自组织地图:一种人工智能工具,用于识别意想不到的来源签名,用于HPLC-HRMS的城市废水的非目标选分析
Vito Gelao1, Stefano Fornasaro2, Sara C Briguglio1
1Regional Environmental Protection Agency-ARPA-FVG, Via Cairoli 14, 33057 Palmanova, Italy.
Toxics
|February 23, 2024
概括
自组织地图 (SOM) 人工智能工具有效地识别城市污水处理厂的工业废水透情况,在大型样本集的异常值检测和数据可视化方面表现优于主要组件分析 (PCA).
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 人工智能的人工智能
背景情况:
- 在水处理厂的废水监测对于检测环境污染物至关重要.
- 非目标分析可以识别未知的物质和多重污染物标志.
研究的目的:
- 调查工业废水进入城市废水系统的异常透情况.
- 为了比较自组织地图 (SOM) 和主要组件分析 (PCA) 在废水中非目标分析的有效性.
主要方法:
- 高性能液体染色学-高分辨率质谱学 (HPLC-HRMS) 用于对城市和工业废水废水的非目标分析.
- 使用PCA和SOMAI工具分析了"未知常见"化合物的质谱数据.
- 对比了PCA和SOM在异常值检测和模式识别方面的表现.
主要成果:
- 与PCA相比,SOM AI工具提供了更直接的异常值检测.
- 城市污水处理厂 (PCA) 努力区分样本并重建城市污水处理厂 (WTP) 样本中反复出现的模式.
- SOM能够重建显示重复模式的染色图,这是PCA无法实现的.
结论:
- 在分析大型样本集时,SOM AI 工具对计算,可视化和异常值识别非常有效.
- 在大量样本的情况下,PCA可视化和异常值检测变得具有挑战性.
- 在复杂的废水矩阵中,SOM为非目标分析提供了卓越的方法.
更多相关视频
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
3.8K
09:04Identifying Per- and Polyfluorinated Chemical Species with a Combined Targeted and Non-Targeted-Screening High-Resolution Mass Spectrometry Workflow
Published on: April 18, 2019
12.4K
