- 經濟實惠的傳感器系統實現藻華實時檢測
- 來源：韓國科學技術研究院（National Research Council of Science and Technology） 發表于 2025/6/9
用于藻華檢測的低成本傳感器系統。圖片來源：韓國土木工程與建筑技術研究院（Korea Institute of Civil Engineering and Building Technology）
韓國土木工程與建筑技術研究院（KICT）成功開發了一種實時、低成本的藻華監測系統，該系統利用廉價的光學傳感器和新型標記邏輯，其準確性超過了梯度提升（Gradient Boosting）和隨機森林（Random Forest）等先進 AI 模型。相關研究成果發表于《環境監測與評估》（Environmental Monitoring and Assessment）雜志。
有害藻華（HABs）對水質、公共健康和水生生態系統構成重大威脅。傳統檢測方法如衛星成像和無人機遙感成本高昂，且不適合野外連續作業。
為解決這一問題，KICT 環境研究部的李在葉（Jai-Yeop Lee）博士團隊開發了一種緊湊的傳感器探頭，將環境光和陽光傳感器集成到基于微控制器的平臺中。該設備根據勒克斯（lx）、紫外線（UV）、可見光（VIS）和紅外線（IR）四個傳感器變量的實時讀數，將水面狀況分為 “藻類”“晴天”“陰影” 和 “水體” 四類標簽。
研究團隊使用支持向量機（SVM）分類器對傳感器數據進行標記，以四個輸入變量實現了 92.6% 的準確率。為進一步提升性能，他們構建了基于順序邏輯的分類算法，通過解讀 SVM 邊界條件，將準確率提升至 95.1%。
按建議的 logic sequence 的預測準確率圖。圖片來源：韓國土木工程與建筑技術研究院
預測準確率對比
當應用 PCA（主成分分析）進行降維，然后進行 SVM 分類時，準確率達到 91.0%。然而，在 PCA 轉換的 SVM 邊界上應用邏輯排序實現了 100% 的預測準確率，優于隨機森林和梯度提升模型，后者達到了 99.2%。這種方法表明，簡單性和邏輯性可以勝過復雜性，尤其是在受限環境中。
數據顯示，對 PCA 降維后的 SVM 邊界應用邏輯序列時，預測準確率達到100%，超越了隨機森林和梯度提升模型（均為 99.2%）。這表明，在受限環境中，簡單邏輯模型可能比復雜算法更具優勢。
李博士指出：“基于邏輯的框架表現出卓越的魯棒性和可解釋性，尤其適合在嵌入式系統中實時部署。在小樣本場景下，其性能優于集成樹方法，是野外微控制器（MCU）環境的理想選擇。”
該系統還通過多元線性回歸（MLR）模型量化葉綠素 - a（Chl-a）濃度（有害藻華的關鍵指標）。基于相同的四個傳感器輸入，該模型對 Chl-a 濃度高于 5 mg/L 的情況誤差率為 14.3%，證明其適用于實際野外監測。與復雜的非線性模型不同，MLR 模型可在低功耗設備上高效運行，且易于解釋和維護。
這項研究標志著經濟實惠的水質監測技術取得重大進展。通過結合低成本物聯網傳感器技術和高效的邏輯建模，該系統無需昂貴硬件或大量訓練數據即可實現藻華實時檢測，為資源有限的地區提供了可擴展的解決方案。
更多信息：Jai-yeop Lee，《基于低成本傳感器的藻華標記：支持向量機與邏輯方法的對比研究》，《環境監測與評估》（2025）。DOI：10.1007/s10661-025-13815-y
期刊信息：《環境監測與評估》
來源：韓國科學技術研究院
- 如果本文收錄的圖片文字侵犯了您的權益，請及時與我們聯系，我們將在24內核實刪除，謝謝！
