基于相对位置矩阵与多模态深度学习的拉曼光谱水体氮化物同步定量分析新方法

本研究创新性地将相对位置矩阵（RPM）与多模态深度学习相结合，成功解决了拉曼光谱检测水体硝酸盐/亚硝酸盐时信号弱、峰重叠、定量难的痛点。通过将一维光谱转换为二维图像增强特征表达，采用双模态数据融合模型实现了双氮化物的同步精准定量（测试集平均R2=0.9615，MSE=0.0053），为水体污染物实时监测提供了突破性算法基础。

　　

Materials（实验材料）

实验所用试剂包括：硝酸钾标准溶液（KNO₃，1000 mg/L，分析纯）购自深圳安泽信试剂，亚硝酸钠固体（NaNO₂粉末，分析纯）购自福辰化学试剂。所有实验均使用电阻率为18.2 MΩ的超纯水。实验光谱通过拉曼光谱仪（积分时间6 s，NOVA2S型；上海复祥光学有限公司）和氦氖激光器（632.8 nm）采集。

Result of Relative Position Matrix Transformation（相对位置矩阵转换结果）

模型训练所用不同浓度拉曼光谱详情见 Supplementary Figure S2。Supplementary Figure S2(a) 展示了模型对比任务中五个代表性浓度等级的拉曼光谱，Supplementary Figure S2(b) 则显示了实际水样检测任务中选取的五个浓度等级光谱。硝酸盐和亚硝酸盐的特征峰分别位于1050 cm^-1 和 1330 cm^-1 波长处。

Conclusions（结论）

本研究设计并应用了基于相对位置矩阵（RPM）的多模态数据融合模型，成功实现了水体中硝酸盐和亚硝酸盐的精准定量检测。RPM转换通过将一维光谱转化为二维图像，有效放大了微弱峰和重叠峰信号，同时保留了关键位置信息。该处理将每样本特征维度从200扩展到40,000，创造了富含信息的数据表征，使神经网络能够突破传统拉曼分析的灵敏度限制。多模态架构协同融合了光谱序列的全局信息和局部峰变化特征，最终在混合溶液检测中实现了卓越的预测精度（R²>0.96）。该方法为复杂水体环境中多污染物同步监测提供了强有力的算法框架和实验基础。