基于SERS光谱和机器学习的空间水质污染追踪

《ACS ES&T Water》：Spatial Tracking of Water Pollutions Based on SERS Spectra with Machine Learning

　　水污染检测技术是保障流域生态安全的关键，但传统方法存在局限性。本研究构建了基于表面增强拉曼光谱（SERS）结合新注意力神经网络（aNN）与随机森林（RF）的污染追踪平台，通过数据增强采集34,520个SERS光谱，训练模型识别准确率达88%以上，并能准确预测污水混合比例。在一维流域模拟中成功识别污染出口与扩散路径，验证了该平台在复杂流域污染追踪中的潜力。

　　

水污染检测技术对于保护河流流域的生态安全至关重要。然而，随着工业发展和城市化进程的推进，传统的水污染追踪方法已显示出局限性。表面增强拉曼光谱（SERS）长期以来被认为是一种能够在单分子水平上提供类似“指纹”特征的光学方法。在这项研究中，构建了一种结合了注意力神经网络（aNN）和随机森林（RF）的新方法，用于准确识别废水的SERS光谱特征，从而实现水污染的空间追踪。在数据增强处理后，从96种不同类型的废水组合中收集了共计34,520个SERS光谱。该数据集被用来训练aNN-RF模型，其识别准确率超过了88%；预测的废水类型混合比例与实际混合比例呈现出一致的下降趋势。作为概念验证，模拟了一个一维流域场景，并通过SERS-aNN-RF平台成功识别出了废水排放口和污染路径。结果表明，即使在复杂且未知的流域中，SERS-aNN-RF平台也能准确追踪污染源，展现出在水污染空间追踪方面的巨大潜力。