基于深度学习和UV-Vis光谱丰度估计方法的表面水中多重污染物组成的污染源的实时区分

科学领域:

• 环境科学 环境科学
• 水资源管理 水资源管理
• 分析化学 分析化学

背景情况:

• 表面水污染是一个常见的问题,通常是由企业逃避环境法规造成的.
• 目前的污染源识别方法与混合污染物和多个同时排放事件作斗争.
• 准确和快速识别污染源对于有效的环境执法和问责至关重要.

研究的目的:

• 开发一种用于识别地表水中的混合化学污染物的新方法.
• 为了能够识别来自多个污染源的同时排放.
• 提高水污染源分析和问责制的准确性和效率.

主要方法:

• 提出了一种基于光谱分离的总污染源分析方法,利用一个辐射基双线混合模型自动编码算法.
• 使用无监督的自编码神经网络来确定不同水污染类型的比例.
• 使用水污染源的光谱数据库来识别和分类污染物排放企业.

主要成果:

• 与传统方法相比,拟议的光谱分离算法显著提高了检测准确性.
• 在涉及三种污染物类型的混合污染实验中,在识别工业污水方面达到高达95.2%的准确性.
• 在模拟的地表水样本中成功估计了污染物的类型和比例.

结论:

• 基于光谱分离的方法有效地识别了混合的地表水污染源和同时排放.
• 这种方法在分析复杂的水污染场景方面取得了重大进展.
• 为污染源调查,环境监测和法律问责制提供了坚实的科学基础.