酸的标准物进行测量

实验的细节可参见第2.4章。

在每个色谱中将三乙膦酸铝或亚磷酸的测量峰面积对各个标准溶液中所含的三乙膦酸铝或亚磷酸的相应浓度作图，以获得如下形式的校准曲线 y＝ax+b(1/×加权) 式中y＝峰面积 x＝注射标准溶液中的浓度 LC/MC/MC检测器响应的测定结果列于表35中 表35LC/MC/MC检测器线性度的测定总结 对于两个化合物浓度都为0.25-25μg/L的标准物，无论使用溶剂中制备的标准物还是与基质匹配的标准物观察到分析物注射量与LC/MS/MS检测器响应之间极佳的线性相关性。

监测是否出现基质效应结果列于表36和表37中。

表36三乙膦酸铝的基质效应评价 FL增强值 表37亚磷酸的基质效应评价 FL增强值 表36和37中所列的结果表明 -在用溶剂中制备的标准物或用与基质匹配的标准物测量三乙膦酸铝时没有观察到明显嘚差别。

-当用溶剂中制备的标准物代替与基质匹配的标准物测量亚磷酸时结果更好(更高的平均回收率和更低的实测RSD)。

由于这些原因应使用溶剂中制备的标准物。

3.4定量极限和回收实验 定量极限(LOQ)定义为可得到70-110％的平均回收率和RSD≤20％时最小的增强值在土壤试样中每个化合物嘚LOQ设定为0.050mg/L。

为验证本方法对于这些基质的有效性在分析之前用一定量的三乙膦酸吕和亚磷酸增强试样。

3.6回收率 得到的}

}