|сгенерировать QR код
Открытый доступ
Только для подписчиков
Определение флуоресцирующего растворенного органического вещества с использованием трехмерной флуоресцентной спектроскопии и сверточных нейронных сетей
Аннотация
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.
Ключевые слова
флуоресцирующее растворенное органическое вещество,
сверточные нейронные сети,
спектры матриц возбуждения-испускания,
алгоритм трилинейного разложения,
количественная оценка
При поддержке: This work was supported by the Key R&D Program of Shandong Province, China (No. 2022CXPT019). The authors declare that they have no known competing financial interests or personal relationships that could have appeared to influence the work reported in this paper
Об авторах
J. Yang
Яньтайский институт исследований прибрежной зоны Китайской академии наук; Шаньдунская лаборатория прибрежных экологических процессов; Университет Китайской академии наук
Китай
Китай
Яньтай, Шаньдун; Пекин
W. Feng
Яньтайский институт исследований прибрежной зоны Китайской академии наук; Шаньдунская лаборатория прибрежных экологических процессов; Университет Китайской академии наук
Китай
Китай
Яньтай, Шаньдун; Пекин
Z. Cai
Яньтайский институт исследований прибрежной зоны Китайской академии наук; Шаньдунская лаборатория прибрежных экологических процессов
Китай
Китай
Яньтай, Шаньдун
H. Wang
Яньтайский институт исследований прибрежной зоны Китайской академии наук; Шаньдунская лаборатория прибрежных экологических процессов
Китай
Китай
Яньтай, Шаньдун
X. Liang
Яньтайский институт исследований прибрежной зоны Китайской академии наук; Шаньдунская лаборатория прибрежных экологических процессов; Университет Китайской академии наук
Китай
Китай
Яньтай, Шаньдун; Пекин
Список литературы
1. D. Vione, C. Minero, L. Carena, Environ. Sci. Process, 23, 1429–1442 (2021), https://doi.org/10.1039/D1EM00273B.
2. G. J. L. Wilson, C. Lu, D. J. Lapworth, A. Kumar, A. Ghosh, V. J. Niasar, S. Krause, D. A. Polya, D. C. Gooddy, L. A. Richards, Sci. Total Environ., 903, 166208 (2023), https://doi.org/10.1016/j.scitotenv.2023.166208.
3. J. Urban-Rich, J. T. McCarty, D. Fernández, J. L. Acuña, J. Exp. Mar. Biol. Ecol., 332, 96–105 (2006), https://doi.org/10.1016/j.jembe.2005.11.023.
4. Y. Zhou, K. Shi, Y. Zhang, E. Jeppesen, X. Liu, Q. Zhou, H. Wu, X. Tang, G. Zhu, Sci. Total Environ., 574, 1588–1598 (2017), https://doi.org/10.1016/j.scitotenv.2016.08.196.
5. H. K. Kwon, G. Kim, T.-H. Kim, S.-E. Park, W. C. Lee, J. Sea Res., 188, 102270 (2022), https://doi.org/10.1016/j.seares.2022.102270.
6. Y. Yamashita, T. Tosaka, R. Bamba, R. Kamezaki, S. Goto, J. Nishioka, I. Yasuda, T. Hirawake, J. Oida, H. Obata, H. Ogawa, Prog. Oceanography, 191, 102510 (2021), https://doi.org/10.1016/j.pocean.2020.102510.
7. P. G. Coble, Mar. Chem., 51, 325–346 (1996), https://doi.org/10.1016/0304-4203(95)00062-3.
8. N. M. Niloy, S. A. Habib, M. I. Islam, Md. M. Haque, M. Shammi, S. M. Tareq, Mar. Pollut. Bull., 195, 115467 (2023), https://doi.org/10.1016/j.marpolbul.2023.115467.
9. X. Wang, H. Zhang, E. Bertone, R. A. Stewart, S. P. Hughes, Environ. Model. Softw., 141, 105053 (2021), https://doi.org/10.1016/j.envsoft.2021.105053.
10. W.-T. Li, J. Jin, Q. Li, C.-F. Wu, H. Lu, Q. Zhou, A.-M. Li, Water Res., 93, 1–9 (2016), https://doi.org/10.1016/j.watres.2016.01.005.
11. Y. Dai, H. Wang, J. Wang, X. Wang, Z. Wang, X. Ge, Spectrochim. Acta. A: Mol. Biomol. Spectrosc., 273, 121059 (2022), https://doi.org/10.1016/j.saa.2022.121059.
12. M. C. Ortiz, S. Sanllorente, A. Herrero, C. Reguera, L. Rubio, M. L. Oca, L. Valverde-Som, M. M. Arce, M. S. Sánchez, L. A. Sarabia, Chemom. Intell. Lab. Syst., 200, 104003 (2020), https://doi.org/10.1016/j.chemolab.2020.104003.
13. A. B. F. Câmara, W. J. O. da Silva, A. C. de O. Neves, H. O. M. A. Moura, K. M. G. de Lima, L. S. de Carvalho, Talanta, 266, 125126 (2024), https://doi.org/10.1016/j.talanta.2023.125126.
14. A. Islam, G. Sun, A. N. Saber, W. Shang, X. Zheng, Y. Zhang, M. Yang, J. Environ. Sci., 122, 174–183 (2022), https://doi.org/10.1016/j.jes.2022.01.046.
15. M. Birenboim, Å. Rinnan, D. Kengisbuch, J. A. Shimshoni, Chemom. Intell. Lab. Syst., 232, 104717 (2023), https://doi.org/10.1016/j.chemolab.2022.104717.
16. S. Catena, S. Sanllorente, L. A. Sarabia, R. Boggia, F. Turrini, M. C. Ortiz, Microchem. J., 154, 104561 (2020), https://doi.org/10.1016/j.microc.2019.104561.
17. Y. Fu, W. Li, T. Liu, Z. Zhang, H. Li, J. Xu, M. Huang, Sci. Total Environ., 865, 160950 (2023), https://doi.org/10.1016/j.scitotenv.2022.160950.
18. H.-B. Wang, Y.-J. Zhang, X. Xiao, S.-H. Yu, W.-Q. Liu, Anal. Methods, 3, 688–695 (2011), https://doi.org/10.1039/C0AY00641F.
19. S. Wang, Q. Cheng, Y. Yuan, C. Wang, S. Ma, Spectrochim. Acta A: Mol. Biomol. Spectrosc., 210, 260–265 (2019), https://doi.org/10.1016/j.saa.2018.11.012.
20. Z. Cheng, N. Zhao, G. Yin, X. Zhang, J. Li, W. Liu, Acta Opt. Sin., 41, 1430001 (2021), https://doi.org/10.3788/AOS202141.1430001.
21. P. Cheng, Y. Zhu, C. Cui, F. Wang, J. Pan, Meas. Control, 55 (2022), https://doi.org/10.1177/00202940221114902.
22. R.-Z. Xu, J.-S. Cao, G. Feng, J.-Y. Luo, Q. Feng, B.-J. Ni, F. Fang, Chem. Eng. J., 430, 132893 (2022), https://doi.org/10.1016/j.cej.2021.132893.
23. X. Wu, Z. Zhao, R. Tian, S. Gao, Y. Niu, H. Liu, Food Chem., 335, 127640 (2021), https://doi.org/10.1016/j.foodchem.2020.127640.
24. R. G. Zepp, W. M. Sheldon, M. A. Moran, Mar. Chem., 89, 15–36 (2004), https://doi.org/10.1016/j.marchem.2004.02.006.
25. A. Lawaetz, C. Stedmon, Appl. Spectrosc., 63, 936–940 (2009), https://doi.org/10.1366/000370209788964548.
26. T. Ohno, Environ. Sci. Technol., 36, 742–746 (2002), https://doi.org/10.1021/es0155276.
27. J. Pan, L. Xia, Q. Wu, Y. Guo, Y. Chen, X. Tian, Ecol. Inform., 70, 101706 (2022), https://doi.org/10.1016/j.ecoinf.2022.101706.
28. Y. Li, D.-G. Cai, Z.-H. Zhu, H. Xu, T.-F. Zheng, J.-L. Chen, S.-J. Liu, H.-R. Wen, Dalton Trans., 52, 4167–4175 (2023), https://doi.org/10.1039/D2DT03230A.
29. Z.-P. Chen, H.-L. Wu, J.-H. Jiang, Y. Li, R.-Q. Yu, Chemom. Intell. Lab. Syst., 52, 75–86 (2000), https://doi.org/10.1016/S0169-7439(00)00081-2.
30. H.-P. Wang, P. Chen, J.-W. Dai, D. Liu, J.-Y. Li, Y.-P. Xu, X.-L. Chu, TrAC Trends Anal. Chem., 153, 116648 (2022), https://doi.org/10.1016/j.trac.2022.116648.
31. A. Krizhevsky, I. Sutskever, G. E. Hinton, Adv. Neural Inf. Process. Syst., Curran Associates, Inc. (2012), https://proceedings.neurips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html (accessed April 16, 2024).
32. D. P. Kingma, J. Ba, Adam: A Method for Stochastic Optimization (2017), arXiv:1412.6980v9, https://doi.org/10.48550/arXiv.1412.6980.
33. A. Yammine, J. Gao, A. H. Kwan, Bio Protoc, 9, e3253 (2019), https://doi.org/10.21769/BioProtoc.3253.
34. F. H. dos Santos Rodrigues, G. G. Delgado, T. Santana da Costa, L. Tasic, BBA Adv., 3, 100091 (2023), https://doi.org/10.1016/j.bbadva.2023.100091.
35. S. Determann, R. Reuter, P. Wagner, R. Willkomm, Part Oceanography Res. Pap., 41, 659–675 (1994), https://doi.org/10.1016/0967-0637(94)90048-5.
36. S. M. Henrichs, J. W. Farrington, Phys. Chem. Earth, 12, 435–443 (1980), https://doi.org/10.1016/00791946(79)90125-3.
37. S. S. Ruhala, J. P. Zarnetske, Sci. Total Environ., 575, 713–723 (2017), https://doi.org/10.1016/j.scitotenv.2016.09.113.
38. Y.-Y. Chang, H.-L. Wu, H. Fang, T. Wang, Z. Liu, Y.-Z. Ouyang, Y.-J. Ding, R.-Q. Yu, Spectrochim. Acta, A: Mol. Biomol. Spectrosc., 204, 141–149 (2018), https://doi.org/10.1016/j.saa.2018.06.031.
39. Yingxin Shang, Kaishan Song, Fengfa Lai, Lili Lyu, Ge Liu, Chong Fang, Junbin Hou, Sining Qiang, Xiangfei Yu, Zhidan Wen, Water Res., 230, 119540 (2023), https://doi.org/10.1016/j.watres.2022.119540.
40. M. H. Jeon, J. Jung, M. O. Park, S. Aoki, T.-W. Kim, S.-K. Kim, Mar. Chem., 235, 104008 (2021), https://doi.org/10.1016/j.marchem.2021.104008.
41. H. Daraei, E. Bertone, J. Awad, R. A. Stewart, C. W. K. Chow, J. Duan, A. Mussared, J. Van Leeuwen, J. Environ. Sci. (2023), https://doi.org/10.1016/j.jes.2023.06.011.
Рецензия
Для цитирования:
Yang J., Feng W., Cai Z., Wang H., Liang X. Определение флуоресцирующего растворенного органического вещества с использованием трехмерной флуоресцентной спектроскопии и сверточных нейронных сетей. Журнал прикладной спектроскопии. 2025;92(3):408.
For citation:
Yang J., Feng W., Cai Z., Wang H., Liang X. Determination of Fluorescent Dissolved Organic Matter Using Three-Dimensional Fluorescence Spectroscopy and Convolutional Neural Networks. Zhurnal Prikladnoii Spektroskopii. 2025;92(3):408.
Просмотров:
3
Послать статью по эл. почте 