水質汚染源の配分のための多次元自己注意メカニズムと3D EEM 光スペクトロスコピーに基づくディープラーニングモデル: EEM 地域特性の分析に重点を置く
Qiming Mo1, Xiongkai Zheng1, Wenwei Lyu1
1School of Environment and Energy, South China University of Technology, Guangzhou 510006, China.
Journal of hazardous materials
|February 20, 2026
まとめ
新しいディープラーニングモデルは,3D刺激-放出行列 (EEM) スペクトロスコピーを用いて,水源を正確に分類する. この方法は,溶けた有機物質の指紋を分析することによって,水質の監視と汚染源の配分を向上させます.
科学分野:
- 環境科学 環境科学
- アナリティカル・ケミストリー (Analytical Chemistry) とは
- データサイエンス データサイエンス
背景:
- 水質の評価は,公衆衛生と環境保護にとって不可欠です.
- エキサイテーション・エミッション・マトリックス (EEM) スペクトロスコピーは,溶けた有機物質 (DOM) の詳細な指紋を提供します.
- 高次元のEEMデータは,従来の汚染源の配分方法に課題を提示しています.
研究 の 目的:
- 5つの異なる水源を分類するためのディープラーニングモデルの開発と最適化.
- 3D EEMスペクトロスコピーを,強化された分析のための多スケール自己注意メカニズムと統合する.
- 水質モニタリングと汚染源の配分の解釈性と効率性を向上させる.
主な方法:
- 3D EEMスペクトロスコピーとマルチスケールの自己注意メカニズムを統合したディープラーニングモデルが開発されました.
- 体系的なアーキテクチャの最適化と,マルチスケールの光地域統合 (FRI) 機能エンジニアリングが採用されました.
- 分析には25-100 nmの範囲のウィンドウサイズが含まれ,最適な性能のために50 nmスケールに焦点を当てました.
主要な成果:
- マルチスケール分析は"次元パラドックス"を明らかにし,50nmの特徴スケールは,より高解像度の25nmスケールを上回った.
- 自己注意モデルでは,テストの精度が88.89%に達し,パフォーマンスと複雑性の最適のトレードオフを示しました.
- 特定のスペクトル領域は,地表水,地下水,魚池の排水,工業廃棄水を含むさまざまな水源の特徴的な指紋として特定されました.
結論:
- 開発されたディープラーニングモデルは,水質モニタリングのための効率的で解釈可能なツールを提供します.
- この発見は,分析モデリングにおけるスペクトル解像度に関する従来の仮定に異議を唱えている.
- このアプローチは,光譜データを用いて汚染源の配分を大幅に改善します.
