经济实惠的传感器系统实现藻华实时检测

用于藻华检测的低成本传感器系统。图片来源：韩国土木工程与建筑技术研究院（Korea Institute of Civil Engineering and Building Technology）

韩国土木工程与建筑技术研究院（KICT）成功开发了一种实时、低成本的藻华监测系统，该系统利用廉价的光学传感器和新型标记逻辑，其准确性超过了梯度提升（Gradient Boosting）和随机森林（Random Forest）等先进 AI 模型。相关研究成果发表于《环境监测与评估》（Environmental Monitoring and Assessment）杂志。

有害藻华（HABs）对水质、公共健康和水生生态系统构成重大威胁。传统检测方法如卫星成像和无人机遥感成本高昂，且不适合野外连续作业。

为解决这一问题，KICT 环境研究部的李在叶（Jai-Yeop Lee）博士团队开发了一种紧凑的传感器探头，将环境光和阳光传感器集成到基于微控制器的平台中。该设备根据勒克斯（lx）、紫外线（UV）、可见光（VIS）和红外线（IR）四个传感器变量的实时读数，将水面状况分为 “藻类”“晴天”“阴影” 和 “水体” 四类标签。

研究团队使用支持向量机（SVM）分类器对传感器数据进行标记，以四个输入变量实现了 92.6% 的准确率。为进一步提升性能，他们构建了基于顺序逻辑的分类算法，通过解读 SVM 边界条件，将准确率提升至 95.1%。

按建议的 logic sequence 的预测准确率图。图片来源：韩国土木工程与建筑技术研究院

预测准确率对比

当应用 PCA（主成分分析）进行降维，然后进行 SVM 分类时，准确率达到 91.0%。然而，在 PCA 转换的 SVM 边界上应用逻辑排序实现了 100% 的预测准确率，优于随机森林和梯度提升模型，后者达到了 99.2%。这种方法表明，简单性和逻辑性可以胜过复杂性，尤其是在受限环境中。

数据显示，对 PCA 降维后的 SVM 边界应用逻辑序列时，预测准确率达到100%，超越了随机森林和梯度提升模型（均为 99.2%）。这表明，在受限环境中，简单逻辑模型可能比复杂算法更具优势。

李博士指出：“基于逻辑的框架表现出卓越的鲁棒性和可解释性，尤其适合在嵌入式系统中实时部署。在小样本场景下，其性能优于集成树方法，是野外微控制器（MCU）环境的理想选择。”

该系统还通过多元线性回归（MLR）模型量化叶绿素 - a（Chl-a）浓度（有害藻华的关键指标）。基于相同的四个传感器输入，该模型对 Chl-a 浓度高于 5 mg/L 的情况误差率为 14.3%，证明其适用于实际野外监测。与复杂的非线性模型不同，MLR 模型可在低功耗设备上高效运行，且易于解释和维护。

这项研究标志着经济实惠的水质监测技术取得重大进展。通过结合低成本物联网传感器技术和高效的逻辑建模，该系统无需昂贵硬件或大量训练数据即可实现藻华实时检测，为资源有限的地区提供了可扩展的解决方案。

更多信息：Jai-yeop Lee，《基于低成本传感器的藻华标记：支持向量机与逻辑方法的对比研究》，《环境监测与评估》（2025）。DOI：10.1007/s10661-025-13815-y

期刊信息：《环境监测与评估》

来源：韩国科学技术研究院

若本文收录的图片文字侵犯了您的权益，请邮件联系我们，我们将在24小时内予以删除。