沈 英, 吳 盼, 黃 峰, 郭翠霞

福州大學(xué)機(jī)械工程及自動(dòng)化學(xué)院, 福建 福州 350116

引 言

赤潮作為一種全球性的海洋災(zāi)害, 嚴(yán)重阻礙了海洋生態(tài)和經(jīng)濟(jì)的發(fā)展[1]。 隨著全球, 特別是我國近海赤潮頻發(fā), 確定赤潮類型和濃度從而科學(xué)有效地防治和減小赤潮危害, 已成為海洋環(huán)境保護(hù)的重要課題。

目前, 赤潮檢測的方法主要有: 觀察法、 遙感檢測和光譜檢測。 傳統(tǒng)的人工觀察操作過程復(fù)雜, 對操作人員專業(yè)性要求高。 遙感檢測受海面魚鱗光、 天氣等自然環(huán)境的影響檢測精度低。 光譜技術(shù)主要包括吸收光譜、 熒光光譜和高光譜成像(hyperspectral imaging, HSI)技術(shù)。 吸收光譜技術(shù)測量范圍廣, 但靈敏度低, 抗干擾能力差。 熒光光譜技術(shù)靈敏度高, 但檢測設(shè)備價(jià)格昂貴[2]。 HSI是一種對圖像和光譜進(jìn)行融合的技術(shù), 具有較高的檢測精度, 為微藻種類鑒別和細(xì)胞濃度檢測提供了一種快速、 準(zhǔn)確的測量方法。

赤潮藻細(xì)胞內(nèi)含有多種色素, 不同色素種類和比例都會(huì)引起赤潮藻吸收光譜和熒光光譜的變化。 基于此利用支持向量機(jī)(support vector machine, SVM)成功鑒別了海洋卡盾藻(Chattonellamarina)、 東海原甲藻(Prorocentrumdonghaiense)和球形棕囊藻(Phaeocystisglobasa)[1]。 但由于某些赤潮藻種所含色素種類相近而難以區(qū)分, 如甲藻、 硅藻和針胞藻, 利用光譜技術(shù)對其進(jìn)行鑒別的研究鮮有報(bào)道。

光譜也廣泛運(yùn)用于濃度測量中, 但受到濃度大小和范圍的限制, 在低濃度赤潮藻檢測中運(yùn)用較少, 而多用于高濃度經(jīng)濟(jì)微藻的檢測。 如Ballardo等[3]利用非線性模型測量四種微藻的細(xì)胞濃度, 其中三角褐指藻(Phaeodactylumtricornutum)測量濃度在1.00×106～1.67×107cells·mL-1, 遠(yuǎn)高于該藻種發(fā)生赤潮時(shí)的基準(zhǔn)濃度(1.00×104cells·mL-1)[4]。 同時(shí), 模型測量濃度范圍也會(huì)影響光譜檢測的準(zhǔn)確性, 模型濃度范圍變化越大, 檢測準(zhǔn)確性越低。 Guijarro等[5]利用偏最小二乘(partial least squares, PLS)法建立柵藻(Scenedesmus)濃度預(yù)測模型時(shí)發(fā)現(xiàn)濃度范圍在2×106～3×106cells·mL-1時(shí), 模型的預(yù)測值與觀測值最接近, 而此時(shí)最高濃度僅為最低濃度的1.5倍, 濃度范圍小。

針對甲藻、 硅藻和針胞藻的光譜檢測困難, 且低細(xì)胞濃度藻液的光譜預(yù)測模型精度較低的問題, 搭建HSI系統(tǒng), 采集了大量甲藻(強(qiáng)壯前溝藻)、 硅藻(中肋骨條藻和三角褐指藻)和針胞藻(赤潮異灣藻)的光譜數(shù)據(jù), 對比了不同光譜預(yù)處理手段、 波段篩選算法與建模方法的交互影響及其對藻種鑒別和藻細(xì)胞濃度測量的影響。

1 實(shí)驗(yàn)部分

1.1 藻種和培養(yǎng)條件

選擇福建省周邊海域常見的4種赤潮藻為檢測樣本, 分別為強(qiáng)壯前溝藻(Amphidiniumcarterae)、 赤潮異灣藻(Heterosigmaakashiwo)、 中肋骨條藻(Skeletonemacostatum)和三角褐指藻, 由廈門大學(xué)近海海洋環(huán)境科學(xué)實(shí)驗(yàn)室提供, 使用F/2培養(yǎng)基培養(yǎng), 鹽度為30～35 g·L-1, pH為8.0, 溫度控制在22 ℃, 光照強(qiáng)度為6 300 lux, 光照周期為14L∶10D。

1.2 高光譜檢測系統(tǒng)搭建和數(shù)據(jù)采集

1.2.1 樣本制備和生物量測量

取指數(shù)增長期的藻種(104～106cells·mL-1)加入人工海水進(jìn)行稀釋, 每個(gè)藻種設(shè)置不少于10個(gè)濃度梯度(稀釋1、 2、 3、 4、 5、 6、 7、 8、 9、 10倍), 稀釋到接近赤潮發(fā)生時(shí)的基準(zhǔn)濃度。 藻細(xì)胞濃度用血球計(jì)數(shù)板和浮游植物計(jì)數(shù)框在顯微鏡下獲得[6]。 每個(gè)濃度設(shè)置不少于5個(gè)平行樣本, 每個(gè)樣本采集兩次取平均, 4個(gè)藻種樣本總數(shù)為398。

1.2.2 光譜采集系統(tǒng)搭建

搭建的高光譜采集系統(tǒng)如圖1所示, 包括雙利合譜GaiaField-V10E高光譜相機(jī)(Dualix Instruments Co., Ltd., China)、 鹵素光源、 背景板、 培養(yǎng)皿、 暗箱和電腦。 其中, 高光譜相機(jī)波長范圍在386.2～1 034.9 nm, 光譜分辨率為2.8 nm, 曝光時(shí)間為15.2 ms; 背景板材質(zhì)為米白色植絨布; 鹵素光源由50 W鹵素?zé)艉椭绷鞣€(wěn)壓控制器組成。 為了避免其他外部光源的影響, 整個(gè)高光譜系統(tǒng)置于暗箱中。 將藻液樣品充分?jǐn)嚢杈鶆? 用移液槍取樣5 mL放入直徑為35 mm培養(yǎng)皿中, 通過高光譜數(shù)據(jù)采集系統(tǒng)采樣。

圖1 高光譜成像系統(tǒng)示意圖

1.2.3 高光譜數(shù)據(jù)校正和提取

為了減少系統(tǒng)誤差和外部環(huán)境的不利影響, 采用式(1)[7]獲得校正后的高光譜圖像反射率

(1)

式(1)中,Rci為校正后的光譜, Sampleci為原始高光譜圖像, Whiteci和Darkci分別為反射率99%標(biāo)準(zhǔn)白板圖像和蓋上鏡頭蓋獲得的暗電流圖像。

原始高光譜圖像通過式(1)校正后, 用ENVI 5.1(ITT Visual Information Solutions, United States)選取藻液所在區(qū)域作為感興趣區(qū)域(平均大小為以70 pixel為直徑的圓), 計(jì)算感興趣區(qū)域光譜反射率的平均值作為樣本的光譜反射率。 對獲取的所有樣本的光譜反射率數(shù)據(jù), 采用SPXY算法(sample set partitioning based on joint x-y distances, SPXY)[8]按照2∶1的比例劃分建模集和預(yù)測集。 化學(xué)計(jì)量學(xué)算法和數(shù)字圖像處理技術(shù)主要由Matlab2018a(The MathWorks, Natick, MA, USA)、 Unscrambler version10.4(CAMO PROCESS AS, Norway)、 OriginPro 2021(OriginLab, Northampton, MA, USA)軟件實(shí)現(xiàn)。

1.3 預(yù)測模型建立

光譜預(yù)測模型建立包括光譜數(shù)據(jù)預(yù)處理、 特征波段提取和模型建立三個(gè)步驟。

1.3.1 光譜數(shù)據(jù)預(yù)處理

高光譜圖像采集過程受光源電壓不穩(wěn)定、 光線不均勻、 儀器精度等因素的影響[7]。 采集的光譜往往帶有不同程度的噪聲, 在提取特征波段進(jìn)行建模時(shí), 這種噪聲的影響可能會(huì)導(dǎo)致建模效果差、 魯棒性低。 光譜預(yù)處理可以減少噪聲對特征波段提取以及建模的影響, 從而提高預(yù)測模型的精度。 表1所示為篩選的7種預(yù)處理方法及其特點(diǎn)。

表1 所選光譜預(yù)處理方法及其特點(diǎn)

1.3.2 特征波段選擇

高光譜數(shù)據(jù)量龐大, 有效地去除背景信息, 提取代表微藻信息的特征波段, 有利于提高效率和準(zhǔn)確率。 采用2種特征波段提取方法, 分別是遺傳算法(genetic algorithms, GA)和連續(xù)投影算法(successive projections algorithm, SPA)。

GA借鑒生物界自然選擇和遺傳機(jī)制的原理, 利用選擇、 交叉和變異運(yùn)算的相互配合, 不斷地遺傳迭代, 共同完成搜索空間的全局和局部搜索。 使目標(biāo)函數(shù)值較優(yōu)的變量被保留, 較差的變量被淘汰, 最終得到最優(yōu)結(jié)果。 GA算法采用PLS交互驗(yàn)證的預(yù)測值和實(shí)際值的相關(guān)系數(shù)作為適應(yīng)度函數(shù)[9], 迭代次數(shù)為100次。

SPA則致力于減少數(shù)據(jù)冗余和共線性問題。 它始于一個(gè)波長, 并為接下來的每一次迭代合并一個(gè)新的波長, 直到達(dá)到指定數(shù)量的波長。 最后在總體方差無顯著性差異的情況下, 選擇均方根誤差最小時(shí)對應(yīng)的波段作為特征波段[10]。

1.3.3 建模

由于不同波段和類型的光譜特征有所不同, 且檢測對象的目標(biāo)特性也不盡相同, 因此, 兩者間的關(guān)系具有不確定性。 光譜建模算法各有優(yōu)勢, 需要針對不同的應(yīng)用對象, 選擇合適的算法。 本研究采用兩種分類方法和三種回歸模型分別進(jìn)行藻種鑒別和濃度測量, 不同建模方法的特點(diǎn)如表2所示。

表2 所選光譜建模方法及其特點(diǎn)

1.3.4 模型評估

藻種鑒別模型利用準(zhǔn)確率(accuracy)進(jìn)行評價(jià), 而濃度測量模型則通過決定系數(shù)(coefficient ofdetermination,R2)、 平均絕對誤差(mean absolute error, MAE)和平均相對誤差(mean absoluterelative error, MARE)來評價(jià),R2、 MAE和MARE的值可由式(2)、 式(3)和式(4)[6]計(jì)算得到

(2)

式(2)中,yture, i為第i個(gè)樣品的真值,ypre, i為第i個(gè)樣品的模型預(yù)測值,ymean所有樣品真值的平均值,n為樣品個(gè)數(shù)。

(3)

(4)

2 結(jié)果與討論

2.1 藻種分析

赤潮發(fā)生時(shí)赤潮藻會(huì)消耗水中的溶解氧, 導(dǎo)致動(dòng)物窒息性死亡, 造成經(jīng)濟(jì)損失, 影響海洋漁業(yè)的發(fā)展。 如表3所示, 強(qiáng)壯前溝藻(甲藻)、 赤潮異灣藻(針胞藻)、 中肋骨條藻(硅藻)和三角褐指藻(硅藻)對生態(tài)環(huán)境的影響各不相同。 所以, 通過光譜分析來實(shí)現(xiàn)藻種鑒別具有重要意義。

表3 四種赤潮藻的生物和光譜信息

圖2(a)—(d)分別顯示了強(qiáng)壯前溝藻(細(xì)胞濃度在 1.05×103～1.05×104cells·mL-1之間)、 赤潮異灣藻(細(xì)胞濃度在1.05×104～2.51×105cells·mL-1之間)、 中肋骨條藻(細(xì)胞濃度在1.13×104～2.38×105cells·mL-1之間)和三角褐指藻(細(xì)胞濃度在1.06×105～4.36×106cells·mL-1之間)的原始光譜曲線。 如圖2(a)和(c)所示, 強(qiáng)壯前溝藻和中肋骨條藻的光譜曲線形狀相似, 在400～450和685～710 nm分別存在一個(gè)較大的反射谷和反射峰。 可能的原因是強(qiáng)壯前溝藻和中肋骨條藻色素種類和比例相似(見表3), 受到葉綠素a(Chla)和葉綠素c(Chlc)的疊加作用在400～450 nm形成一個(gè)較大的反射谷[16], 而685～710 nm的反射峰是赤潮水體的特征反射峰[17]。 如圖2(b)和(d)所示, 赤潮異灣藻和三角褐指藻的光譜曲線形狀相似。 可能的原因是赤潮異灣藻與三角褐指藻色含有大量Chla使得光譜曲線在440和675 nm波段附近形成反射谷外, 且都含有大量巖藻黃素使得光譜曲線在489～491 nm處有反射谷(見表3)。 所以, 采用原始光譜很難將這四個(gè)種類的赤潮藻區(qū)分開, 需要建立模型來表示藻種光譜信息與藻種類別之間的關(guān)系, 以達(dá)到鑒別藻種的目的。

圖2 原始光譜曲線

2.2 藻種鑒別結(jié)果分析

將原始光譜(Raw)數(shù)據(jù)和經(jīng)過7種預(yù)處理(見表1)后的數(shù)據(jù)用兩種波段篩選方法(分別是GA和SPA)提取特征波段, 然后采用SVM和反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network, BPNN)進(jìn)行建模, 其結(jié)果如圖3所示。 由圖3(a)可知基于Savitzky-Golay平滑的二階導(dǎo)數(shù)結(jié)合GA(SG+2nd-GA)的組合方法在采用SVM和BPNN兩種建模方法時(shí)都獲得了100%的準(zhǔn)確率, 由圖3(b)可知SG+2nd-SPA組合方法在采用SVM和BPNN兩種建模方法時(shí)也分別取得了98.5%和96.2%的準(zhǔn)確率。 結(jié)果表明恰當(dāng)?shù)念A(yù)處理方法可以提升波段篩選的準(zhǔn)確率, 從而提高建模的精度。 采用SG+2nd的預(yù)處理方法可以提高波段篩選和建模的準(zhǔn)確率, 適用于低濃度具有相似光譜曲線的赤潮藻種鑒別。

圖3 四種赤潮藻經(jīng)(a)GA和(b)SPA提取特征波段的鑒別的結(jié)果

從圖3中還可以看出波段篩選方法對模型準(zhǔn)確率有關(guān)鍵性的影響, 采用GA波段篩選方法時(shí), 不同的預(yù)處理與建模方法對模型預(yù)測精度的影響較小(準(zhǔn)確率在93.9%～100.0%之間), 而采用SPA波段篩選方法時(shí), 不同預(yù)處理與建模方法對模型預(yù)測精度的影響較大(準(zhǔn)確率在18.9%～100.0%之間)。 為了進(jìn)一步分析原因, 表4列出了基于不同預(yù)處理算法GA和SPA提取出的特征波段。 由表4可知, GA提取的特征波段位于450.6～837.2 nm之間, 主要集中在450.6～494.0和552.7～644.7 nm, 這些波段位于藻細(xì)胞中不同色素對光的吸收波段范圍內(nèi)(見表3)。 而SPA提取的特征波段位于386.2～1 032.1 nm之間, 部分位于386.2～393.3和1 032.1 nm, 這些波段在高光譜相機(jī)光譜探測范圍的兩端, 受噪聲影響大, 不適合作為代表藻種信息的特征波段。 上述結(jié)果表明GA提取的特征波段更具代表性和有效性, 而SPA提取的部分特征波段受噪聲影響大不利于建模。

表4 不同預(yù)處理算法處理后GA和SPA所提取的特征波段

特征波段的代表性和有效性是影響藻種鑒別準(zhǔn)確率的關(guān)鍵。 如表4所示, SG+2nd-GA提取的特征波段為547.8、 562.6、 644.7、 829.4和832.0 nm, 這可能與不同微藻細(xì)胞內(nèi)色素種類和比例有關(guān)。 其中547.8 nm可能與巖藻黃素吸收有關(guān), 巖藻黃素是赤潮異灣藻、 中肋骨條藻和三角褐指藻主要色素之一, 而在強(qiáng)壯前溝藻中不存在(見表3)。 562.6 nm波段則是受到Chla的影響[2]。 644.7 nm可能是同時(shí)受到Chla和Chlc的影響[18]。 829.4和832.0 nm是由于藻液中水的O—H鍵的作用[18]。 波段出現(xiàn)稍微偏移的原因可能是: (1)不同藻種色素種類和比例不同; (2)同藻種不同生長周期色素含量不同; (3)同藻種不同個(gè)體色素含量不同[19]。 綜上所述, SG+2nd-GA提取的波段是各藻種中不同色素對光吸收的特征波段, 所以能夠100%成功鑒別強(qiáng)壯前溝藻、 赤潮異灣藻、 中肋骨條藻和三角褐藻。

2.3 藻細(xì)胞濃度預(yù)測模型結(jié)果分析

根據(jù)前面的描述, SG+2nd-GA的組合方式對4種赤潮藻的光譜曲線降噪和篩選特征波段具有一定的優(yōu)勢。 圖4標(biāo)記了4個(gè)藻種SG+2nd-GA處理后的特征波段, 其中, 強(qiáng)壯前溝藻的特征波段是577.4、 667.4、 669.9、 672.5和675.0 nm, 赤潮異灣藻的特征波段是654.8、 667.4、 672.5和675.0 nm, 中肋骨條藻的特征波段是669.9、 672.5和675.0 nm, 三角褐指藻的特征波段是652.3、 680.1和695.3 nm。 不同色素對特定波長處的光吸收度是進(jìn)行濃度預(yù)測的可靠指標(biāo), 利用葉綠素在684 nm處對光的吸收度曾被用來測量近頭狀尖胞藻(Pseudokirchneriellasubcapitata(Korschikov)Hindk)的細(xì)胞濃度, 且模型預(yù)測R2達(dá)到0.999 8[20]。 四種赤潮藻的濃度預(yù)測模型波段主要集中在紅光區(qū)域(620～780 nm), 該區(qū)域是Chla的主要吸收光譜范圍。 其中強(qiáng)壯前溝藻、 赤潮異灣藻和中肋骨條藻都選擇675 nm作為特征波段之一, 這與許多學(xué)者認(rèn)為Chla在675 nm處有光譜吸收峰相一致[2, 21]。 此外, 577.4 nm[如圖4 (a)所示]作為強(qiáng)壯前溝藻細(xì)胞濃度特征波段, 可能與強(qiáng)壯前溝藻富含有Chlc有關(guān)[16], 根據(jù)2.2中特征波段出現(xiàn)微偏移可能的原因, 對四種赤潮藻濃度進(jìn)行預(yù)測時(shí)選擇的波段還與Ballardo等[3]使用677 nm處的吸收系數(shù)預(yù)測三角褐指藻的濃度相符合。

圖4 SG+2nd預(yù)處理后4種微藻的光譜曲線(紅點(diǎn)標(biāo)記處為GA所選特征波段)

進(jìn)行藻種濃度測量時(shí), 濃度范圍與測量誤差是考量模型價(jià)值的重要因素。 如表5所示, 應(yīng)用了三種建模方法(分別是多元線性回歸(multiple linear regression, MLR)、 PLS和支持向量回歸(support vector regression, SVR))對四種赤潮藻建立濃度預(yù)測模型, 結(jié)果表明四種赤潮藻的SVR建模集和預(yù)測集R2均大于0.98。 其中, 強(qiáng)壯前溝藻和中肋骨條藻模型濃度預(yù)測范圍分別在1.05×103～1.05×104和1.13×104～2.38×105cells·mL-1, 最低濃度達(dá)到該藻種發(fā)生赤潮時(shí)的基準(zhǔn)濃度。 相比商業(yè)型藻種(如小球藻、 螺旋藻等), 赤潮藻的細(xì)胞濃度較低, 且葉綠素含量也較低, 造成光譜反射率波動(dòng)范圍小, 建模難度大, 且建模精度將隨著細(xì)胞濃度的下降而急劇下降, 這也是應(yīng)用光譜測量手段探測初期赤潮遇到的瓶頸。 Ballardo等[3]應(yīng)用分光光度計(jì)實(shí)現(xiàn)了三角褐指藻藻種濃度的預(yù)測, 達(dá)到的最低預(yù)測濃度為1.37×106cells·mL-1, 而本工作應(yīng)用高光譜探測的手段實(shí)現(xiàn)對該藻種最低濃度1.06×105cells·mL-1的預(yù)測, 說明本文提出的SG+2nd-GA-SVR建模方法具有一定的先進(jìn)性。

表5 SG+2nd-GA處理后不同建模方法細(xì)胞濃度預(yù)測結(jié)果

如表5所示, SVR非線性建模方法, 效果優(yōu)于MLR和PLS線性建模效果。 可能的原因是微藻細(xì)胞濃度預(yù)測模型主要建立微藻細(xì)胞內(nèi)色素濃度與吸收系數(shù)之間的關(guān)系。 由于“包絡(luò)效用”使色素濃度與赤潮藻吸收系數(shù)之間并不是簡單的線性關(guān)系, 而是一種復(fù)雜的非線性變化[21], 如Chl a與光譜反射率之間存在冪指數(shù)關(guān)系[22]。

3 結(jié) 論

采用高光譜測量手段對強(qiáng)壯前溝藻、 赤潮異灣藻、 中肋骨條藻和三角褐指藻四種赤潮藻種進(jìn)行鑒別和細(xì)胞濃度測量。 比較了7種預(yù)處理方法和2種數(shù)據(jù)降維方法, 結(jié)果表明SG+2nd-GA的組合方式對這四種赤潮藻的光譜曲線降噪和特征波段提取具有一定的優(yōu)勢, 通過提取5個(gè)波段與SVM或BPNN結(jié)合能100%鑒別這四種微藻。 藻細(xì)胞模型濃度預(yù)測結(jié)果表明色素是判斷赤潮濃度的一個(gè)重要因素。 此外, SG+2nd-GA-SVR在三種濃度預(yù)測模型中預(yù)測結(jié)果最好, 四種藻預(yù)測模型R2均大于0.98, 其中強(qiáng)壯前溝藻和中肋骨條藻最低預(yù)測濃度達(dá)到該藻種發(fā)生赤潮時(shí)的基準(zhǔn)濃度, 三角褐指藻突破了現(xiàn)有光譜技術(shù)對其預(yù)測的最低濃度。 本研究所建立的高光譜反射系統(tǒng)藻種鑒別和濃度預(yù)測方法, 為快速、 無損探測赤潮提供了新方法, 為赤潮監(jiān)測和防治提供了新依據(jù)。