一种基于三维荧光检测的藻类爆发预警方法及系统技术方案

本发明专利技术公开了一种基于三维荧光检测的藻类爆发预警方法及系统，涉及三维荧光水质检测技术领域。所述方法包括数据采集、数据划分、数据预处理、主成分分析、异常值筛除、分类建模及藻类爆发预警步骤。本发明专利技术依据三维荧光区域面积积分对监测水域的三维荧光数据演化进行划分，确定监测水域藻类爆发期三维荧光光谱主成分得分分布，从而在实际检测中实现对藻类爆发的高准确率、快速预警。快速预警。快速预警。

An early warning method and system of algae outbreak based on three-dimensional fluorescence detection

【技术实现步骤摘要】
一种基于三维荧光检测的藻类爆发预警方法及系统


[0001]本专利技术涉及三维荧光水质检测
，特别是涉及一种基于三维荧光检测的藻类爆发预警方法及系统。

技术介绍

[0002]有害藻类防治是水污染监控治理的重点研究方向，对藻类爆发进行预测可有效减少水产养殖损失、避免饮用水源污染。因影响藻类生长的因素较多，传统的氮磷比预测方法存在较大误差；而黑白瓶法检测呼吸率与初级生产力则存在检测周期长、预警期短的问题；三维荧光光谱可有效检测水体中藻类色素及蛋白，但相对类络氨酸、类色氨酸、类腐殖质等水体常见有机物的强荧光，藻类色素及蛋白的荧光强度通常偏弱，单纯依据藻类荧光峰很难实现对藻类爆发的提前预测。

技术实现思路

[0003]本专利技术的目的在于针对藻类爆发预警的需求，提供一种基于三维荧光检测的藻类爆发预警方法及系统，以对藻类爆发进行高准确率、快速预警。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种基于三维荧光检测的藻类爆发预警方法，包括：
[0006]对监测水域预设监测点进行间隔时间为一个月的全年检测，获得所述监测水域的三维荧光数据；所述三维荧光数据包括激发波长Ex、发射波长Em和荧光强度；
[0007]对所述三维荧光数据进行数据划分，划分出处于藻类生长期、藻类爆发期和藻类旺盛期的三维荧光数据，构成高维荧光数据矩阵；
[0008]对所述高维荧光数据矩阵进行数据预处理，得到预处理后的三维荧光数组；
[0009]建立主成分分析PCA模型对所述三维荧光数组进行主成分分析，得到所述三维荧光数组中每个样本的主成分得分；所述PCA模型的输入为所述三维荧光数组，输出为主成分得分；
[0010]基于所述PCA模型对所述三维荧光数组进行异常值筛除，得到筛除异常值的样本；
[0011]根据所述筛除异常值的样本的主成分得分建立三分类的正交偏最小二乘法判别OPLS
‑
DA模型，并对所述OPLS
‑
DA模型进行训练和测试，生成训练好的OPLS
‑
DA模型；
[0012]采用所述训练好的OPLS
‑
DA模型对藻类爆发进行预警。
[0013]可选地，所述对监测水域预设监测点进行间隔时间为一个月的全年检测，获得所述监测水域的三维荧光数据，具体包括：
[0014]使用三维荧光光谱仪对所述监测水域预设监测点进行间隔时间为一个月的全年检测，获得所述监测水域的三维荧光数据；所述三维荧光光谱仪的固定积分时间为0.1s，激发波长为200nm
‑
800nm，CCD为高增益，光谱分辨率为121
×
250。
[0015]可选地，所述对所述三维荧光数据进行数据划分，划分出处于藻类生长期、藻类爆发期和藻类旺盛期的三维荧光数据，构成高维荧光数据矩阵，具体包括：
[0016]将所述三维荧光数据按月划分为12组，获得12组三维荧光数据组；
[0017]对每组所述三维荧光数据组中的每个三维荧光数据样本中的选定区域进行三维荧光区域面积积分，得到每个三维荧光数据样本的面积积分FRI
algae
；所述选定区域为355nm＜Ex＜760nm、600nm＜Em＜735nm的藻类色素及藻类蛋白荧光区域；
[0018]对每组所述三维荧光数据组中的所有三维荧光数据样本的面积积分FRI
algae
求平均值，得到每组所述三维荧光数据组的月积分平均值
[0019]确定所述月积分平均值的所述三维荧光数据组处于藻类旺盛期；
[0020]确定在所述处于藻类旺盛期的三维荧光数据组之前一个月采集的所述三维荧光数据组处于藻类爆发期；
[0021]确定在所述处于藻类旺盛期的三维荧光数据组之前两个月采集的所述三维荧光数据组处于藻类生长期；
[0022]将所述处于藻类生长期、所述藻类爆发期和所述藻类旺盛期的三组三维荧光数据组构成高维荧光数据矩阵。
[0023]可选地，所述对所述高维荧光数据矩阵进行数据预处理，得到预处理后的三维荧光数组，具体包括：
[0024]对所述高维荧光数据矩阵依次进行三维荧光矩阵转一维向量、负值及空值置0、Savitzky
‑
Golay滤波降噪以及帕累托归一化处理，得到预处理后的三维荧光数组。
[0025]可选地，所述基于所述PCA模型对所述三维荧光数组进行异常值筛除，得到筛除异常值的样本，具体包括：
[0026]对所述PCA模型进行Hotelling T2检验，选择置信区间99％，将所述三维荧光数组中不在所述置信区间内的三维荧光数据样本作为异常值筛除，得到筛除异常值的样本。
[0027]可选地，所述根据所述筛除异常值的样本的主成分得分建立三分类的正交偏最小二乘法判别OPLS
‑
DA模型，并对所述OPLS
‑
DA模型进行训练和测试，生成训练好的OPLS
‑
DA模型，具体包括：
[0028]将所述筛除异常值的样本划分为训练集和预测校验集；
[0029]以所述训练集中各个样本的主成分得分为特征变量建立所述OPLS
‑
DA模型；所述OPLS
‑
DA模型的输入为样本的主成分得分，输出为样本的主成分得分分布；
[0030]采用所述训练集和预测校验集对所述OPLS
‑
DA模型进行训练和测试，生成训练好的OPLS
‑
DA模型。
[0031]可选地，所述采用所述训练好的OPLS
‑
DA模型对藻类爆发进行预警，具体包括：
[0032]对所述监测水域预设监测点进行在线检测，获得所述监测水域的当前三维荧光数据组；
[0033]对所述当前三维荧光数据组中的每个三维荧光数据样本中的选定区域进行三维荧光区域面积积分并求平均，得到所述当前三维荧光数据组的积分平均值
[0034]判断所述当前三维荧光数据组的积分平均值是否大于等于3
×
106，获得第一判断结果；
[0035]若所述第一判断结果为所述当前三维荧光数据组的积分平均值大于等于3
×
106，输出结果当前藻类生长已处于旺盛期；
[0036]若所述第一判断结果为所述当前三维荧光数据组的积分平均值小于3
×
106，对所述当前三维荧光数据组进行数据预处理，得到预处理后的当前三维荧光数组；
[0037]将所述预处理后的当前三维荧光数组加入所述预处理后的三维荧光数组构成新的三维荧光数组；
[0038]对所述新的三维荧光数组进行主成分分析，得到所述新的三维荧光数组中每个样本的主成分得分；
[0039]将所述当前三维荧光数组的主成分得分输入所述训练好的的OPLS
‑
DA模型，输出所述当前三维荧光数组的主成分得分分布；
[0040]若所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三维荧光检测的藻类爆发预警方法，其特征在于，包括：对监测水域预设监测点进行间隔时间为一个月的全年检测，获得所述监测水域的三维荧光数据；所述三维荧光数据包括激发波长Ex、发射波长Em和荧光强度；对所述三维荧光数据进行数据划分，划分出处于藻类生长期、藻类爆发期和藻类旺盛期的三维荧光数据，构成高维荧光数据矩阵；对所述高维荧光数据矩阵进行数据预处理，得到预处理后的三维荧光数组；建立主成分分析PCA模型对所述三维荧光数组进行主成分分析，得到所述三维荧光数组中每个样本的主成分得分；所述PCA模型的输入为所述三维荧光数组，输出为主成分得分；基于所述PCA模型对所述三维荧光数组进行异常值筛除，得到筛除异常值的样本；根据所述筛除异常值的样本的主成分得分建立三分类的正交偏最小二乘法判别OPLS
‑
DA模型，并对所述OPLS
‑
DA模型进行训练和测试，生成训练好的OPLS
‑
DA模型；采用所述训练好的OPLS
‑
DA模型对藻类爆发进行预警。2.根据权利要求1所述的藻类爆发预警方法，其特征在于，所述对监测水域预设监测点进行间隔时间为一个月的全年检测，获得所述监测水域的三维荧光数据，具体包括：使用三维荧光光谱仪对所述监测水域预设监测点进行间隔时间为一个月的全年检测，获得所述监测水域的三维荧光数据；所述三维荧光光谱仪的固定积分时间为0.1s，激发波长为200nm
‑
800nm，CCD为高增益，光谱分辨率为121
×
250。3.根据权利要求1所述的藻类爆发预警方法，其特征在于，所述对所述三维荧光数据进行数据划分，划分出处于藻类生长期、藻类爆发期和藻类旺盛期的三维荧光数据，构成高维荧光数据矩阵，具体包括：将所述三维荧光数据按月划分为12组，获得12组三维荧光数据组；对每组所述三维荧光数据组中的每个三维荧光数据样本中的选定区域进行三维荧光区域面积积分，得到每个三维荧光数据样本的面积积分FRI
algae
；所述选定区域为355nm＜Ex＜760nm、600nm＜Em＜735nm的藻类色素及藻类蛋白荧光区域；对每组所述三维荧光数据组中的所有三维荧光数据样本的面积积分FRI
algae
求平均值，得到每组所述三维荧光数据组的月积分平均值确定所述月积分平均值的所述三维荧光数据组处于藻类旺盛期；确定在所述处于藻类旺盛期的三维荧光数据组之前一个月采集的所述三维荧光数据组处于藻类爆发期；确定在所述处于藻类旺盛期的三维荧光数据组之前两个月采集的所述三维荧光数据组处于藻类生长期；将处于所述藻类生长期、所述藻类爆发期和所述藻类旺盛期的三组三维荧光数据组构成高维荧光数据矩阵。4.根据权利要求1所述的藻类爆发预警方法，其特征在于，所述对所述高维荧光数据矩阵进行数据预处理，得到预处理后的三维荧光数组，具体包括：对所述高维荧光数据矩阵依次进行三维荧光矩阵转一维向量、负值及空值置0、Savitzky
‑
Golay滤波降噪以及帕累托归一化处理，得到预处理后的三维荧光数组。
5.根据权利要求1所述的藻类爆发预警方法，其特征在于，所述基于所述PCA模型对所述三维荧光数组进行异常值筛除，得到筛除异常值的样本，具体包括：对所述PCA模型进行Hotelling T2检验，选择置信区间99％，将所述三维荧光数组中不在所述置信区间内的三维荧光数据样本作为异常值筛除，得到筛除异常值的样本。6.根据权利要求1所述的藻类爆发预警方法，其特征在于，所述根据所述筛除异常值的样本的主成分得分建立三分类的正交偏最小二乘法判别OPLS
‑
DA模型，并对所述OPLS
‑
DA模型进行训练和测试，生成训练好的OPLS
‑
DA模型，具体包括：将所述筛除异常值的样本划分为训练集和预测校验集；以所述训练集中各个样本的主成分得分为特征变量建立所述OPLS
‑
DA模型；所述OPLS
‑
DA模型的输入为样本的主成分得分，输出为样本的主成分得分分布；采用所述训练集和预测校验集对所述OPLS
‑
DA模型进行训练和测试，生成训练好的OPLS
‑
...

【专利技术属性】
技术研发人员：钱国栋，
申请(专利权)人：钱国栋，
类型：发明
国别省市：