基于多尺度自我注意力机制和3D EEM光谱的深度学习模型,用于水污染源的分配:重点是EEM区域特征分析

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:

• 评估水质对于公共卫生和环境保护至关重要.
• 激发发射矩阵 (EEM) 光谱学提供了溶解有机物 (DOM) 的详细指纹.
• 高维的EME数据给传统的污染源分配方法带来了挑战.

研究的目的:

• 开发和优化一个深度学习模型来分类五个不同的水源.
• 将3D EEM光谱与多个尺度的自我注意力机制集成在一起,以进行增强的分析.
• 提高水质监测和污染源分配的解释性和效率.

主要方法:

• 开发了一个深度学习模型,整合了3D EEM光谱和多尺度自我注意力机制.
• 采用了系统架构优化和多尺度光区域集成 (FRI) 功能工程.
• 分析涉及25-100纳米的窗口大小,专注于50纳米尺度以获得最佳性能.

主要成果:

• 多尺度分析揭示了一个"维度悖论",其中50纳米的特征尺度超过了更高分辨率的25纳米尺度.
• 自我注意模型实现了88.89%的测试准确性,证明了最佳的性能-复杂性权衡.
• 特定的光谱区域被确定为不同水源的特征指纹,包括地表水,地下水,鱼池污水和工业废水.

结论:

• 开发的深度学习模型为水质监测提供了一个高效和可解释的工具.
• 这些发现挑战了分析建模中关于光谱分辨率的传统假设.
• 这种方法在使用光谱数据的污染源分配方面取得了重大进展.