基于SERS光谱与自适应局部加权可见图-并行自加权图神经网络的海洋总磷浓度高灵敏度检测新方法

针对海水富营养化监测中总磷(TP)传统检测方法成本高、操作复杂、灵敏度不足等问题，燕山大学团队创新性地将表面增强拉曼光谱(SERS)与图神经网络(GNN)相结合，开发了基于R6G修饰银纳米颗粒(AgNPs)的间接检测体系，通过自适应局部加权可见图(ALWVG)算法增强光谱特征表达，构建并行自加权图神经网络(PSWGNN)实现0–100 μg/L范围内TP的高精度预测(R2=0.996)，为海洋环境监测提供高效低成本解决方案。

　　

海洋富营养化已成为威胁全球生态平衡的"蓝色荒漠化"现象，其中总磷(TP)作为关键营养盐，其浓度监测犹如海洋健康的"晴雨表"。然而传统检测方法如同"大海捞针"——湿化学法步骤繁琐、电化学传感器稳定性差、离子色谱仪价格昂贵，而光谱分析法又面临TP自身信号弱的困境。面对这些挑战，燕山大学电气工程学院的研究人员独辟蹊径，将表面增强拉曼光谱(SERS)这项"分子指纹"技术与人工智能前沿的图神经网络(GNN)相结合，在《Sensors and Actuators B: Chemical》发表了一项突破性研究。

研究团队采用三项核心技术：首先利用罗丹明6G(R6G)修饰的银纳米颗粒(AgNPs)作为SERS活性基底，通过磷酸盐与钼酸铵的化学反应间接捕获TP信号；其次创新提出自适应局部加权可见图(ALWVG)算法，像"光谱翻译官"般将一维光谱转化为包含局部/全局特征的加权图数据；最后构建并行自加权图神经网络(PSWGNN)，通过化学键特征分区处理策略，使模型能像"专业品酒师"般辨别不同光谱区域的贡献差异。

【检测原理】
研究揭示了Cl?诱导AgNPs聚集形成"热点"的增强机制：当TP与钼酸铵反应生成磷钼酸杂多酸后，其与R6G竞争吸附导致SERS信号衰减，这种"信号接力"过程实现了TP的间接定量。

【ALWVG方法转化效果】
通过将C=C、C-H、C-O-C特征区分别转化为图数据，ALWVG生成的加权邻接矩阵展现出四象限特征：主对角线的密集连接反映局部特征，非对角线长程连接则像"光谱桥梁"捕捉全局关联，节点强度矩阵成功保留了原始光谱的强度信息。

【PSWGNN模型性能】
在0-100 μg/L浓度范围内，模型预测性能远超传统方法：决定系数R2达0.996，误差指标RMSE和MAE分别低至1.652 μg/L和1.138 μg/L，加标回收率97.20%-102.77%证明其实际应用可靠性。对比实验显示，PSWGNN较普通GNN误差降低42.8%，证实其分区加权策略的有效性。

这项研究如同为海洋监测装上了"智能显微镜"：ALWVG算法突破传统光谱重建方法仅关注局部特征的局限，PSWGNN则开创了光谱分区加权分析的新范式。特别值得关注的是，该方法对Cl?浓度波动表现出强鲁棒性，这对盐度多变的近海环境监测至关重要。研究不仅为海洋富营养化防控提供了新工具，其"SERS+AI"的技术路线更为复杂基质中痕量物质检测开辟了新航道。正如通讯作者Ying Chen教授团队指出，该系统的低成本、高灵敏特性使其在智慧海洋建设中具有广阔应用前景，未来或可拓展至重金属、有机污染物等多参数同步监测领域。