选择福建省周边海域常见的4种赤潮藻为检测样本, 分别为强壮前沟藻(Amphidinium carterae)、 赤潮异湾藻(Heterosigma akashiwo)、 中肋骨条藻(Skeletonema costatum)和三角褐指藻, 由厦门大学近海海洋环境科学实验室提供, 使用F/2培养基培养, 盐度为30~35 g· L^-1, pH为8.0, 温度控制在22 ℃, 光照强度为6 300 lux, 光照周期为14L∶ 10D。

1.2.1 样本制备和生物量测量

取指数增长期的藻种(10⁴~10⁶ cells· mL^-1)加入人工海水进行稀释, 每个藻种设置不少于10个浓度梯度(稀释1、 2、 3、 4、 5、 6、 7、 8、 9、 10倍), 稀释到接近赤潮发生时的基准浓度。 藻细胞浓度用血球计数板和浮游植物计数框在显微镜下获得^[6]。 每个浓度设置不少于5个平行样本, 每个样本采集两次取平均, 4个藻种样本总数为398。

1.2.2 光谱采集系统搭建

搭建的高光谱采集系统如图1所示, 包括双利合谱GaiaField-V10E高光谱相机(Dualix Instruments Co., Ltd., China)、 卤素光源、 背景板、 培养皿、 暗箱和电脑。 其中, 高光谱相机波长范围在386.2~1 034.9 nm, 光谱分辨率为2.8 nm, 曝光时间为15.2 ms; 背景板材质为米白色植绒布; 卤素光源由50 W卤素灯和直流稳压控制器组成。 为了避免其他外部光源的影响, 整个高光谱系统置于暗箱中。 将藻液样品充分搅拌均匀, 用移液枪取样5 mL放入直径为35 mm培养皿中, 通过高光谱数据采集系统采样。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 高光谱成像系统示意图Fig.1 The schematic diagram of the hyperspectral imaging detection system

1.2.3 高光谱数据校正和提取

为了减少系统误差和外部环境的不利影响, 采用式(1)^[7]获得校正后的高光谱图像反射率

${{R}_{\text{ci}}}=\frac{\ \ \ \ \text{Sampl}{{\text{e}}_{\text{ci}}}\ \ -\ \ \text{Dar}{{\text{k}}_{\text{ci}}}\ \ \ \ }{\ \ \text{Whit}{{\text{e}}_{\text{ci}}}\ \ -\ \ \text{Dar}{{\text{k}}_{\text{ci}}}\ \ \ \ }$(1)

式(1)中, R_ci为校正后的光谱, Sample_ci为原始高光谱图像, White_ci和Dark_ci分别为反射率99%标准白板图像和盖上镜头盖获得的暗电流图像。

原始高光谱图像通过式(1)校正后, 用ENVI 5.1(ITT Visual Information Solutions, United States)选取藻液所在区域作为感兴趣区域(平均大小为以70 pixel为直径的圆), 计算感兴趣区域光谱反射率的平均值作为样本的光谱反射率。 对获取的所有样本的光谱反射率数据, 采用SPXY算法(sample set partitioning based on joint x-y distances, SPXY)^[8]按照2∶ 1的比例划分建模集和预测集。 化学计量学算法和数字图像处理技术主要由Matlab2018a(The MathWorks, Natick, MA, USA)、 Unscrambler version10.4(CAMO PROCESS AS, Norway)、 OriginPro 2021(OriginLab, Northampton, MA, USA)软件实现。

光谱预测模型建立包括光谱数据预处理、 特征波段提取和模型建立三个步骤。

1.3.1 光谱数据预处理

高光谱图像采集过程受光源电压不稳定、 光线不均匀、 仪器精度等因素的影响^[7]。 采集的光谱往往带有不同程度的噪声, 在提取特征波段进行建模时, 这种噪声的影响可能会导致建模效果差、 鲁棒性低。 光谱预处理可以减少噪声对特征波段提取以及建模的影响, 从而提高预测模型的精度。 表1所示为筛选的7种预处理方法及其特点。

表1

Table 1

表1(Table 1)

表1 所选光谱预处理方法及其特点 Table 1 The selected spectral pretreatment methods and their characteristics 预处理 英文全称 缩写 特点 标准化 Autoscaling Auto 消除谱图间基线游移 归一化 Normalization Nor 消除多余信息, 增加样品之间的差异, 提高模型的稳健性和预测能力 多元散射校正 Multiplicative Scatter Correction MSC 消除由于样本不均和颗粒大小不同所产生的散射对光谱的影响 变量标准化 Standard Normalized Variate SNV 校正样品间因散射引起的误差 Savitzky-Golay平滑 Savitzky-Golay Smoothing SG 剔除系统噪声等显著的无效信息, 保留光谱的细节信息, 使光谱曲线平滑性和连续性更好 基于SG的一阶导数 First Derivative Based on Savitzky-Golay SG+1st 可以表示波段变化的快慢和极值所在位置 基于SG的二阶导数 Second Derivative Based on Savitzky-Golay SG+2nd 提供光谱曲线的凹凸信息, 有助于分离重叠吸收区域产生的二级吸收峰和谷, 放大不同类型的藻种形态、 体内水分和色素含量等

表1 所选光谱预处理方法及其特点 Table 1 The selected spectral pretreatment methods and their characteristics

1.3.2 特征波段选择

高光谱数据量庞大, 有效地去除背景信息, 提取代表微藻信息的特征波段, 有利于提高效率和准确率。 采用2种特征波段提取方法, 分别是遗传算法(genetic algorithms, GA)和连续投影算法(successive projections algorithm, SPA)。

GA借鉴生物界自然选择和遗传机制的原理, 利用选择、 交叉和变异运算的相互配合, 不断地遗传迭代, 共同完成搜索空间的全局和局部搜索。 使目标函数值较优的变量被保留, 较差的变量被淘汰, 最终得到最优结果。 GA算法采用PLS交互验证的预测值和实际值的相关系数作为适应度函数^[9], 迭代次数为100次。

SPA则致力于减少数据冗余和共线性问题。 它始于一个波长, 并为接下来的每一次迭代合并一个新的波长, 直到达到指定数量的波长。 最后在总体方差无显著性差异的情况下, 选择均方根误差最小时对应的波段作为特征波段^[10]。

1.3.3 建模

由于不同波段和类型的光谱特征有所不同, 且检测对象的目标特性也不尽相同, 因此, 两者间的关系具有不确定性。 光谱建模算法各有优势, 需要针对不同的应用对象, 选择合适的算法。 本研究采用两种分类方法和三种回归模型分别进行藻种鉴别和浓度测量, 不同建模方法的特点如表2所示。

表2

Table 2

表2(Table 2)

表2 所选光谱建模方法及其特点 Table 2 The selected spectral modelling methods and their characteristics 类型 建模方法 英文全称 缩写 特点 藻种 鉴别 方法 支持向量机 Support Vector Machine SVM 解决样本数少、 局部最优以及数据在常规空间中线性不可分等问题 反向传播神经网络 Back Propagation Neural Network BPNN 通过误差反向传播调整神经元节点的权重, 得到最优网络, 能够实现输入和输出变量间的高度非线性映射, 在映射过程中具有自适应学习能力 浓度 测量 模型 多元线性回归 Multiple Linear Regression MLR 通过寻找最优线性组合拟合因变量, 是简单常用的分析方法 偏最小二乘 Partial Least Squares PLS 同时把光谱矩阵和物质目标特性矩阵分解成多个潜在变量, 选取最优潜在变量个数进行回归, 可以减少干扰组分因素, 实现数据降维 支持向量回归 Support Vector Regression SVR 将数据通过非线性映射到高维特征空间, 并在这个空间进行线性回归, 避免维数灾难问题, 能够实现全局最优

表2 所选光谱建模方法及其特点 Table 2 The selected spectral modelling methods and their characteristics

1.3.4 模型评估

藻种鉴别模型利用准确率(accuracy)进行评价, 而浓度测量模型则通过决定系数(coefficient ofdetermination, R²)、 平均绝对误差(mean absolute error, MAE)和平均相对误差(mean absoluterelative error, MARE)来评价, R²、 MAE和MARE的值可由式(2)、 式(3)和式(4)^[6]计算得到

${{R}^{2}}=1-\frac{\ \ \ \ \overset{n}{\mathop{\mathop{\sum }_{i=1}}}\, {{(\ {{y}\ _{\text{true}, i}}\ \ -\ \ {{y}\ _{\text{pre}, i}}\ \ \ )}\ ^{2}}\ \ \ \ \ \ }{\ \ \ \overset{n}{\mathop{\mathop{\sum }_{i=1}}}\, {{\ (\ {{y}\ _{\text{true}, i}}\ \ -\ \ {{y}\ _{\text{mean}}}\ \ \ )\ }^{2}}\ \ \ \ }$(2)

式(2)中, y_{ture, i}为第i个样品的真值, y_{pre, i}为第i个样品的模型预测值, y_mean所有样品真值的平均值, n为样品个数。

$MAE=\frac{1}{n}\overset{n}{\mathop{\underset{i=1}{\mathop \sum }\, }}\, \left| {{{{\hat{y}}}}_{i}}-{{y}_{i}} \right|$ (3)

$\text{MARE}=\frac{1}{n}\overset{n}{\mathop{\underset{i=1}{\mathop \sum }\, }}\, \left| \frac{{{{{\hat{y}}}}_{i}}-{{y}_{i}}}{{{y}_{i}}} \right|$(4)

式中, n为样本个数, y_i为第i个样本真值, ${{{\hat{y}}}_{i}}$为第i个样本预测值, MAE和MARE都大于0, 其值越小, 表示模型预测结果越好。

赤潮发生时赤潮藻会消耗水中的溶解氧, 导致动物窒息性死亡, 造成经济损失, 影响海洋渔业的发展。 如表3所示, 强壮前沟藻(甲藻)、 赤潮异湾藻(针胞藻)、 中肋骨条藻(硅藻)和三角褐指藻(硅藻)对生态环境的影响各不相同。 所以, 通过光谱分析来实现藻种鉴别具有重要意义。

表3

Table 3

表3(Table 3)

表3 四种赤潮藻的生物和光谱信息 Table 3 Biological and spectral informations of the four red tide algae species 藻种 强壮前沟藻 赤潮异湾藻 中肋骨条藻 三角褐指藻 拉丁文缩写 A. carterae H. akashiwo S. costatum P. tricornutum 门 甲藻 针胞藻 硅藻 硅藻 藻种赤潮类型 有害赤潮 有毒赤潮 无害赤潮 无害赤潮 赤潮发生时的基准浓度 /(cells· mL-1)[4] 1.0× 103 5.0× 103 1.0× 104 1.0× 104 对环境的影响 产生的环脂类细胞毒素会加剧西加鱼中毒, 导致鱼类死亡, 该种藻细胞裂解物还会抑制海胆发育[11] 产生超氧化物(包括超氧自由基、 羟基自由基、 过氧化氢等), 会造成养殖鱼类大面积死亡[12] 可以作饵料、 生物柴油的原料、 治疗癌症的候选药, 不产生毒素, 不影响海产品的使用安全[13] 富含大量的多不饱和脂肪酸和岩藻黄素, 而被视为极具开发前景的优质经济硅藻。 还常用作对虾、 蟹、 贝类的饵料[14] 主要色素及其吸收波段[15] 叶绿素a(413、 434~442、 623、 667~685 nm) 叶绿素c(449~452、 579~585、 630~634 nm) 类胡萝卜素(452、 477 nm) \ 岩藻黄素(449、 489~491、 508~536 nm)

表3 四种赤潮藻的生物和光谱信息 Table 3 Biological and spectral informations of the four red tide algae species

图2(a)— (d)分别显示了强壮前沟藻(细胞浓度在 1.05× 10³~1.05× 10⁴ cells· mL^-1之间)、 赤潮异湾藻(细胞浓度在1.05× 10⁴~2.51× 10⁵ cells· mL^-1之间)、 中肋骨条藻(细胞浓度在1.13× 10⁴~2.38× 10⁵ cells· mL^-1之间)和三角褐指藻(细胞浓度在1.06× 10⁵~4.36× 10⁶ cells· mL^-1之间)的原始光谱曲线。 如图2(a)和(c)所示, 强壮前沟藻和中肋骨条藻的光谱曲线形状相似, 在400~450和685~710 nm分别存在一个较大的反射谷和反射峰。 可能的原因是强壮前沟藻和中肋骨条藻色素种类和比例相似(见表3), 受到叶绿素a(Chla)和叶绿素c(Chlc)的叠加作用在400~450 nm形成一个较大的反射谷^[16], 而685~710 nm的反射峰是赤潮水体的特征反射峰^[17]。 如图2(b)和(d)所示, 赤潮异湾藻和三角褐指藻的光谱曲线形状相似。 可能的原因是赤潮异湾藻与三角褐指藻色含有大量Chla使得光谱曲线在440和675 nm波段附近形成反射谷外, 且都含有大量岩藻黄素使得光谱曲线在489~491 nm处有反射谷(见表3)。 所以, 采用原始光谱很难将这四个种类的赤潮藻区分开, 需要建立模型来表示藻种光谱信息与藻种类别之间的关系, 以达到鉴别藻种的目的。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 原始光谱曲线 (a): 强壮前沟藻; (b): 赤潮异湾藻; (c): 中肋骨条藻; (d): 三角褐指藻Fig.2 The original hyperspectral spectra (a): Amphidinium carterae; (b): Heterosigma akashiwo; (c): Skeletonema costatum; (d): Phaeodactylum tricornutum

将原始光谱(Raw)数据和经过7种预处理(见表1)后的数据用两种波段筛选方法(分别是GA和SPA)提取特征波段, 然后采用SVM和反向传播神经网络(back propagation neural network, BPNN)进行建模, 其结果如图3所示。 由图3(a)可知基于Savitzky-Golay平滑的二阶导数结合GA(SG+2^nd-GA)的组合方法在采用SVM和BPNN两种建模方法时都获得了100%的准确率, 由图3(b)可知SG+2^nd-SPA组合方法在采用SVM和BPNN两种建模方法时也分别取得了98.5%和96.2%的准确率。 结果表明恰当的预处理方法可以提升波段筛选的准确率, 从而提高建模的精度。 采用SG+2^nd的预处理方法可以提高波段筛选和建模的准确率, 适用于低浓度具有相似光谱曲线的赤潮藻种鉴别。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 四种赤潮藻经(a)GA和(b)SPA提取特征波段的鉴别的结果Fig.3 Identification results of four red tide algae species with (a) GA and (b) SPA based on selected characteristic selecting wavelengths

从图3中还可以看出波段筛选方法对模型准确率有关键性的影响, 采用GA波段筛选方法时, 不同的预处理与建模方法对模型预测精度的影响较小(准确率在93.9%~100.0%之间), 而采用SPA波段筛选方法时, 不同预处理与建模方法对模型预测精度的影响较大(准确率在18.9%~100.0%之间)。 为了进一步分析原因, 表4列出了基于不同预处理算法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之间, 主要集中在450.6~494.0和552.7~644.7 nm, 这些波段位于藻细胞中不同色素对光的吸收波段范围内(见表3)。 而SPA提取的特征波段位于386.2~1 032.1 nm之间, 部分位于386.2~393.3和1 032.1 nm, 这些波段在高光谱相机光谱探测范围的两端, 受噪声影响大, 不适合作为代表藻种信息的特征波段。 上述结果表明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声影响大不利于建模。

表4

Table 4

表4(Table 4)

表4 不同预处理算法处理后GA和SPA所提取的特征波段 Table 4 Feature bands extraction results of GA and SPA based on different pretreatment methods 预处理 GA提取的特征波段/nm SPA提取的特征波段/nm Raw 565.0, 567.5, 769.6, 826.7, 826.7 386.2, 388.6, 530.6, 609.7 Auto 481.9, 528.2, 565.0, 634.7 386.2, 393.3, 479.5, 597.2, 677.5, 728.5 MSC 450.6, 552.7, 565.0, 567.5, 639.7 441.0, 479.5, 570.0, 868.7 Nor 555.2, 570.0, 594.8 386.2, 390.9, 604.7, 746.4, 1032.1 SNV 450.6, 552.7, 565.0 572.4 386.2, 393.3, 479.5, 597.2, 677.5, 728.5 SG 682.6, 761.9, 795.5 386.2, 390.9, 530.6, 652.3 SG+1st 494.0, 557.6, 562.6, 837.2 545.3, 647.3, 834.6, 837.2 SG+2nd 547.8, 562.6, 644.7, 829.4, 832.0 535.5, 547.8, 562.6

表4 不同预处理算法处理后GA和SPA所提取的特征波段 Table 4 Feature bands extraction results of GA and SPA based on different pretreatment methods

特征波段的代表性和有效性是影响藻种鉴别准确率的关键。 如表4所示, SG+2^nd-GA提取的特征波段为547.8、 562.6、 644.7、 829.4和832.0 nm, 这可能与不同微藻细胞内色素种类和比例有关。 其中547.8 nm可能与岩藻黄素吸收有关, 岩藻黄素是赤潮异湾藻、 中肋骨条藻和三角褐指藻主要色素之一, 而在强壮前沟藻中不存在(见表3)。 562.6 nm波段则是受到Chla的影响^[2]。 644.7 nm可能是同时受到Chla和Chlc的影响^[18]。 829.4和832.0 nm是由于藻液中水的O— H键的作用^[18]。 波段出现稍微偏移的原因可能是: (1)不同藻种色素种类和比例不同; (2)同藻种不同生长周期色素含量不同; (3)同藻种不同个体色素含量不同^[19]。 综上所述, SG+2^nd-GA提取的波段是各藻种中不同色素对光吸收的特征波段, 所以能够100%成功鉴别强壮前沟藻、 赤潮异湾藻、 中肋骨条藻和三角褐藻。

根据前面的描述, SG+2^nd-GA的组合方式对4种赤潮藻的光谱曲线降噪和筛选特征波段具有一定的优势。 图4标记了4个藻种SG+2^nd-GA处理后的特征波段, 其中, 强壮前沟藻的特征波段是577.4、 667.4、 669.9、 672.5和675.0 nm, 赤潮异湾藻的特征波段是654.8、 667.4、 672.5和675.0 nm, 中肋骨条藻的特征波段是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。 不同色素对特定波长处的光吸收度是进行浓度预测的可靠指标, 利用叶绿素在684 nm处对光的吸收度曾被用来测量近头状尖胞藻(Pseudokirchneriella subcapitata(Korschikov)Hindá k)的细胞浓度, 且模型预测R²达到0.999 8^[20]。 四种赤潮藻的浓度预测模型波段主要集中在红光区域(620~780 nm), 该区域是Chla的主要吸收光谱范围。 其中强壮前沟藻、 赤潮异湾藻和中肋骨条藻都选择675 nm作为特征波段之一, 这与许多学者认为Chla在675 nm处有光谱吸收峰相一致^{[2, 21]}。 此外, 577.4 nm[如图4(a) 所示]作为强壮前沟藻细胞浓度特征波段, 可能与强壮前沟藻富含有Chlc有关^[16], 根据2.2中特征波段出现微偏移可能的原因, 对四种赤潮藻浓度进行预测时选择的波段还与Ballardo等^[3]使用677 nm处的吸收系数预测三角褐指藻的浓度相符合。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 SG+2nd预处理后4种微藻的光谱曲线(红点标记处为GA所选特征波段) (a): 强壮前沟藻; (b): 赤潮异湾藻; (c): 中肋骨条藻; (d): 三角褐指藻Fig.4 Spectral curves of the four microalgal species with the SG+2nd pretreatment (the highlighted bands were selected with GA) (a): Amphidinium carterae; (b): Heterosigma akashiwo; (c): Skeletonema costatum; (d): Phaeodactylum tricornutum

进行藻种浓度测量时, 浓度范围与测量误差是考量模型价值的重要因素。 如表5所示, 应用了三种建模方法(分别是多元线性回归(multiple linear regression, MLR)、 PLS和支持向量回归(support vector regression, SVR))对四种赤潮藻建立浓度预测模型, 结果表明四种赤潮藻的SVR建模集和预测集R²均大于0.98。 其中, 强壮前沟藻和中肋骨条藻模型浓度预测范围分别在1.05× 10³~1.05× 10⁴和1.13× 10⁴~2.38× 10⁵ cells· mL^-1, 最低浓度达到该藻种发生赤潮时的基准浓度。 相比商业型藻种(如小球藻、 螺旋藻等), 赤潮藻的细胞浓度较低, 且叶绿素含量也较低, 造成光谱反射率波动范围小, 建模难度大, 且建模精度将随着细胞浓度的下降而急剧下降, 这也是应用光谱测量手段探测初期赤潮遇到的瓶颈。 Ballardo等^[3]应用分光光度计实现了三角褐指藻藻种浓度的预测, 达到的最低预测浓度为1.37× 10⁶ cells· mL^-1, 而本工作应用高光谱探测的手段实现对该藻种最低浓度1.06× 10⁵ cells· mL^-1的预测, 说明本文提出的SG+2^nd-GA-SVR建模方法具有一定的先进性。

表5

Table 5

表5(Table 5)

表5 SG+2nd-GA处理后不同建模方法细胞浓度预测结果 Table 5 Cell concentration prediction results of different modelling methods based on SG+2nd pretreatment and GA wavelength selection 藻种 模型浓度预测范围 /(cells· mL-1) 模型 建模集 预测集 R2 MAE/(× 103 cells· mL-1) MARE R2 MAE/(× 103 cells· mL-1) MARE 强壮前沟藻 1.05× 103~ 1.05× 104 MLR 0.995 1 0.181 0 0.086 3 0.984 8 0.261 7 0.119 7 PLS 0.994 3 0.205 0 0.108 4 0.987 5 0.265 8 0.128 2 SVR 0.999 0 0.078 8 0.037 0 0.995 4 0.139 1 0.049 4 赤潮异湾藻 1.05× 104~ 2.51× 105 MLR 0.985 7 6.516 5 0.223 2 0.973 3 9.128 9 0.257 7 PLS 0.975 0 8.469 6 0.273 5 0.965 4 11.788 4 0.326 1 SVR 0.993 2 4.068 2 0.140 8 0.987 2 6.053 5 0.161 5 中肋骨条藻 1.13× 104~ 2.38× 105 MLR 0.991 2 4.462 7 0.216 1 0.988 3 6.667 9 0.246 9 PLS 0.989 1 4.848 9 0.232 3 0.986 5 7.514 3 0.272 2 SVR 0.995 1 3.102 2 0.139 0 0.989 8 5.555 8 0.192 9 三角褐指藻 1.06× 105~ 4.36× 106 MLR 0.996 8 55.119 4 0.129 9 0.993 1 91.537 9 0.144 5 PLS 0.993 7 74.917 7 0.185 5 0.991 4 100.259 0 0.181 8 SVR 0.999 2 28.315 0 0.073 6 0.995 4 68.557 9 0.105 5

表5 SG+2nd-GA处理后不同建模方法细胞浓度预测结果 Table 5 Cell concentration prediction results of different modelling methods based on SG+2nd pretreatment and GA wavelength selection

如表5所示, SVR非线性建模方法, 效果优于MLR和PLS线性建模效果。 可能的原因是微藻细胞浓度预测模型主要建立微藻细胞内色素浓度与吸收系数之间的关系。 由于“ 包络效用” 使色素浓度与赤潮藻吸收系数之间并不是简单的线性关系, 而是一种复杂的非线性变化^[21], 如Chl a与光谱反射率之间存在幂指数关系^[22]。