智慧城市网

      微藻作为一类重要的生物资源，不仅在水质净化、生物能源生产、食品和药品开发等方面具有广泛应用前景，还在环境监测、生态修复等领域发挥着重要作用。近年来，高光谱成像技术作为一种先进的非接触式监测手段，逐渐在微藻培养与监测中展现出其独te的优势和潜力。

        Fluortron多功能高光谱成像系统整合国际技术资源，以其高光谱分辨率和图像处理能力，在微藻的生理状态、生物量、种类识别等方面展现出强大的应用潜力。通过捕捉微藻在不同光谱波段的反射或荧光特性，可以实现对微藻生长状态的高精度监测和快速分析。相较于传统方法，Fluortron多功能高光谱成像技术具有多功能、非接触、无损伤、实时性强、信息量丰富等显著优势，为微藻培养与监测提供了一种全新的解决方案。

图1：FluorTron®多功能高光谱成像分析系统（左）、施加不同浓度草甘膦的小球藻液RGB图片（中）以及静置16h后不同处理藻液在蓝光激发下的光谱曲线

图2：施加胁迫静置16h后不同处理藻液在紫光激发下的光谱曲线（左）、蓝光激发的荧光指数F685及F685/F740。通过蓝色/紫色激光激发后的小球藻光谱曲线可以看出，不同浓度草甘膦胁迫下的藻液曲线有明显差异；根据荧光指数参数也可以看出0.5%GLY处理的F685与F685/F740zui低，说明该组的光合作用效率zui低，小球藻抑 制效果蕞hao。

案例一：使用高光谱成像仪对微藻培养进行非侵入性监测

       微藻作为生物燃料、食品添加剂及药物原料的重要来源，其高效培养与精确监测对于提高产量与质量至关重要。然而，传统的监测方法往往存在耗时、破坏样本等局限。本研究采用高光谱成像仪，结合线性回归模型与一维卷积神经网络（1D CNN），对实验室条件下的微藻培养进行了非侵入性监测。通过捕获微藻在不同生长阶段的光谱图像，实现了对生物量浓度的准确预测与物种分类。

图3：实验室规模实验中三个绿藻品种不同时间的最值归一化光谱曲线，垂直线标记最 佳指标的位置（左）；生物量浓度估计值与最 佳指标之间的线性回归模型（右）

图4：工业规模试验中螺旋藻（Arthrospira platensis）的水槽高光谱数据采集（左），以及使用最 佳确定指数（616/587 nm）计算出的指数可视化图（右），与生物量分布相关

       实验室研究研究表明，高光谱成像技术能够在不破坏样本的情况下，快速获取大量光谱数据。线性回归模型与1D CNN均表现出良好的预测性能，其中1D CNN不仅预测了生物量浓度，还可以实现对三种绿色微藻的高精度分类。工业规模的初步测试也表明，该技术同样适用于实际生产中的微藻培养监测。

案例二：水华蓝藻的精 准区分

       水华蓝藻的爆发不仅影响水质，还可能产生有毒物质，对人类健康及水生生态系统构成威胁。因此，实现对水华蓝藻的精 准区分与有毒物种的快速识别具有重要意义。本研究利用实验室条件下的高光谱图像，结合机器学习算法，对形成水华的蓝藻进行了分类与识别。

图5：(a)高光谱成像图、(b)含有蓝藻生物质的ROI提取、(c)ROI中所有像素的平均VIS/NIR反射光谱（左）；五种蓝藻的VIS/NIR光谱反射率平均值，a)仅平均光谱、b)包括标准偏差的平均光谱（右）

图6：分类模型在训练、验证和测试集上的表现

       实验研究表明，高光谱图像能够捕捉到蓝藻光谱特性的细微差异，为机器学习模型提供了丰富的特征信息。利用机器学习算法在水华蓝藻的分类与毒性识别中展现出ji高的准确性，为水华预警与治理提供了科学依据。

未来与展望

       多功能高光谱成像技术与机器学习的结合，为微藻培养与水华蓝藻监测带来了革命性的变化。这一技术不仅能够实现非侵入性、高精度的生物量监测与物种分类，还能有效识别有毒蓝藻物种，为环境保护与生物技术的发展提供了强有力的支持。未来，随着技术的不断成熟与应用场景的拓展，都功能高光谱成像技术将在更多领域展现出其巨大的潜力和价值。

更多藻类培养与监测系统

       易科泰公司长期致力于农业-生态-健康领域，整合国际技术资源，为藻类生物质能源及高通量表型研究领域提供全面解决方案，包括藻类培养、藻类叶绿素荧光与光合作用测量、藻类叶绿素荧光成像分析、藻类培养与在线监测及高通量藻类表型分析等。

图6：上图依次为AlgaTech®高通量表型分析平台、Specim IQ高光谱相机

图7：上图依次为AquaPen手持式叶绿素荧光仪、MC1000 8通道藻类培养与在线监测系统、FMT150藻类培养与在线监测系统

参考文献：

[1] Fournier, Claudia, et al. "Discriminating bloom-forming cyanobacteria using lab-based hyperspectral imagery and machine learning: Validation with toxic species under environmental ranges." Science of the Total Environment 932 (2024): 172741.

[2] Pääkkönen, Salli, et al. "Non-invasive monitoring of microalgae cu ltivations using hyperspectral imager." Journal of Applied Phycology (2024): 1-13.