在多个场景和多个干扰中,以机器学习驱动的环境指标的动态测量
Yu-Qi Wang1, Han-Bo Zhou1, Xiao-Qin Luo1
1State Key Laboratory of Urban-Rural Water Resource and Environment, School of Eco-Environment, Harbin Institute of Technology, Shenzhen 518055, China.
Environmental science & technology
|July 24, 2025
概括
这项研究引入了一种新的方法,用于测量水中的化学氧需求 (COD),使用UV-Vis光谱和机器学习. 该方法准确地测量了各种水类中的COD,同时降低了成本和环境影响.
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:
- 精确的水质监测对于数字城市水管理至关重要.
- 测量化学氧需求 (COD) 的现有方法在不同的环境条件下面临准确性挑战.
研究的目的:
- 开发一种强大的COD测量方法,使用紫外可见光 (UV-Vis) 光谱和机器学习 (ML).
- 为了考虑和消除温度,pH,度和常见离子的干扰.
- 评估该方法的经济可行性和环境影响.
主要方法:
- 利用了UV-Vis频谱分析与ML算法相结合.
- 应用于数据处理的主要组件分析 (PCA).
- 采用随机森林 (RF) 作为用于COD预测的主要ML模型.
主要成果:
- 总体,溶解和颗粒物COD.的低平均绝对百分比误差 (MAPE) 为6.73%.
- 证明了对新水样品的良好可转移性,平均MAPE为8.17%.
- 技术经济评估显示,与传统方法相比,显著降低了成本 (60.9%的实验室,49.3%的自动站).
- 生命周期评估表明,通过ML集成,环境影响减少了31.32%.
结论:
- 拟议的UV-Vis和ML方法为城市水系统提供了准确且具有成本效益的COD测量.
- 该方法表现出强大的性能和跨不同水环境的可转移性.
- 这种方法为未来的数字化水资源管理提供了可行和可持续的解决方案.
