基于高光譜成像技術(shù)的赤潮藻種鑒別和濃度測(cè)量方法

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(guó)近海赤潮頻發(fā), 確定赤潮類(lèi)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(cè)的方法主要有: 觀察法、 遙感檢測(cè)和光譜檢測(cè)。 傳統(tǒng)的人工觀察操作過(guò)程復(fù)雜, 對(duì)操作人員專(zhuān)業(yè)性要求高。 遙感檢測(cè)受海面魚(yú)鱗光、 天氣等自然環(huán)境的影響檢測(cè)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(cè)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(cè)設(shè)備價(jià)格昂貴[2]。 HSI是一種對(duì)圖像和光譜進(jìn)行融合的技術(shù), 具有較高的檢測(cè)精度, 為微藻種類(lèi)鑒別和細(xì)胞濃度檢測(cè)提供了一種快速、 準(zhǔn)確的測(cè)量方法。

赤潮藻細(xì)胞內(nèi)含有多種色素, 不同色素種類(lèi)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(lèi)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(duì)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(cè)量中, 但受到濃度大小和范圍的限制, 在低濃度赤潮藻檢測(cè)中運(yùn)用較少, 而多用于高濃度經(jīng)濟(jì)微藻的檢測(cè)。 如Ballardo等[3]利用非線性模型測(cè)量四種微藻的細(xì)胞濃度, 其中三角褐指藻(Phaeodactylumtricornutum)測(cè)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(cè)量濃度范圍也會(huì)影響光譜檢測(cè)的準(zhǔn)確性, 模型濃度范圍變化越大, 檢測(cè)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(cè)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(cè)值與觀測(cè)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(duì)甲藻、 硅藻和針胞藻的光譜檢測(cè)困難, 且低細(xì)胞濃度藻液的光譜預(yù)測(cè)模型精度較低的問(wèn)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(duì)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(duì)藻種鑒別和藻細(xì)胞濃度測(cè)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(jiàn)的4種赤潮藻為檢測(cè)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(mén)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(cè)系統(tǒng)搭建和數(shù)據(jù)采集

1.2.1 樣本制備和生物量測(cè)量

取指數(shù)增長(zhǎng)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(zhǎng)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(guò)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(guò)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(duì)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(cè)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(cè)模型建立

光譜預(yù)測(cè)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(guò)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(duì)特征波段提取以及建模的影響, 從而提高預(yù)測(cè)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(cè)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(wèn)題。 它始于一個(gè)波長(zhǎng), 并為接下來(lái)的每一次迭代合并一個(gè)新的波長(zhǎng), 直到達(dá)到指定數(shù)量的波長(zhǎng)。 最后在總體方差無(wú)顯著性差異的情況下, 選擇均方根誤差最小時(shí)對(duì)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(lèi)型的光譜特征有所不同, 且檢測(cè)對(duì)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(shì), 需要針對(duì)不同的應(yīng)用對(duì)象, 選擇合適的算法。 本研究采用兩種分類(lèi)方法和三種回歸模型分別進(jìn)行藻種鑒別和濃度測(cè)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(píng)估

藻種鑒別模型利用準(zhǔn)確率(accuracy)進(jìn)行評(píng)價(jià), 而濃度測(cè)量模型則通過(guò)決定系數(shù)(coefficient ofdetermination,R2)、 平均絕對(duì)誤差(mean absolute error, MAE)和平均相對(duì)誤差(mean absoluterelative error, MARE)來(lái)評(píng)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(cè)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(duì)生態(tài)環(huán)境的影響各不相同。 所以, 通過(guò)光譜分析來(lái)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(lèi)和比例相似(見(jiàn)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(jiàn)表3)。 所以, 采用原始光譜很難將這四個(gè)種類(lèi)的赤潮藻區(qū)分開(kāi), 需要建立模型來(lái)表示藻種光譜信息與藻種類(lèi)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(guò)7種預(yù)處理(見(jiàn)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(duì)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(duì)模型預(yù)測(cè)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(duì)模型預(yù)測(cè)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(duì)光的吸收波段范圍內(nèi)(見(jiàn)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(cè)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(lèi)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(jiàn)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(lèi)和比例不同; (2)同藻種不同生長(zhǎng)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(duì)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(cè)模型結(jié)果分析

根據(jù)前面的描述, SG+2nd-GA的組合方式對(duì)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(shì)。 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(duì)特定波長(zhǎng)處的光吸收度是進(jìn)行濃度預(yù)測(cè)的可靠指標(biāo), 利用葉綠素在684 nm處對(duì)光的吸收度曾被用來(lái)測(cè)量近頭狀尖胞藻(Pseudokirchneriellasubcapitata(Korschikov)Hindk)的細(xì)胞濃度, 且模型預(yù)測(cè)R2達(dá)到0.999 8[20]。 四種赤潮藻的濃度預(yù)測(cè)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(duì)四種赤潮藻濃度進(jìn)行預(yù)測(cè)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(cè)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(cè)量時(shí), 濃度范圍與測(cè)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(duì)四種赤潮藻建立濃度預(yù)測(cè)模型, 結(jié)果表明四種赤潮藻的SVR建模集和預(yù)測(cè)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(cè)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(cè)量手段探測(cè)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(cè), 達(dá)到的最低預(yù)測(cè)濃度為1.37×106cells·mL-1, 而本工作應(yīng)用高光譜探測(cè)的手段實(shí)現(xiàn)對(duì)該藻種最低濃度1.06×105cells·mL-1的預(yù)測(cè), 說(shuō)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(cè)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(cè)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(jiǎn)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(cè)量手段對(duì)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(cè)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(duì)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(shì), 通過(guò)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(cè)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(cè)模型中預(yù)測(cè)結(jié)果最好, 四種藻預(yù)測(cè)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(cè)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(duì)其預(yù)測(cè)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(cè)方法, 為快速、 無(wú)損探測(cè)赤潮提供了新方法, 為赤潮監(jiān)測(cè)和防治提供了新依據(jù)。