使用全吸收光谱检测表面水污染:集成二维图像转换和ResNet进行分类
Chi Yao1, Hongyang Wang1, Siying Liu1
1School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu, 611731, China.
概括
一个新的MGR模型使用光谱数据准确地分类了地表水污染. 这种先进的方法改善了水质监测和污染源识别,以实现可持续的资源管理.
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:
- 工业化和城市化正在降低水环境,需要先进的监测.
- 传统的水质方法不足以应对复杂的污染挑战.
- 表面水污染对健康,生态系统和经济构成风险.
研究的目的:
- 开发和验证一个新的MGR (MSC-GAF-ResNet) 模型来对表面水污染进行分类.
- 提高水质监测的效率和准确性.
- 为了实现更好的环境管理,有效地追踪污染源.
主要方法:
- 使用了表面水样本的全频谱吸收数据.
- 应用Savitzky-Golay过和多倍散射校正用于数据预处理.
- 采用格拉米安角场 (GAF) 来进行光谱数据转换和剩余卷积神经网络 (ResNet) 来进行分类.
主要成果:
- 在确定表面水污染时,MGR模型实现了97.7%的分类准确度.
- 与传统的机器学习方法 (SVM,LSTM) 相比,已经证明了高计算效率.
- 集成元数据促进了有效的污染源追踪.
结论:
- MGR模型为地表水质监测和污染分类提供了一种高效准确的方法.
- 这种方法通过改善监测和应急响应来支持可持续的水资源管理.
- 该研究强调了光谱数据与环境应用的深度学习相结合的潜力.
