接收台116上(或更通常地，在该测量位点处)。在其他情况下可以将该样品未保持地置于样品接收台116上(或更通常地，在该测量位点处)。还可以使样品114在其使用LIBS 104，106和IR吸收108，110检测器的询问之前经受某些处理，例如当样品114是土壤或其他颗粒材料时，可以压制该样品材料以便消除该样品中的空隙。
[0019]在将样品114安置在该测量位点(样品接收台116)之后，运行激光器104和IR能量源108中每一个以便照射样品114的一个区域、优选地相同的区域。这些源104，108的运行可以同时或顺序地进行。同时运行可能引起如下问题:来自一个源的辐射产生对于结合另一个源的检测器而言的一个不想要的背景信号。优选地但不必要地顺序运行这两个源104，106，最优选地在IR能量源108之后运行激光器104这样使得照射数据和LIBS数据将基本上源自相同区域的相同材料。这将提供来自LIBS(104，106)和红外吸收(108，110)检测器的数据的更好的相关性，因为然后这两个数据集产生自基本上同一材料。IR能量源108被配置成用于产生IR能量，该IR能量至少延伸跨过预期被样品114所吸收的波长区域。IR能量源108可以是宽带或者被安排成以多个窄的、有可能地重叠或连贯的波长带来发射IR能量。在系统102的运行中，将IR能量源108通电并且将其IR能量输出入射在样品114的一个区域上，该区域依赖于样品114的组成吸收特定的波长。这种IR能量，在其与该样品的相互作用之后，由收集光学器件122收集，传送到该红外吸收检测器，在本实施例中传送到该检测器的分光光度计110，并且对应于该相互作用的IR能量的依赖于波长的强度变化(光学吸收光谱)产生输出。将这种输出作为照射数据传送到数据处理器112内，例如并且仅仅通过说明的方式该照射数据表示在多个(m个)离散波长下所测量的强度值。接下来，将IR能量源108断电并且将激光器104通电。使该激光束入射在样品114上并且将其一部分烧蚀以便形成等离子体。在该等离子体中的受激物种返回其较低能态(在该过程中发射特征光子)时产生的光学辐射由收集光学器件122收集，传送到该LIBS检测器，在本实施例中传送到该检测器的分光光度计106，并且对应于这些等离子体发射的依赖于波长的强度变化(光学发射光谱)产生输出并且该输出作为LIBS数据传送到数据处理器112内，例如并且仅仅通过说明的方式，该LIBS数据表示在相同的或不同的多个(η个)离散波长下所测量的强度值。
[0020]将数据处理器112配置为用于将该LIBS数据与该照射数据组合为一个单一的数据集(‘组合数据集’)。在本实施例中并且仅仅通过一个非限制性实例的方式，该组合数据集由m+n个数据点组成，这些数据点含有所有的照射和LIBS数据点。在这些点中的每一个处的强度值可以在数据处理器112中经受归一化或其他数据预处理。
[0021]描述了被构建成用于将LIBS数据与照射数据二者的特征与该样品的一个特性相关联的多变量化学计量预测模型的一个计算机可执行的算法可供用于该数据处理器112，例如来自与和数据处理器112的一个组件成一体的计算机存储器或数据存储装置或者来自一个远程存储装置(未示出)，该远程储存装置在某些实施例中是数据存储器112通过一个电信链路可访问的。将数据处理器112适配为用于运行以将该预测模型应用于该组合数据集以便由此产生由该预测模型关联的样品的特性的测定。可使一个或多个附加的预测模型由数据处理器112可访问，每个模型将一个不同的特性与组合的LIBS和照射数据相关联，并且该数据处理器被适配为用于将这些模型中的一个或多个应用于该组合的数据集以便得到通过每个对应的预测模型关联的特性的测定。此类测定中的每一个的结果可以作为一个输出124通过数据处理器112来提供，例如作为至屏幕、印刷机或呈其他人类可识别的格式的一个输出或者作为呈机器可读的格式的一个输出。
[0022]此类预测模型使用已知的化学计量技术建立，这些化学计量技术采用线性或非线性多变量统计分析，例如偏最小二乘法(PLS);多元线性回归(MLR);或人工神经网络(ANN)，以便产生一个数学关系式，衍生自LIBS和照射光谱数据的组合数据集可以通过该数学关系式与该样品的所关心的特性定量地相关。
[0023]在数据处理器112中采用的化学计量预测模型可以根据在图2中示出的流程图进行构建。在建立此类预测模型中的一个第一步骤202是数据库(或信息矩阵)的产生，其中每项记录表示来自一个校准样品的数据。在这个数据库中存储来自校准样品(即，具有与有待预测特性的样品相同基体的样品)的LIBS数据和照射数据，用从该相同的校准样品得到的识别一个物种的存在和/或更有用地数量的其他信息来索引这些数据，该存在和/或数量将在一个测试样品中测定。这种其他信息可以在每个校准样品上使用直接的组成分析方法来得到，比如说液体或气体色谱法。虽然此类其他分析方法可以提供存在于该样品基体中的所关心的物种的直接测定，但它们执行起来典型地是耗时的并且昂贵的。
[0024]在步骤204，使该数据库的内容经受多变量统计分析。在本实例中，这包括将来自步骤202的数据库划分成两个部分的步骤204a。使该第一部分在步骤204b处经受多变量统计分析。该第二部分在步骤204c处被用作一个独立的验证集。将认识到，该数据库的内容的精确的使用和划分可以变化。
[0025]在步骤206处建立了一个预测模型，通过该预测模型提供了在组合的输入LIBS和照射数据(该组合数据集)与一个样品特性(其定量指示有待预测)之间的数学关系式(一般关系式:特性=函数ILIBS光谱数据，照射数据})。这种模型在数据处理器112中使用应用于LIBS和照射数据，该LIBS和照射数据组合以形成一个用于未知样品的组合的数据集。
[0026]将认识到，根据本发明的预测模型可以额外地使用其他数据来建立，比如关于这些校准样品的物理品质(比如硬度或质地)的评价的信息；关于温度、物理位置、样品预处理条件的信息。
[0027]实例:土壤的分析
[0028]将在该LIBS光谱和NIR吸收光谱中的组合信息用于开发数学预测模型，这些模型中的每一个对于土壤样品的一个不同特性的定量测定是有用的。使土壤样品均匀化并且使用一个简单的液压机将其压制成约40mm直径并且约5mm厚的小片。在本实例中，施加5吨持续30秒并且然后施加11吨持续另外30秒以便生成其中基本上去除所有气穴的小片。压制的小片证明了如与未压缩的样品相比，在它们的LIBS光谱中的小得多的波动。在从遍布北美洲的地点得到的一百零六个土壤样品上进行测量。土壤基体和用来产生有用的预测模型的有限数量的样品的所产生的多样性表明，根据本发明的本创造性的测量模式的组合有利地能够补偿两种测量方法都不能单独进行的复杂基体。使这些样品形成为如以上描述的小片，并且使用通常如关于图1的系统所描述的一个系统获得测量值以便产生LIBS和照射数据集。将从该LIBS和该照射数据集二者获得的组合的数据集用于通常根据关于图2中所描