Яньтай, Шаньдун; Пекин
Jianlian Yang
Yantai Shandong; Beijing
Яньтай, Шаньдун; Пекин
Weiwei Feng
Yantai Shandong; Beijing
Яньтай, Шаньдун
Zongqi Cai
Yantai Shandong
Яньтай, Шаньдун
Huanqing Wang
Yantai Shandong
Яньтай, Шаньдун; Пекин
Yantai Shandong; Beijing
Представлен количественный метод анализа трехмерных спектров матрицы возбужденияиспускания (3D-EEM) с использованием сверточных нейронных сетей (CNN) для определения флуоресцирующих растворенных органических веществ (FDOM) – триптофана (Trp), тирозина (Tyr), гуминовой кислоты (HA). Производительность модели CNN оценена и сравнена с алгоритмом трилинейного разложения SWATLD. Предложенная модель значительно превосходит алгоритм SWATLD: для модели CNN значения R2, RMSE и MAPE 0.964, 0.047 и 14.950% соответственно, в то время как для SWATLD — 0.944, 0.062 и 17.439%. Расширение исходного спектрального набора данных не дало существенного улучшения производительности алгоритма SWATLD, но значительно повысило способность прогнозирования модели CNN. Это улучшение видно в значениях R2, RMSE и MAPE 0.989, 0.030 и 12.837%, что подчеркивает роль расширения данных в повышении производительности модели CNN, особенно при работе с ограниченным набором данных. Применение модели CNN к образцам воды из залива Лайчжоу дало удовлетворительные результаты и позволило провести простой и быстрый анализ FDOM в морской воде. Разработанная точная и простая в применении аналитическая модель на основе EEM и CNN позволяет быстро определять концентрацию FDOM в окружающей среде и предоставлять справочные данные для мониторинга окружающей среды.
Fluorescent dissolved organic matter (FDOM) – particularly tryptophan (Trp), tyrosine (Tyr), and humic acid (HA) – serves as a crucial indicator in environmental monitoring. This study introduced a novel quantitative analysis approach for analyzing three-dimensional excitation-emission matrix spectra (3DEEMs) of FDOM using convolutional neural networks (CNNs). The performance of the CNN model was evaluated and compared with the self-weighting alternating trilinear decomposition (SWATLD) algorithm. Results revealed that the proposed model significantly outperforms the SWATLD algorithm. Specifically, the CNN model achieved R2, RMSE, and MAPE values of 0.964, 0.047, and 14.950%, respectively, while for the SWATLD algorithm, these values were 0.944, 0.062, and 17.439%. Augmentation of the original spectral dataset did not yield a substantial improvement in the performance of the SWATLD algorithm, but it significantly enhanced the prediction ability of the CNN model. This enhancement was evident in the improved R2, RMSE, and MAPE values of 0.989, 0.030, and 12.837%, highlighting the critical role of data augmentation in boosting the performance of the CNN model, especially when dealing with a limited dataset. Application of the CNN model to water samples from Laizhou Bay yielded satisfactory results, enabling a simple and rapid analysis of FDOM in seawater. Therefore, an accurate and convenient analytical model was developed based on EEMs and CNNs, which can swiftly determine the concentration of FDOM in the environment and provide valuable references for environmental monitoring and early warning.
The authors declare that there are no conflicts of interest present.