一种基于机器学习的水体污染荧光光谱图像诊断方法

摘要: 本发明涉及环境监测,特别是涉及一种基于机器学习的水体污染荧光光谱图像诊断方法。背景技术:1、在水环境监测领域,水体溶解性有机质(dom)作为反映水质健康的核心参...
一种基于机器学习的水体污染荧光光谱图像诊断方法

本发明涉及环境监测,特别是涉及一种基于机器学习的水体污染荧光光谱图像诊断方法。

背景技术:

1、在水环境监测领域,水体溶解性有机质(dom)作为反映水质健康的核心参数,其组成与浓度变化直接关联着水体污染程度及生态风险评估。然而,当前主流的检测手段如化学分析法、色谱质谱联用法等,普遍面临多重技术瓶颈:一方面,这类方法依赖繁琐的样品前处理流程(如萃取、浓缩、衍生化),单次检测周期长达数小时至数天,难以满足突发污染事件的应急响应需求;另一方面,水体环境中dom通常呈现多组分(如蛋白质类、腐殖酸类、微生物代谢产物等)复杂混合状态,传统技术受限于光谱分辨率不足或化学分离效率低下,难以精准解析各组分的污染贡献度,且易受水体色度、浊度、ph值等背景干扰因素影响,导致特征信号提取偏差。此外,现有技术普遍依赖大型实验室设备与专业技术人员操作,硬件成本高昂且便携性差,无法实现水体污染的现场实时监测与动态追踪。随着工业废水、农业面源污染等新型污染源的多元化加剧,现有技术在污染类型识别时效性、多组分解析精度及环境适应性等方面的局限性日益凸显,迫切需要创新一种集快速检测、智能分析、抗干扰能力于一体的dom污染诊断技术,以突破传统方法在效率、准确性与应用场景上的多重制约,为水环境监测的智能化、精准化发展提供关键技术支撑。

技术实现思路

1、本发明的实施例提供了一种基于机器学习的水体污染荧光光谱图像诊断方法,通过光谱特征的时空联合建模,实现dom污染的快速精准识别。

2、为了实现上述目的,本发明提供了一种基于机器学习的水体污染荧光光谱图像诊断方法,包括以下步骤:

3、利用三维荧光光谱仪采集水体样本的光谱数据,获取激发波长为a和发射波长为b的三维荧光光谱矩阵;

4、对所述三维荧光光谱矩阵进行小波变换去噪、自适应基线校正及矢量归一化预处理;

5、通过主成分分析方法提取三维荧光光谱矩阵的主成分,构建光谱特征向量;

6、将所述光谱特征向量输入预定的cnn-lstm混合模型,输出污染指标,所述污染指标包括污染等级、组分类型及浓度预测值;

7、利用所述污染指标计算综合污染指数,当所述综合污染指数超过预设的阈值时,触发污染预警并生成诊断报告。

8、进一步地,所述激发波长a为200-450nm,所述发射波长b为250-550nm。

9、进一步地,所述小波变换采用db4小波基函数进行3层分解,所述基线校正采用自适应迭代重加权算法拟合多项式基线。

10、进一步地,所述矢量归一化算法的计算公式如下:

11、

12、式中,aij表示三维荧光光谱矩阵中第i个激发波长、第j个发射波长对应的荧光强度值,cij表示对应归一化后扣除背景的荧光强度值;bij为空白背景在第i个激发波长、第j个发射波长下的荧光强度值;σ(aij-bij)2表示对扣除背景后的所有荧光强度值进行平方求和计算矢量的模长。

13、进一步地,所述cnn-lstm混合模型,包括:

14、数据预处理:将预处理后的三维荧光光谱矩阵转换为模型兼容的张量格式,对于时间序列特征,将连续多时刻的光谱矩阵拼接为包含时间维度的序列;

15、构建卷积神经网络模块以提取光谱的空间特征:通过多层二维卷积层对光谱矩阵进行扫描,利用relu激活函数引入非线性,捕捉荧光峰的位置、强度分布及空间关联模式;每层卷积后接入最大池化层降低特征维度,通过展平层将多维特征图转换为一维向量;

16、将输出的一维向量重塑为时序序列,输入长短期记忆网络模块:通过二层lstm层捕捉光谱空间特征随时间的动态演变规律,第一层lstm层用于保留时序信息,第二层用于提取长期依赖关系;通过全连接层整合时序特征,为多任务输出提供综合表征;

17、设计双分支输出层实现分类与回归任务:通过分类分支通过全连接层结合softmax激活函数,输出各污染等级的概率分布;通过回归分支通过全连接层直接输出各组分浓度值;

18、将数据集划分为训练集、验证集和测试集,利用数据增强技术扩充样本多样性;采用adam优化器结合学习率衰减策略最小化损失函数,通过早停机制防止过拟合;训练完成后,通过准确率和/或均方根误差指标评估模型性能。

19、进一步地,所述综合污染指数,计算公式如下:

20、

21、式中,cpi表示综合污染指数;wk表示第k个污染组分预设的影响权重;dk表示第k个污染组分的浓度预测值;sk表示第k污染个组分的国家标准阈值。

22、进一步地,所述触发污染预警并生成诊断报告,还根据各污染组分占比与来源关联算法,生成包含污染程度、主要成分及溯源建议的结构化诊断报告。

23、进一步地,所述来源关联算法,通过历史数据构建污染组分与污染来源之间的映射关系表确定。

24、上述技术方案具有如下技术效果:

25、(1)采用紫外-可见双光源光谱仪,实现200-550nm全光谱范围的快速扫描,通过重复扫描取均值与空白背景扣除,构建高信噪比的三维荧光强度矩阵。解决现有技术依赖复杂前处理流程的低效模式,将单次检测周期从数小时压缩至分钟级,满足突发污染事件的应急响应需求,实现水体污染的现场快速筛查。

26、(2)通过db4小波3层分解与软阈值算法去除高频噪声,结合自适应迭代重加权算法拟合多项式基线,再经矢量归一化统一特征尺度。有效抑制高浊度、高色度水体中的颗粒散射与基线漂移干扰,为后续模型分析提供纯净、标准化的数据基础。

27、(3)利用cnn模块的多层卷积与池化操作提取荧光峰空间分布特征,通过lstm模块对时序化光谱数据建模,捕捉dom组分动态演变规律,实现多组分混合污染的精准识别。

28、(4)通过综合污染指数基于组分权重与国家标准限值实现污染等级量化评估,支持多级预警与污染来源推测。

1.一种基于机器学习的水体污染荧光光谱图像诊断方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于机器学习的水体污染荧光光谱图像诊断方法,其特征在于,所述激发波长a为200-450nm,所述发射波长b为250-550nm。

3.根据权利要求1所述的一种基于机器学习的水体污染荧光光谱图像诊断方法,其特征在于,所述小波变换采用db4小波基函数进行3层分解,所述基线校正采用自适应迭代重加权算法拟合多项式基线。

4.根据权利要求1所述的一种基于机器学习的水体污染荧光光谱图像诊断方法,其特征在于,所述矢量归一化的计算公式如下:

5.根据权利要求1所述的一种基于机器学习的水体污染荧光光谱图像诊断方法,其特征在于,所述cnn-lstm混合模型,包括:

6.根据权利要求1所述的一种基于机器学习的水体污染荧光光谱图像诊断方法,其特征在于,所述综合污染指数,计算公式如下:

7.根据权利要求1所述的一种基于机器学习的水体污染荧光光谱图像诊断方法,其特征在于,所述触发污染预警并生成诊断报告,还根据各污染组分占比与来源关联算法,生成包含污染程度、主要成分及溯源建议的结构化诊断报告。

8.根据权利要求1所述的一种基于机器学习的水体污染荧光光谱图像诊断方法,其特征在于,所述来源关联算法,通过历史数据构建污染组分与污染来源之间的映射关系表确定。