如何追踪湖泊中的浮游植物种类：以Greifensee为例

完整中文导读

苏黎世大学博士生Loé Maire以Greifensee为试验点，开发一种远程监测湖泊浮游植物的新方法，通过湖上平台的分光光度计每15分钟测量水体上行光，并结合水下相机Aquascope图像与机器学习算法进行分类验证。

中文整理

作者 / 来源：University of Zurich · Remote Sensing of Water Systems Blog · 原文时间：2025年11月11日 08:00（北京时间）

原作者信息要点

文章标题为《如何追踪湖泊中的浮游植物种类》，以Greifensee（格赖芬湖）为例，发布于2025年11月11日。配图为Sentinel-2于2025年8月11日拍摄的格赖芬湖藻华卫星影像，来源标注为ESA，使用经修改的哥白尼哨兵数据（2025），由ESA处理，CC BY-SA许可。

作者为Loé Maire，是Eawag的博士生。她表示自己一直对湖泊的绿色或红色闪光变化感到好奇，想弄清是哪些物种造成的，以及它们是否有害。

传统监测方式是直接从湖中采集水样，在实验室用显微镜分析，过程耗时。Maire的博士研究旨在开发一种更高效的方法，使整个湖泊的远程分析成为可能。

藻类是浮游植物的一部分，浮游植物是大多数水生环境中的微生物。数量过多时会对人类和生态系统造成问题；同时它们是水生生态系统的重要组成部分，是许多生物的主要食物来源，并参与产氧和吸收二氧化碳。因此追踪物种种类和数量对监测水生生态系统健康至关重要。

研究以格赖芬湖为试验点。Maire称该湖浮游植物浓度特别高，远高于日内瓦湖等地，因此非常适合研究。

她使用湖中安装的平台，配备分光光度计，全年每15分钟测量一次水体上行光，由太阳能供电。她说这种设置提供高时间分辨率，对观察浮游植物藻华动态特别有价值，甚至可以在办公室远程监测。

测量捕捉不同颗粒和藻类如何吸收和散射光。由于每个物种在特定波长吸收光，因此可以相互区分。

她将测量结果与配备光学显微镜的水下相机（Aquascope）拍摄的图像进行比较。相机图像用机器学习算法分类，用于验证分光光度计测量是否正确识别各个物种。

她表示能够可靠识别五组浮游植物中的四组。唯一未能检测到的一组浓度非常低，说明存在检测限：低于一定密度时难以检测到信号。令人意外的是，该方法在恶劣天气条件下也有效，即使在阴天也能很好区分物种。

通过比较两种方法的结果，她可以评估光谱数据在多大程度上反映湖中物种组成。这是将这些测量应用于卫星数据的重要一步，卫星数据同样依赖光信号。

Maire展望，几年后也许能从卫星图像看到偏远高山湖泊中哪些物种正在暴发。如果知道某种有毒物种通常在热浪后或平静晴朗条件下暴发，就可以预测其影响并采取预防措施。

本站整理与观察

本站观察：该材料主要介绍了一项以格赖芬湖为试验点的浮游植物遥感监测研究，核心是将高频分光光度计测量与水下相机图像及机器学习分类进行比对，验证光谱数据识别浮游植物类群的可行性。

本站观察：材料中提到的“五组中可靠识别四组”以及“阴天仍可区分”属于作者陈述的研究结果，材料未提供论文原文、样本量、误差范围或同行评审状态，因此这些结论应视为作者声称，而非本站独立验证的事实。

本站观察：材料将当前方法定位为向卫星应用过渡的中间步骤，但未说明从湖面平台到卫星尺度转换所需的具体校正或验证工作，也未给出时间表。

本站观察：材料未提供作者全名以外的身份信息、论文标题、期刊名称或发表时间，也未说明Aquascope和机器学习算法的具体型号或方法细节。

材料为Eawag博客文章，未提供论文原文、数据、方法细节或同行评审信息；文中研究结果均为作者陈述，本站未独立验证。材料未说明作者全名、论文标题、期刊及发表时间，也未提供分光光度计、Aquascope和机器学习算法的具体技术参数。本站观察部分仅为基于现有材料的推论，不构成对研究结论的证实。