基于多波段激发荧光光谱与XGBoost机器学习算法的浮游植物群落原位高分辨率定量研究

本研究针对传统浮游植物监测方法分辨率低、无法捕捉昼夜垂直迁移(DVM)等瓶颈问题，开发了融合原位多波段激发荧光光谱(mf)与机器学习(ML)的mf-ML框架。通过XGBoost模型实现了8类浮游植物群落的高精度预测，首次追踪到甲藻DVM动态，为有害藻华(HABs)监测提供了低成本、高分辨率的创新解决方案。

　　

浮游植物作为海洋生态系统的基石，其群落动态直接影响碳氮循环与藻华爆发。然而现有监测技术面临双重困境：卫星遥感仅能获取表层数据，无法捕捉关键的昼夜垂直迁移(DVM)行为；传统的高效液相色谱(HPLC)和显微镜检测虽能精确分类，但存在采样离散、耗时耗力的缺陷。尤其在有害藻华(HABs)监测中，75%的肇事物种——具有DVM特性的甲藻，其三维分布规律始终难以精确刻画。

针对这一科学难题，研究人员创新性地将多波段激发荧光光谱技术与机器学习算法相结合。通过FluoroProbe等原位荧光仪获取450-630nm范围内的激发光谱，同步采集HPLC-CHEMTAX分析的离散样本数据，构建了mf-ML机器学习框架。研究采用XGBoost算法进行特征工程和超参数优化，最终实现对8个浮游植物类群（包括甲藻、硅藻、蓝藻等）的高分辨率定量预测。

关键技术方法包括：1) 韩国丽水沿岸藻华区的原位多波段荧光光谱采集；2) HPLC-CHEMTAX分析的离散样本验证；3) XGBoost模型的特征选择与正则化处理；4) 基于SHAP值的环境因子贡献度分析。

研究结果
环境因子特征
观测到8-10m水层的强温盐跃层，表层叶绿素峰值达29μg/L。甲藻丰度与硝酸盐呈显著负相关，硅藻则与硅酸盐正相关，揭示了营养盐对群落结构的调控作用。

模型性能验证
XGBoost模型R²达0.92，显著优于传统线性回归。特征重要性分析显示，激发波长450nm和525nm对甲藻识别贡献最大，而625nm对蓝藻特异性强。

DVM动态追踪
首次通过荧光光谱捕捉到甲藻昼夜迁移：日间下沉至10m避光，夜间上浮至5m觅食。该现象与辐照度变化高度同步，为HABs预警提供了关键行为学依据。

讨论与结论
该研究突破了传统监测技术的三大局限：1) 将采样分辨率从小时级提升至分钟级；2) 成本仅为HPLC分析的1/20；3) 首次实现DVM行为的原位连续追踪。特别值得注意的是，模型成功解析了甲藻DVM与光照、营养盐的非线性关系，这对预测藻华爆发窗口期具有重要实践价值。

技术优势体现在三方面：多波段激发光谱可同时检测类胡萝卜素、藻蓝蛋白等特征色素；XGBoost的树剪枝算法有效克服了光谱数据共线性问题；SHAP值分析揭示了环境因子的阈值效应。未来该技术可扩展至赤潮毒素预警、碳汇评估等领域，为构建"智慧海洋"监测网络提供关键技术支撑。