基于紫外线可见光谱学信息的基础研究,用于识别和分类水中的有机农药

科学领域:

• 环境化学环境化学
• 分析化学 分析化学
• 频谱学是一种光谱学.

背景情况:

• 有机农药 (OPP) 对水生生态系统和人类健康构成重大风险.
• 准确有效地检测水中的OPP对于环境监测和安全至关重要.

研究的目的:

• 开发和验证一种可靠的方法来检测和分类水体中的多种有机农药 (OPP).
• 评估各种光谱预处理,多重学习和机器学习技术的有效性,用于OPP分析.

主要方法:

• 收集了十种不同OPP在不同度的紫外线可见光谱数据.
• 应用了五种预处理方法,包括卷积光滑+第一阶导数 (SG+FD).
• 利用六种多元学习算法 (例如,t-分布式随机邻居嵌入 - t-SNE) 进行维度缩小和可视化.
• 训练并比较了五种机器学习算法 (例如,反向传播神经网络 - BPNN,支持矢量机器 - SVM,卷积神经网络 - CNN) 进行分类.

主要成果:

• 该SG+FD预处理方法显著提高了模型的准确性.
• BPNN实现了最高准确率 (99.95%),紧随其后的是SVM和CNN (99.92%).
• 具有4的特征提取维度的SG+FD-t-SNE-SVM模型,平均分类准确率为99.98%.

结论:

• 紫外可见光谱学与先进的数据处理 (t-SNE和SVM) 结合,为在水中的OPP识别和分类提供了一种高度有效的方法.
• 开发的方法显示了实时环境监测农药污染的优秀潜力.