基于全吸收光谱与深度学习的表面水体污染分类及溯源研究：MGR模型创新与应用

本研究创新性地提出MGR（MSC-GAF-ResNet）模型，通过萨维茨基-戈雷（SG）滤波和乘性散射校正（MSC）预处理，结合格拉姆角场（GAF）二维转换与残差卷积网络（ResNet），实现水体污染源直接分类（准确率97.7%），为光谱数据时空特征挖掘及环境应急响应提供新范式。

　　

Highlight

本研究突破传统水质参数反演局限，开创性地将全吸收光谱数据通过格拉姆角场（GAF）和马尔可夫转移场（MTF）转化为二维图像，利用残差卷积网络（ResNet）实现污染源直接分类，为环境监测领域提供全新解决方案。

The MSC-GAF-ResNet Model

MGR模型架构融合三大核心技术：

1. 预处理阶段采用萨维茨基-戈雷（Savitzky-Golay）滤波消除光谱噪声，结合乘性散射校正（MSC）增强信号稳定性；

2. 通过格拉姆角场（GAF）将一维光谱序列转换为极坐标系纹理图像，保留波长间非线性关联；

3. 引入深度残差网络（ResNet50）提取多层图像特征，其跳跃连接结构有效解决梯度消失问题，在九龙江流域301份水样测试中展现出97.7%的惊人分类准确率。

Spectra Measurement

实验数据采集自福建九龙江流域主干流及龙岩关键支流（图9），使用紫外-可见（UV-VIS）光纤光谱仪获取2048像素分辨率的光谱数据。采样点覆盖工业排放区、农业径流带及城市污水口，构建包含溶解性有机物、悬浮颗粒等典型污染物的多类别数据库。

Experimental Setup

对比实验设计体现方法论优势：

• 深度模型组：ResNet50在GAF图像分类中F1值达0.981，显著优于VGG16（0.892）和InceptionV3（0.935）；

• 传统方法组：支持向量机（SVM）和长短期记忆网络（LSTM）直接处理光谱数据时，最高准确率仅89.3%，凸显二维转换对特征挖掘的关键作用。

Conclusion

该框架首次实现光谱数据"时-空-谱"多维特征协同解析，其创新性体现在：

1. 突破传统化学参数依赖，建立"光谱指纹-污染类型"直接映射；

2. GAF/MTF转换策略使CNN模型捕获波长间隐含关联；

3. 集成地理时空元数据可实现污染源快速溯源，为智慧水务系统提供核心技术支撑。