基于无人机的超光谱成像和深度学习技术，用于在海藻大量繁殖（HABs）期间监测与海水淡化相关的污染水质指标

《Water Research》：UAV-based hyperspectral imaging and deep learning for mapping fouling-related water quality indicators for seawater desalination during HABs

　　

权大云|李贤澈|尹佳琪|洪升宽

韩国大学土木、环境与建筑工程系，首尔，02841，韩国

摘要

在气候变化和人为营养物质富集的影响下，有害藻华（HABs）的发生频率和持续时间正在增加。这种增殖现象通过加速膜污染，给海水反渗透（SWRO）海水淡化技术带来了越来越大的挑战。在有害藻华期间，传统的基于点的水质监测方法往往无法捕捉到与污染相关的水质空间异质性，从而限制了主动进水和预处理的决策。本研究展示了一种基于无人驾驶飞行器（UAV）的高光谱成像和深度学习框架，用于在有害藻华条件下对与污染相关的水质指标进行空间解析评估。在藻华前、藻华高峰期和治疗后，获取了400-1000纳米、5纳米光谱分辨率的高光谱图像。同时进行了水样采集和实验室分析，以测量淤泥密度指数（SDI）、总有机碳（TOC）和透明外聚合物颗粒（TEP）等与污染相关的目标变量。偏最小二乘回归（PLSR）确定了具有线性重要性的波长，变量重要性评分（VIP）量化了光谱贡献。将VIP加权的光谱特征整合到一维卷积神经网络（1D-CNN）中，以捕捉光谱特征与目标变量之间的非线性关系。VIP加权1D-CNN对SDI、TOC和TEP的R2值分别为0.87、0.78和0.65（均方根误差分别为0.87、2.70和1.29）。空间连续的预测图显示了传统RGB图像无法识别的明显梯度和局部热点，突显了即使在处理后，有机和生物聚合物相关的水质恶化仍然存在。基于UAV的高光谱深度学习为量化有害藻华引起的水质污染指标提供了实用的框架，并生成了可用于支持沿海海水淡化系统中更明智的进水管理和预处理决策的空间解析信息。

引言

气候变化和人类活动的加剧增加了有害藻华（HABs）的频率，给海水淡化系统带来了重大挑战。有害藻华是海水反渗透（SWRO）工厂膜污染的主要原因，导致孔径堵塞、渗透通量减少、跨膜压力升高和特定能耗增加（Lee等人，2025；Yang等人，2024）。过去的大规模藻华事件表明，严重的有害藻华甚至会破坏工厂运行和淡水供应，凸显了SWRO系统对藻类引起的水质恶化的脆弱性（Alayande等人，2022）。为了降低这些风险，SWRO运营商通常依赖污染指数来指导进水管理和预处理操作，并实时监测常规的水质指标（Villacorte等人，2015）。此外，与有害藻华事件相关的快速且不均匀的水质波动超出了传统基于点采样和实验室分析提供及时决策信息的能力。这些限制凸显了需要能够快速捕捉多种与污染相关的水质参数并解决其与进水操作相关空间变异性的监测方法。

为了更好地监测大空间范围内的藻华动态，遥感技术已成为基本方法，卫星和无人驾驶飞行器（UAV）平台是主要的光学遥感工具（Kim等人，2024）。基于卫星的遥感受限于粗糙的空间分辨率和时间空间限制，难以捕捉小规模、近岸动态并确保连续可靠的观测（Wang等人，2025）。相比之下，UAV平台提供了更精细的空间细节，但仍受操作和分析限制，包括仅从光学观测中获得稳健的定量水质解释的挑战（Kwon等人，2023）。因此，现有的遥感方法在量化藻类群落结构和与污染相关的生化指标方面的可靠性有限，无法满足海水淡化系统运营决策所需的空间和时间尺度。这些限制阻碍了海水淡化系统的运营决策，这些系统需要空间和时间上精细的监测。因此，显然需要一个系统的、多尺度的监测框架，将高分辨率遥感与原位测量相结合，以支持对藻华动态和与膜污染相关的水质条件的定量评估。

鉴于需要具备多尺度监测能力的监测方法，高光谱成像（HSI）成为了一个强有力的候选技术，它能够捕获连续的、宽范围的光谱信息，显著改善了藻华动态的监测（Kudela等人，2015；Park等人，2017），并在识别与污染相关的有机和无机成分的微妙光谱变化方面展示了巨大潜力（Arias等人，2025）。然而，大多数现有的基于HSI的藻华研究主要集中在空间分布、浓度反演和物种分类上，使用的是如叶绿素-a等光学可检测成分，而对控制膜污染潜力的与污染相关因素的关注相对较少（Moses等人，2012；Randolph等人，2008）。先前的研究表明，基于HSI的机器学习可以在实验室条件下建立光谱特性与藻类有机物（AOM）和与污染相关指数之间的关系（Kwon等人，2025b）。然而，从受控实验环境中获取的光谱数据无法完全代表SWRO进水口复杂海水系统中的光学干扰。HSI在污染潜力监测中的应用主要限于实验室规模的研究，在动态、光学复杂的现场条件下的验证有限。这一限制阻碍了其直接应用于海水淡化工厂遇到的复杂和动态的运营场景。这强调了在真实海水环境中进行基于HSI的研究的必要性，以捕捉真实的光学复杂性并验证与污染相关的光谱响应。

在海水这种光学复杂的条件下解释HSI和UAV观测结果仍然是一个重大的分析挑战。现有研究主要采用机器学习和深度学习技术来建立光谱数据与藻类生长强度指标（如叶绿素-a、藻类蛋白质和藻类细胞密度）之间的联系，包括随机森林、支持向量机和AdaBoost在内的模型在藻类污染分析方面的报告R2值为0.4-0.8（Izadi等人，2021；Kwon等人，2025b）。然而，在自然海水系统中，藻类生长受到温度、营养物质可用性和光照等多种环境因素的共同驱动，其时间演变通常表现出指数级加速的行为（Kudela等人，2015）。在快速藻华生长和随后的衰减过程中，释放的AOM和TEP可能会积累成粘稠的凝胶状物质，导致非线性和阈值依赖的污染响应（Bilad等人，2013）。在这种背景下，大多数现有工作集中在内陆水域，并依赖于传统的单指标、基于点的监测方法。然而，这些方法不足以及时可靠地推断海水中的与污染相关的水质条件，因为它们不适用于海水赤潮的复杂光学条件和多样的藻类群落特征。本研究旨在通过整合传统生物标志物和环境参数以及归类为颗粒物、大量有机物和凝胶状生物聚合物的与污染相关的水质参数来增强有害藻华监测框架。这有助于更全面地解释与污染相关的水质恶化，并更好地检测通常伴随有害藻华进展的突然、非线性变化。

因此，本研究的目标是：（1）开发并展示一种基于UAV的高光谱监测框架，用于在野外规模的沿海有害藻华条件下，量化关键与污染相关的指标（淤泥密度指数、总有机碳、透明外聚合物颗粒）在藻华前、藻华高峰期和治疗后阶段；（2）开发一种结合偏最小二乘回归和一维卷积神经网络的混合模型，以整合可解释的、具有共线性鲁棒性的潜在表示与非线性函数近似，从而实现稳健的光谱回归；（3）生成空间连续的与污染相关的水质指标，为SWRO淡化系统的初步进水评估和预处理规划提供筛查级别的空间信息；（4）使用梯度加权类别激活映射确定对模型预测贡献最大的波长区域，并讨论其在实际现场条件下的可能物理化学相关性。

章节片段

研究区域

研究区域位于韩国庆尚南道Hadong-gun的沿海水域，沿着韩国南海（朝鲜半岛的南部海岸），如图1所示。该地区的海岸线非常复杂，有许多岛屿和狭窄的水道，这些因素会强烈影响沿海循环和交换。该地区的水文情况受到附近河流系统的淡水和物质输入的影响。特别是Seomjin河和Nam河

物种

本研究观察到的有害藻华主要由Margalefidinium polykrikoides（以前称为Cochlodinium polykrikoides）主导。该物种已在包括韩国和日本沿海水域在内的多个地区得到持续记录，也在北美沿海系统中有报道（Lee等人，2023a）。虽然它通常不与直接影响人类的毒素相关，但它可以形成大片密集的藻华

结论

本研究展示了在M. polykrikoides藻华期间，基于UAV的高光谱量化和对SWRO进水口操作相关的膜污染水质指标进行空间映射的现场应用。以往关于SWRO源水监测的研究大多依赖于单一生物量指标（如叶绿素-a）、有限的点采样或实验室规模的高光谱分析，这些方法不足以捕捉多组分和空间

CRediT作者贡献声明

权大云：撰写——原始草稿、可视化、验证、软件、方法论、调查、数据管理、概念化。李贤澈：数据管理。尹佳琪：正式分析、数据管理。洪升宽：监督。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。

致谢

本工作得到了韩国国家研究基金会（NRF）的资助，该基金会由韩国政府（MSIT）资助（RS-2021-NR060085）。