使用卷积神经网络和三维光数据矩阵进行藻类分类和甲度测定

科学领域:

• 环境科学 环境科学
• 水质监测 水质监测
• 应用的人工智能应用的人工智能

背景情况:

• 有害的藻类繁殖 (HABs) 越来越多地影响饮用水质量.
• 叶绿素a (Chl-a) 是藻类生物量的关键指标,但目前的测量在准确性和环境适应性方面存在局限性.
• 精确量化藻类和Chl-a对于有效的水资源管理至关重要.

研究的目的:

• 开发一种先进的方法,用于准确的藻类分类和-a (Chl-a) 度的确定.
• 克服现有的Chl-a测量技术在自然水生环境中的挑战.
• 提高对有害藻类繁殖的水质监测系统的可靠性.

主要方法:

• 卷积神经网络 (CNN) 与三维光数据矩阵的集成.
• 开发一种藻类分类模型,对13种藻类进行测试.
• 实施Chl-a度模型,用于各种水背景 (超纯,水库和天然湖水) 的混合藻类溶液.

主要成果:

• 藻类分类模型实现了超过99.5%的准确性,专注于色素区域.
• 在不同水类型中,Chl-a模型显示了不同的平均绝对百分比误差 (MAPE),在复杂环境中校准后显著改善.
• 模型性能受藻类颜料光峰的强度和位置的影响.

结论:

• 开发的基于CNN的方法为各种水生环境中藻类识别和Chl-a量化提供了新而准确的解决方案.
• 这种方法具有实践应用的巨大潜力,用于保护藻类开花导致的饮用水质量.
• 进一步的研究和校准对于优化高度可变的自然水域的性能至关重要.