基于无人机多光谱影像与机器学习融合的沿海养殖水域水质快速评估技术研究

针对沿海养殖水域传统监测方法覆盖有限、成本高的问题，本研究创新性结合无人机多光谱影像与机器学习算法（RF/GBRT/PLS/SVM），构建了亚硝酸盐、硝酸盐等5种水质参数的高精度预测模型（最优RF模型R2adj达0.77），通过变量筛选使磷酸盐预测精度提升74.07%，为养殖污染动态监测提供了高效低成本解决方案。

　　

随着全球水产养殖规模突破7100万吨，沿海水域富营养化问题日益严峻。传统水质监测受限于时空覆盖不足和滞后性，难以应对养殖区突发污染事件。尤其在半封闭港湾区域，陆地污染物易积聚导致水体复杂多变，渔民和管理部门亟需实时、大范围的监测手段。卫星遥感虽覆盖广但分辨率有限，而机载高光谱技术成本高昂。在此背景下，研究人员探索无人机多光谱与人工智能结合的创新路径。

宁波市科技创新2025计划项目支持的研究团队选择东海沿岸典型半封闭养殖港湾——宁波市象山县蟹钳港（面积20 km²）作为实验区。该区域近年水质持续恶化，2023年生态公报显示其富营养化程度加剧。研究通过102个有效采样点与4.3万张航拍影像，建立包含亚硝酸盐（NO₂^-）、硝酸盐（NO₃^-）、磷酸盐（PO₄^3-）、叶绿素a（Chla）和悬浮物（SS）的数据集，采用随机森林（RF）、梯度提升回归树（GBRT）等算法构建预测模型。

关键技术包括：1）无人机多光谱波段特征提取；2）基于季节性采样（2023年12月至2024年9月）的水质参数动态分析；3）通过变量重要性筛选优化模型性能。研究发现夏季营养盐浓度达峰值（硝酸盐0.845 mg/L），而Chla在秋季最高（4.132 μg/L），反映富营养化滞后效应。RF模型表现最优，亚硝酸盐预测精度最高（R²_adj=0.77），磷酸盐经变量筛选后精度提升74.07%。

主要结果揭示：

1. 水质参数季节动态：营养盐与Chla呈现"夏峰秋谷"的反向变化规律，证实陆地径流输入与藻类生长的耦合作用。
2. 模型性能比较：RF在非线性关系学习中优势显著，其预测精度排序为NO₂^->NO₃^->Chla>PO₄^3->SS。
3. 光谱特征关联：蓝绿波段（450-560nm）对溶解氧参数敏感，而红边波段（700-740nm）与Chla相关性最强。

这项发表于《Aquaculture》的研究开创性地将轻量化无人机平台与AI算法结合，突破传统监测的时空限制。其重要意义在于：1）为养殖户提供每平方公里级精度的实时水质图谱；2）通过早期预警降低鱼类缺氧、免疫抑制等风险；3）变量筛选策略为复杂水域建模提供方法论参考。研究团队指出，未来可融合水温等环境因子进一步提升模型泛化能力，推动智慧渔业监管体系发展。