HUM:使用紫外可见吸收光谱和机器学习进行水化分析的综述
J Barrett Carter1, Ray Huffaker1, Aditya Singh1
1Department of Agricultural and Biological Engineering, University of Florida, 1741 Museum Road, Gainesville, FL 32611-0570, United States of America.
使用紫外可见吸收光谱和机器学习 (HUM) 的水化学分析为传统的水质测试提供了更快,更有效的替代方案. 需要进一步的研究来优化HUM.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 数据科学数据科学数据科学
背景情况:
- 传统的水质分析方法 (实验室或现场传感器) 在时间,劳动力和材料方面都有局限性.
- 紫外可见吸收光谱 (UVAS) 是一种越来越多地与机器学习 (ML) 结合的实验室技术,用于在没有样品预处理的情况下检测多分析物.
- 这种结合方法,称为使用紫外可见吸收光谱和机器学习 (HUM) 的水化学分析,为现场和快速的水质评估提供了潜力.
研究的目的:
- 审查HUM的当前状态,以进行水质分析.
- 识别有关HUM仪器设置,样本要求和数据分析程序的知识差距.
- 突出进一步研究的需要,以提高HUM的准确性,稳定性和标准化.
主要方法:
- 对水质分析中的UVAS和ML应用现有文献的审查.
- 确定影响HUM测量精度的关键因素,包括光谱参数 (灵敏度,信号噪声比,光谱分辨率).
- 探索新兴概念,如传感器融合和模型传感器融合,以实现潜在的HUM集成.
主要成果:
- 与传统方法相比,HUM方法有望减少时间,劳动力和材料成本.
- 目前的研究缺乏关于HUM最佳仪器设置,样本处理和数据处理的详细信息.
- 需要研究光谱参数对HUM测量误差的影响,并为HUM开发特定的ML算法.
结论:
- 需要进一步研究以了解影响HUM准确性的因素,并开发强大的硬件和软件解决方案.
- 标准化和成熟的HUM方法可以导致更广泛的采用在学术和非学术环境.
- 一种先进的HUM方法可以通过高频数据收集和自动化水质控制来改善环境管理.
更多相关视频
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
07:34Large Scale Non-targeted Metabolomic Profiling of Serum by Ultra Performance Liquid Chromatography-Mass Spectrometry UPLC-MS
Published on: March 14, 2013
相关概念视频
Ultraviolet and Visible (UV–Vis) Spectroscopy: Overview
UV–Vis Spectrometers
UV–Vis Spectroscopy: Woodward–Fieser Rules
UV–Vis Spectroscopy of Conjugated Systems
One of the factors influencing λmax is the extent...
UV–Vis Spectrum
The UV–Vis spectrum of a molecule is the plot of its absorbance versus wavelength. The plot is drawn by taking molar...
UV–Vis Spectroscopy: Molecular Electronic Transitions
