基于拉曼光谱和卷积神经网络的水环境中微塑料的定量分析
Yinlong Luo1, Wei Su1, Mir Fazle Rabbi2
1College of Mechanics and Engineering Science, Hohai University, Nanjing 210098, China; College of Mechanical and Electrical Engineering, Hohai University, Changzhou 213200, China.
The Science of the total environment
|March 24, 2024
概括
一种新方法结合了拉曼光谱和卷积神经网络 (CNN) 来准确量化水中的微塑料 (MP). 这种方法提高了检测均性和度范围,优于其他机器学习模型.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 频谱学是一种光谱学.
背景情况:
- 微塑料 (MP) 污染是一个日益严重的全球问题,需要在水生环境中进行准确的量化.
- 振动光谱,特别是拉曼光谱,为MP识别提供了独特的化学指纹,但在定量分析方面存在困难.
- 现有的方法在复杂的水矩阵中确定MP度时缺乏精度.
研究的目的:
- 开发一种创新和准确的方法,用于对水环境中的微塑料 (MP) 进行定量分析.
- 为了提高MP检测的可靠性和范围,使用拉曼光谱和先进机器学习的组合.
- 通过各种条件验证拟议方法的有效性和通用性.
主要方法:
- 开发一种量化分析技术,将拉曼光谱与卷积神经网络 (CNN) 结合起来.
- 引入平均映射光谱 (AMS) 以提高拉曼光谱检测统一性.
- 采用样品体积过的应用,以扩大有效度检测范围.
- 在5个不同的水环境中,对6种尺寸的聚乙烯 (PE) MP进行测试.
主要成果:
- 在确定PE MP度方面,CNN模型取得了高准确度,R2为0.9972和RMSE为0.033.
- 与随机森林 (RF) 和支持矢量机器 (SVM) 模型相比,提出的方法显示出更高的性能.
- 平均映射光谱 (AMS) 有效地提高了拉曼光谱检测的统一性.
结论:
- 拉曼光谱和CNN的结合为定量微塑料分析提供了强大而准确的工具.
- 开发的方法对传统的机器学习方法来确定MP度具有显著的优势.
- 这种技术有望提高对微塑料污染的环境监测效率.
