AI-ondersteunde spectroscopie maakt snelle waterkwaliteitsmeting mogelijk

Onderzoeksteam ontwikkelt geavanceerd model voor waterkwaliteitsmeting

Een onderzoeksteam onder leiding van Prof. Hu Bingliang en Prof. Yu Tao van het Xi’an Institute of Optics and Precision Mechanics (XIOPM) van de Chinese Academie van Wetenschappen heeft het fysisch-chemisch geïnformeerde spectrale Transformer (PIST) model ontwikkeld. Dit model is gecombineerd met ultraviolet-visible-korte golf nabij-infrarood (UV–vis-SWNIR) spectroscopie voor het meten van waterkwaliteit. Hun studie is gepubliceerd in Environmental Science & Technology en is geselecteerd als een coverartikel.

Volgens Prof. Liu Jiacheng van XIOPM, de eerste auteur van deze studie, “maakt ons onderzoek gebruik van de integratie van fundamentele fysisch-chemische eigenschappen in de Transformer-architectuur. AI-verbeterde spectroscopische technologieën bieden veelbelovende mogelijkheden voor milieutoezicht als krachtige hulpmiddelen.”

Spectroscopie, die de absorptie van licht bij specifieke golflengten door elektronen in verontreinigende moleculen detecteert, wordt op grote schaal gebruikt voor waterkwaliteitsanalyse. De belangrijkste uitdaging is het opbouwen van nauwkeurige en generaliseerbare modellen die spectrale signalen kwantitatief kunnen relateren aan waterkwaliteitsindexen.

Traditionele modellen zoals partiële kleinste kwadraten (PLS) en convolutionele neurale netwerken (CNN’s) worden veel gebruikt, maar ondervinden beperkingen bij het extraheren van spectrale kenmerken en de generaliseerbaarheid onder verschillende omstandigheden.

In deze studie introduceerden de onderzoekers de PIST-architectuur, het eerste op een Transformer gebaseerde model dat is afgestemd op spectroscopische analyse van waterkwaliteit. Deze architectuur bevat een fysisch-chemisch geïnformeerd blok om domeinanpassing mogelijk te maken en een functie-embedding blok om de globale functie-extractie te verbeteren, wat de modelprestaties aanzienlijk verbetert.

Experimentele validatie bevestigde de hoge nauwkeurigheid en generaliseerbaarheid van het PIST-model bij het meten van chemische zuurstofbehoefte (COD) concentraties. In combinatie met UV–vis-SWNIR spectroscopie biedt het model een snelle, betrouwbare en kosteneffectieve oplossing voor de beoordeling van waterkwaliteit. Bovendien, wanneer het wordt ingezet met in situ spectrale verzamelingstoestellen, heeft het potentieel voor langdurig milieutoezicht en snelle reacties op watervervuilingsnoodgevallen.

Deze studie markeert een stap vooruit in de toepassing van AI-gestuurde methoden voor milieubescherming en biedt nieuwe kansen voor intelligente monitoring van waterkwaliteit.