Resonon 利用高光譜成像技術推進有害藻華檢測_abio生物試劑品牌網
氣候變化和工業(yè)生產對沿海及海洋系統(tǒng)產生了顯著影響，其中氣溫升高尤為導致有害藻華（HAB）頻發(fā)的重要因素。這一現(xiàn)象在中東、美洲及東南亞地區(qū)尤為突出，因為高溫、富營養(yǎng)化的水體和停滯的環(huán)境為藻類生長提供了理想條件。HAB 不僅破壞海洋生態(tài)系統(tǒng)，還威脅人類健康，并降低飲用水質量。特別是在反滲透（SWRO）海水淡化廠中，HAB 通過釋放藻類有機物（AOM）引發(fā)預處理過濾器堵塞、膜污染，甚至導致設施停運，造成巨大的經濟損失。傳統(tǒng)的水質監(jiān)測方法受限于采樣和實驗室分析的復雜性，難以及時響應動態(tài)藻華變化，而高光譜成像技術則通過實時監(jiān)測藻類色素的光譜特征，為大范圍區(qū)域提供了一種高效的解決方案。
研究過程 /Research process/
本研究利用實驗室規(guī)模的高光譜成像系統(tǒng)研究藻華的光譜特性，并結合深度學習模型優(yōu)化污染預測。研究目標包括：(1) 確定與 AOM 和膜污染相關的關鍵光譜帶，(2) 開發(fā)卷積神經網絡（CNN）和隨機森林（RF）模型以預測污染指標，以及 (3) 評估高光譜成像在 HAB 事件期間實時監(jiān)測 SWRO 海水淡化廠的可行性。通過分析光譜數(shù)據與污垢指數(shù)的關系，本研究為提高海水淡化設施的運行效率、緩解藻華影響提供了科學依據和技術支持。
圖 1. 研究工作流程示意圖。
圖 1 展示了利用高光譜和深度學習算法進行研究的總體流程。首先，收集與污垢相關的 AOM 數(shù)據（如 SDI、MFI、TOC、TEP 和藻類密度），并捕獲高光譜數(shù)據作為模型輸入（圖 1(a)）。隨后對高光譜數(shù)據進行預處理，以支持深度學習模擬（圖 1(b)）。
預處理后的高光譜數(shù)據用于訓練深度學習算法，模擬與 AOM 相關的污垢指標，并通過分析模型性能比較算法效果（圖 1(c)）。此外，通過可解釋人工智能 (XAI) 方法，對 RF 模型進行特征重要性分析、對 CNN 模型進行激活圖分析，確定對預測污垢和 HAB 指標關鍵的光譜特征區(qū)域（圖 1(d)）。
本研究使用美國Resonon PIka L 高光譜成像儀獲取高光譜圖像，該傳感器以 2 nm 的光譜分辨率捕獲可見光至紅外光譜范圍內的圖像。圖像覆蓋范圍從 380 nm 到 1024 nm，包含 322 個波段；本研究僅使用 400 nm 至 1000 nm 范圍以確保準確的波段和反射值。設置了一個實驗室臺式站用于高光譜數(shù)據采集，如圖 1(a) 所示。使用放置在高光譜傳感器上方的鹵素燈模擬陽光，向藻類樣本發(fā)射整個光譜范圍內的光。此外，還使用LD PTFE 特氟龍瓷磚作為白色參考，在 400 nm 和 2000 nm 之間提供不同的反射率。
圖 2. 不同藻類的光譜和導數(shù)分析結果。(a) 和 (b) 分別顯示 A. catenella物種的反射率及其一階導數(shù)。(c) 和 (d) 顯示了M. polykrikoides物種的反射率及其一階導數(shù)。綠線和紅線分別表示平均反射率及其一階導數(shù)。灰色陰影區(qū)域表示所有測量的反射率和一階導數(shù)值的范圍，而橙色陰影區(qū)域表示波長光譜中具有顯著特征或變化的區(qū)域。
圖 3. 通過條形圖描繪了 CNN 和 RF 模型之間的性能比較。左側圖表顯示 R2 值，中間圖表顯示對數(shù)轉換的 MSE (log(MSE)) 值，右側圖表顯示平均相對誤差 (MRE) 值。這些圖表表示模型在預測 AOM 和污垢指數(shù)方面的準確性。結果一致表明，CNN 模型在所有三個指標上都優(yōu)于 RF 模型：R2、log(MSE) 和 MRE。
圖 4. 通過使用 CNN 和 RF 進行特征提取研究的 AOM 和污垢指數(shù)的重要特征（nm）摘要，突出顯示了重疊區(qū)域。
研究結果 /Research results/
本研究驗證了適用于海洋和沿海地區(qū)的通用標準化模型的發(fā)展。為確保實際應用和準確理解，未來研究應結合多種藻類物種的綜合分析與實驗，揭示不同藻類與環(huán)境因素的相互作用，從而更深入了解 HAB 動態(tài)及其影響。此外，需進一步探索不僅現(xiàn)有的污垢指數(shù)（如MFI和SDI），還包括實際RO污垢現(xiàn)象。這些指數(shù)在預測小于0.45μm 的顆粒造成的污垢方面表現(xiàn)有限，且未考慮餅狀物持續(xù)滲透壓效應的影響。因此，研究應聚焦小顆粒對滲透壓的作用。
結果顯示，CNN模型在直接污染指標的準確性和穩(wěn)定性方面表現(xiàn)優(yōu)異，RF 模型在解釋間接指標時也有獨特優(yōu)勢。針對實際應用（如 SWRO海水淡化過程），未來可探索結合CNN和RF模型優(yōu)勢的混合建模方法，同時加強數(shù)據收集和模型優(yōu)化，以降低 (R)MSE 并提升模型穩(wěn)健性。盡管存在局限性，RF模型在結垢預測和海水淡化系統(tǒng)決策支持方面仍提供了重要見解。未來研究應在多藻類和多結垢條件的真實場景中驗證這些模型，以提升其可靠性和實用性。
此外，本研究為開發(fā)專用遙感技術提供了方向，可提升SWRO海水淡化廠在 HAB事件期間的運行效率。例如，通過在無人機上安裝光譜傳感器，可更高效、經濟地監(jiān)測取水源的水質變化。持續(xù)研究與技術開發(fā)將為水資源的可持續(xù)管理提供創(chuàng)新解決方案。
