OJIP荧光动力学曲线J、I点特征时间确定方法

OJIP荧光动力学被广泛应用于藻类光合作用研究,而在常用的OJIP曲线分析中,常将J、I点的特征时间固定,忽略了藻类种类对J、I点特征时间的影响,这会造成J、I点荧光强度计算结果的偏差,直接影响测量结果的准确性。鉴于此,提出使用三级指数函数逼近OJIP曲线的方法动态获取J、I点的特征时间。不同藻种的J、I点的特征时间和二氯苯基二甲脲（DCMU）胁迫下J点特征时间实验的测试结果表明：所提方法能够有效获得不同藻类J、I点的特征时间,二形栅藻、蛋白核小球藻、普通小球藻和新月筒柱藻J点的特征时间分别为2.22,1.52,1.33,1.01 ms, I点的特征时间分别为28.80,27.15,29.90,15.28 ms,多次计算结果的相对标准偏差均小于10%,具有较好的一致性;在DCMU浓度（质量浓度）分别为10,20,40μg/L的毒性胁迫实验条件下,所提方法计算的普通小球藻的J点特征时间分别为1.25,1.18,1.10 ms,相对标准偏差为12.03%。此外,利用所提方法计算得到的光合活性参数V_J与DCMU浓度之间具有良好的毒性剂量-效应关系,相关性系数R^...     

基于多任务卷积神经网络的浮游藻类群落识别方法

针对混合浮游藻类群落离散三维荧光光谱特征识别,对比分析了简单卷积神经网络(PlainCNN)和文本卷积神经网络(TextCNN)模型对5种常见门类藻(铜绿微囊藻、斜生栅藻、菱形藻、楯形多甲藻和隐藻)混合数据的种类识别准确率及浓度测量精度。结果表明,在藻类独立识别及浓度回归分析中,PlainCNN模型对测试集的平均识别准确率和浓度输出结果的平均均方误差分别为90%和0.052,均优于TextCNN模型。为了同时实现混合藻类种类识别和浓度分析,基于PlainCNN模型提出了多任务卷积神经网络PlainCNN-MT模型。该模型对混合藻类种类识别的平均准确率提高至95%,浓度输出结果的平均均方误差降低至0.039,表明多任务卷积神经网络在浮游藻类群落识别与定量分析中更具优势。     

杭州西湖水体中叶绿素a含量与水质的关系

通过对西湖各湖区叶绿素α含量及水质理化因子分析,表明由于水体中N,P浓度较高,北里湖,岳湖,西里湖和外湖中灌类的生长主要受水温的影响,而不受N,P的限制,而小南湖埏于引水口,受钱塘江引水的影响较大其水质优于其余各湖区,通过生物治理试验的研究,表明在西湖中建立合理协调的水生生态系统,对于保持良好的水质,具有更为显著的效果。α