Определение флуоресцирующего растворенного органического вещества с использованием трехмерной флуоресцентной спектроскопии и сверточных нейронных сетей

Yang J.; Feng W.; Cai Z.; Wang H.; Liang X.

Определение флуоресцирующего растворенного органического вещества с использованием трехмерной флуоресцентной спектроскопии и сверточных нейронных сетей

Yang J. , Feng W. , Cai Z. , Wang H. , Liang X.

2025

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.

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.

Цитирование

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.

Источник

Информация

Автор

Yang J. Яньтайский институт исследований прибрежной зоны Китайской академии наук; Шаньдунская лаборатория прибрежных экологических процессов; Университет Китайской академии наук
Feng W. Яньтайский институт исследований прибрежной зоны Китайской академии наук; Шаньдунская лаборатория прибрежных экологических процессов; Университет Китайской академии наук
Cai Z. Яньтайский институт исследований прибрежной зоны Китайской академии наук; Шаньдунская лаборатория прибрежных экологических процессов
Wang H. Яньтайский институт исследований прибрежной зоны Китайской академии наук; Шаньдунская лаборатория прибрежных экологических процессов
Liang X. Яньтайский институт исследований прибрежной зоны Китайской академии наук; Шаньдунская лаборатория прибрежных экологических процессов; Университет Китайской академии наук

Страницы

Год издания

2025

Ключевые слова

Коллекции

Журнал прикладной спектроскопии