用于饮用水中荧光溶解性有机物三维荧光光谱识别的双路径知识引导门控网络

《Journal of Water Process Engineering》:Dual-path knowledge-guided gating network for 3D fluorescence spectra recognition of fluorescent dissolved organic matter in drinking water

【字体: 大 中 小 】 时间:2026年09月21日 来源:Journal of Water Process Engineering 6.6

编辑推荐:

   •一种知识引导的双路径框架,可从三维激发-发射光谱中识别FDOM。•双线性门控机制动态融合光谱图像与17项领域知识指标。•背景校正使模型在不同饮用水背景下均能实现稳定识别。•质心距离评分支持对库外FDOM的拒识。引言确保饮用水供应安全与稳定,是公共卫生、城市韧性和可持续发展的

  
  • •
    一种知识引导的双路径框架,可从三维激发-发射光谱中识别FDOM。
  • •
    双线性门控机制动态融合光谱图像与17项领域知识指标。
  • •
    背景校正使模型在不同饮用水背景下均能实现稳定识别。
  • •
    质心距离评分支持对库外FDOM的拒识。

引言

确保饮用水供应安全与稳定,是公共卫生、城市韧性和可持续发展的根本。然而,饮用水系统正日益面临由快速城镇化、工业排放、农业投入以及意外污染事件所带来的复合风险[1]、[2]。在此背景下,水安全管理已从合规导向的末端控制,拓展至对异常扰动的快速感知、风险筛查与来源类型判别[3]、[4]。机器学习与深度学习为从多源、高维、非线性监测数据中提取潜在模式提供了一条路径,因此在水质预测、异常检测与决策支持方面的重要性日益凸显[5]、[6]、[7]。因此,开发融合快速现场响应与智能识别技术的污染诊断手段,对于强化饮用水安全至关重要。
溶解性有机物(DOM)是源自多种来源的有机化合物异质混合池,其浓度、组成和结构会随源水输入、处理工艺、微生物活动、消毒反应以及饮用水配水管网(DWDS)中的条件而发生变化[8]、[9]。与描述特定水质属性的单项理化指标不同,DOM综合承载了有机负荷、来源及转化过程等信息,因此是追踪饮用水水质演变和识别异常有机输入的重要对象。在这一复杂混合池中,荧光溶解性有机物(FDOM)产生波长依赖的激发-发射信号,为有机组成差异提供了光学可及的表征方式。类蛋白荧光可反映与微生物相关的变化,而配水末端处荧光基线的偏离则可能指示外来有机物侵入及其他异常扰动[10]、[11]。因此,准确表征和解析FDOM组分对于理解有机物组成和识别饮用水中异常有机输入具有重要意义。
在众多光学监测技术中,三维激发-发射矩阵(3D-EEM)技术凭借其简便的前处理过程、高灵敏度及快速响应能力而备受关注[12]。通过在激发波长与发射波长维度上解析荧光强度,3D-EEM能够捕捉各类荧光物质的光谱指纹[13]。近期的综述表明,将机器学习算法与3D-EEM数据结合,可以改进高维非线性数据空间中FDOM相关光谱模式的定性与定量分析,从而支持高频水质筛查[14]、[15]。3D-EEM结合机器学习还已被应用于城市水体水质指数预测和快速类别判别,表明其在实际监测场景中的潜在价值[16]。
然而,在分布式饮用水条件下,从荧光光谱中识别FDOM仍面临诸多挑战。首先,平行因子分析等传统方法虽可用于有机物表征,但其性能依赖于具有代表性的数据集和相对稳定的组分结构[14]、[17]、[18]。在意外污染、严重峰重叠或复杂组成变化下,这些方法可能难以快速稳健地分离目标FDOM信号[19]。其次,传统卷积神经网络(CNN)虽可提取高阶光谱图像特征,但在约束不足时可能会关注散射区域、背景区域或与FDOM判别无关的其他特征[20]。第三,分布式饮用水中通常含有可测量且波动的DOM荧光[9]、[11]。处理后残留有机物、管壁生物膜释放以及水力混合均可能改变背景荧光信号,使其与目标污染物峰重叠[21]。最后,实际监测必须处理预定义指纹库之外的未知FDOM信号;若将此类样本强行归入已知类别,可能导致来源归因误判并掩盖新兴风险[22]。因此,本研究针对基于3D-EEM的机器学习工作流程中的四项局限展开研究:(i) 在指纹重叠情况下的混合感知多标签分配,(ii) 用于补充纯图像特征的领域知识指标,(iii) 对依赖矩阵的背景荧光的稳健性,以及(iv) 当光谱超出预定义FDOM指纹库时的显式拒识。
为应对上述挑战,本研究开发了一种双路径知识引导门控网络(DuKG-Net),用于饮用水中3D-EEM的FDOM识别。DuKG-Net通过跨模态双线性门控机制,将MobileNetV4-Small提取的3D-EEM图像特征与17项领域知识指标(包括荧光指数、区域积分[23]、峰几何描述符及图像纹理特征[24])进行整合。具体而言,本研究:1) 将DuKG-Net与代表性深度学习架构进行比较,评估其识别准确率、混合FDOM解耦能力、模型规模及推理延迟;2) 建立了背景FDOM荧光扣减的拟合策略,并利用同城和跨区域水背景验证了模型的跨背景稳健性;3) 采用特征空间可视化、基于梯度的敏感性分析和置换重要性分析来刻画定性特征组织及与决策相关的描述符贡献;4) 开发了基于质心距离的开集识别(OSR)策略,以评估模型对训练指纹库之外未知FDOM的拒识能力,并支持FDOM指纹数据库的持续扩展。

章节摘要

数据集构建与光谱采集

本研究的方法流程总结如图1所示,涵盖目标FDOM选择、自来水采样、3D-EEM采集、数据集构建及独立模型评估。
(1) 目标选择与样品制备
基于污染源属性、环境发生频率、潜在风险及荧光响应特征,选取了六种FDOM分析物作为目标,主要覆盖三类来源相关类别:药品和个人护理用品,

消融实验与性能分析

(1) 评估指标。
为评估所提模型的多标签分类性能,采用了一个多维评估框架。精确匹配率(EMR)是最严格的指标,计算预测标签集与真实标签集完全匹配的样本比例。汉明损失衡量所有标签中预测错误的标签比例,因此反映了平均类别级错误率。精确率、召回率及

结论

本研究开发并验证了一种双路径知识引导门控网络(DuKG-Net),用于饮用水配水管网中潜在FDOM的3D-EEM识别。主要结论如下:
(1) DuKG-Net的总体EMR达到0.9786,二元EMR达到0.9700,表明其对于单个分析物以及具有显著光谱重叠的混合物均具有强识别能力。
(2) 在基准对比中,DuKG-Net的表现优于所评估的各深度学习架构,且

CRediT作者贡献声明

王春辉:撰写-初稿、可视化、资源、方法、调查、形式分析、数据整理、概念化。王业兴:撰写-审稿与编辑、监督、方法。周亦苏:撰写-审稿与编辑、资源。柳景清:撰写-审稿与编辑、监督、项目管理、资金获取。宋翔宇:撰写-审稿与编辑、监督。

利益冲突声明

作者声明,不存在可能影响本文所报道工作的已知竞争性经济利益或个人关系。

致谢

本研究得到国家重点研发计划(2023YFC3208200)资助。本研究得到浙江大学信息技术中心、浙江大学以及中国移动通信集团浙江有限公司杭州分公司的支持。
王春辉|王业兴|周亦苏|柳景清|宋翔宇
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号