研究背景 /Research background/

氣候變化和工業(yè)生產(chǎn)對沿海及海洋系統(tǒng)產(chǎn)生了顯著影響，其中氣溫升高尤為導(dǎo)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?yàn)楦邷�、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(zhì)量。特別是在反滲透（SWRO）海水淡化廠中，HAB 通過釋放藻類有機(jī)物（AOM）引發(fā)預(yù)處理過濾器堵塞、膜污染，甚至導(dǎo)致設(shè)施停運(yùn)，造成巨大的經(jīng)濟(jì)損失。傳統(tǒng)的水質(zhì)監(jiān)測方法受限于采樣和實(shí)驗(yàn)室分析的復(fù)雜性，難以及時響應(yīng)動態(tài)藻華變化，而高光譜成像技術(shù)則通過實(shí)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(shí)驗(yàn)室規(guī)模的高光譜成像系統(tǒng)研究藻華的光譜特性，并結(jié)合深度學(xué)習(xí)模型優(yōu)化污染預(yù)測。研究目標(biāo)包括：(1) 確定與 AOM 和膜污染相關(guān)的關(guān)鍵光譜帶，(2) 開發(fā)卷積神經(jīng)網(wǎng)絡(luò)（CNN）和隨機(jī)森林（RF）模型以預(yù)測污染指標(biāo)，以及 (3) 評估高光譜成像在 HAB 事件期間實(shí)時監(jiān)測 SWRO 海水淡化廠的可行性。通過分析光譜數(shù)據(jù)與污垢指數(shù)的關(guān)系，本研究為提高海水淡化設(shè)施的運(yùn)行效率、緩解藻華影響提供了科學(xué)依據(jù)和技術(shù)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(xué)習(xí)算法進(jìn)行研究的總體流程。首先，收集與污垢相關(guān)的 AOM 數(shù)據(jù)（如 SDI、MFI、TOC、TEP 和藻類密度），并捕獲高光譜數(shù)據(jù)作為模型輸入（圖 1(a)）。隨后對高光譜數(shù)據(jù)進(jìn)行預(yù)處理，以支持深度學(xué)習(xí)模擬（圖 1(b)）。

預(yù)處理后的高光譜數(shù)據(jù)用于訓(xùn)練深度學(xué)習(xí)算法，模擬與 AOM 相關(guān)的污垢指標(biāo)，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(jìn)行特征重要性分析、對 CNN 模型進(jìn)行激活圖分析，確定對預(yù)測污垢和 HAB 指標(biāo)關(guān)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(nèi)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(zhǔn)確的波段和反射值。設(shè)置了一個實(shí)驗(yàn)室臺式站用于高光譜數(shù)據(jù)采集，如圖 1(a) 所示。使用放置在高光譜傳感器上方的鹵素?zé)裟�擬陽光，向藻類樣本發(fā)射整個光譜范圍內(nèi)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(dǎo)數(shù)分析結(jié)果。(a) 和 (b) 分別顯示 A. catenella物種的反射率及其一階導(dǎo)數(shù)。(c) 和 (d) 顯示了M. polykrikoides物種的反射率及其一階導(dǎo)數(shù)。綠線和紅線分別表示平均反射率及其一階導(dǎo)數(shù)。灰色陰影區(qū)域表示所有測量的反射率和一階導(dǎo)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(cè)圖表顯示 R² 值，中間圖表顯示對數(shù)轉(zhuǎn)換的 MSE (log(MSE)) 值，右側(cè)圖表顯示平均相對誤差 (MRE) 值。這些圖表表示模型在預(yù)測 AOM 和污垢指數(shù)方面的準(zhǔn)確性。結(jié)果一致表明，CNN 模型在所有三個指標(biāo)上都優(yōu)于 RF 模型：R²、log(MSE) 和 MRE。

圖 4. 通過使用 CNN 和 RF 進(jìn)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(jié)果 /Research results/

本研究驗(yàn)證了適用于海洋和沿海地區(qū)的通用標(biāo)準(zhǔn)化模型的發(fā)展。為確保實(shí)際應(yīng)用和準(zhǔn)確理解，未來研究應(yīng)結(jié)合多種藻類物種的綜合分析與實(shí)驗(yàn)，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(jìn)一步探索不僅現(xiàn)有的污垢指數(shù)（如MFI和SDI），還包括實(shí)際RO污垢現(xiàn)象。這些指數(shù)在預(yù)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(yīng)的影響。因此，研究應(yīng)聚焦小顆粒對滲透壓的作用。

結(jié)果顯示，CNN模型在直接污染指標(biāo)的準(zhǔn)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(biāo)時也有獨(dú)特優(yōu)勢。針對實(shí)際應(yīng)用（如 SWRO海水淡化過程），未來可探索結(jié)合CNN和RF模型優(yōu)勢的混合建模方法，同時加強(qiáng)數(shù)據(jù)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(jié)垢預(yù)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(yīng)在多藻類和多結(jié)垢條件的真實(shí)場景中驗(yàn)證這些模型，以提升其可靠性和實(shí)用性。

此外，本研究為開發(fā)專用遙感技術(shù)提供了方向，可提升SWRO海水淡化廠在 HAB事件期間的運(yùn)行效率。例如，通過在無人機(jī)上安裝光譜傳感器，可更高效、經(jīng)濟(jì)地監(jiān)測取水源的水質(zhì)變化。持續(xù)研究與技術(shù)開發(fā)將為水資源的可持續(xù)管理提供創(chuàng)新解決方案。