英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

基于无人机成像灌溉池塘微生物水质评估初探

B.J. Morgan^a , M.D. Stocker^a , J. Valdes-Abellan^b , M.S. Kim^a , Y. Pachepsky^a,⁎

摘 要

微生物水质数据集在灌溉农业中十分重要，它用以检测和制定预防农产品污染的措施。大肠杆菌浓度通常用于评估微生物水质。遥感图像已经成功运用于检索少许可决定大肠杆菌栖息地的水质参数。而这项试验性研究则是为了测试使用小型无人飞行器（SUAV或无人机）的图像来改进评估微小灌溉池微生物水质的可能性。在美国马里兰州中部的一个池塘23个位置于深度0-15 cm进行了采样，对pH，浊度，比电导以及溶解氧，叶绿素a，藻蓝蛋白和荧光溶解有机物浓度进行原位测量。同时使用无人机对池塘表面进行成像，该无人机携带有三个改良的GoPro相机以及一个拥有五个光谱波段的多光谱相机。GoPro图像被分成红、绿、蓝三个组成部分。将图像中1 m半径区域的平均数字数据与水质数据结合起来，用以基于回归树的分析。使用“仅图像”作为输入相比于使用“仅水质参数”描述回归树，其准确性相当或更好。在利用“仅图像”作为回归树的输入进行多相交叉验证时，平均决定因子和大肠杆菌浓度的十进制对数的均方根误差分别为0.793plusmn;0.035以及0.131plusmn;0.011。这项研究证明无人机影像能够更准确的描述灌溉池塘中大肠杆菌浓度的空间变化。

1.引言

微生物水质是监测的重点，因为多种水传播疾病会影响人类和动物生活。美国仅2013年因致病大肠杆菌相关病例造成的生产力损失和医疗费用就超过了2.7亿美元（Economic Research Service ERS-USDA, 2014）。其他病原体产生的损失估计更大（Pachepsky et al., 2011;Scharff, 2010），包括36亿美元用于沙门氏菌病，390亿美元用于美国所有食源性微生物疾病。为了应对这些风险，对微生物水质的研究兴趣不断增长（Alegbeleye et al.,2018;Hellberg and Chu,2016;Jongman and Korsten,2018;Olaimat and Holley, 2012; Pachepsky et al., 2018; Rochelle-Newall et al., 2015）。监测灌溉水的微生物质量是进一步改善食品安全的重要步骤，有助于实施生产污染减少化的战略（Pachepsky et al., 2011）。

大肠杆菌常见于温血动物的肠道，它是微生物水质最常用的指标。水体中大肠杆菌浓度的升高预示着可能存在其他肠道病原体（Environmental Protection Agency (EPA),2012）。无论是在生产或灌溉，天然水或处理废水，世界上大多数标准都认为大肠杆菌是衡量淡水微生物水质的重要指标（Boletin Oficial del Legislacioacute;n

Consolidada, 2007; European Parliament, 2006; Kay et al., 2004; U.S.Congress, 2011; World Health Organization (WHO), 2006）。

大肠杆菌的生长和死亡率决定于特定环境条件以及微组织通过基因表现模式对这些条件的适应性（Van Elsas et al.,2011）。影响大肠杆菌存活的环境控制因素很多。碳底物是水生环境和缺乏的关键因素，其缺乏会降低细菌存活和促进休眠的可能性（Franz et al., 2005; Semenov et al., 2008）。其他因素包括温度（温度的波动和高温均会对大肠杆菌的生存产生不利影响），pH（低pH会影响大肠杆菌生存同时触发其耐酸机制），浮游藻类的状况和种群结构（可能对大肠杆菌存活造成积极或消极影响），水体环境的生物多样性（高水平生物多样性会阻碍大肠杆菌的繁衍），固着生物和藻类层（可为细菌种群提供保护）的存在被证实在开放环境中对大肠杆菌的生存有很大影响（Ansaetal.,2012;Byappanahalli et al., 2009; Carr et al.,2005; Choi et al., 2000; Semenov et al.,2007）。

高空间可变性会使得水体中大肠杆菌浓度的估计存在不确定性。例如Quilliam等人基于同一河流不同对岸的大肠杆菌浓度对人口水平进行估计。Pachepsky等人在两个人工池塘中检测到一个大肠杆菌浓度的稳定空间模式，其中池塘内部浓度较低。因此，对地表水源进行微生物监测必须考虑到微生物浓度的空间可变性。然而，研究微生物浓度的空间变化仍然是一项资源密集性的挑战。

利用卫星，航拍，无人机获得的遥感（RS）图像可以避免或减少由抓斗采样进行水质监测所产生的时间和预算限制。近几年，RS图像被应用于海岸（Constantin et al., 2017）和内陆（Giardino et al.,2014）水质参数监测，包括浊度（Duan et al., 2019; Isidro et al., 2018），叶绿素a（Wang et al., 2018）以及藻类种群属性（Boddula et al., 2017）。近期关于用无人机图像进行水华研究的综述（Kislik et al., 2018）证明了可采用多种方法进行数据处理，同时应考虑天气条件以及相机的范围和可用传感器类型。

目前还无法用无人机图像检测水体中的指示剂和致病菌。但是，考虑到现在有可能使用RS产品来获取可直接或间接表征和控制大肠杆菌栖息地的水质参数，因此要推断出大肠杆菌的空间分布似乎可以通过（a）sUAV图像估算水质栖息地参数，（b）使用这些水质栖息地参数与大肠杆菌浓度建立经验关系式。来自sUAV图像不同波长范围的信息除了提供大肠杆菌的空间分布信息外，还可以提供大肠杆菌栖息地的综合表征，而无需进行原位水质测量。

这项工作的目的是评估使用sUAV获得的图像的可用性，在无论是否提供其他影响大肠杆菌水环境栖息地适宜性的水质参数信息的情况下改善对小池塘微生物水质的估计。

2材料和方法

2.1研究地点和水质参数

研究路堤池塘位于一个私人农场，其面积大约为3780 m²。池塘中的水仅用于作周边农场夏天的灌溉（图1）。其平均深度在2.7 m。周边农场的径流都进入这个池塘，同时采用化学肥料进行施肥，未采用动物肥料。农场经营者决定灌溉方式，而池塘中大肠杆菌潜在来源方式包括野生动植物，一条流进池塘的溪流，附近池塘转移以及偶尔的沐浴者。

在整个池塘表面以近似规则的方式建立了23个采样点。十二个采样点位于岸边附近，另外十一个采样点位于池塘内部（图1）。在2017年7月18日和8月1日的两个小时内，于0-15 cm深度处采集了样本。池塘内部采样通过皮划艇进行，并使用具有1.5 m长手柄的500毫升塑料瓶对近岸水样进行了采集。收集的样本低温保存并尽快运送到实验室，在收集后2小时内进行大肠杆菌计数。环境协变量是使用手持式YSI Exo-2Sonde (YSI Inc., Yellow Springs, OH) 在现场与水样采集同时进行的，包括温度 (℃)，溶解氧 (DO, mg·L^-1)，pH，比电导(SPC, mu;S·cm^minus;1)，荧光溶解有机物(fDOM，相对荧光单位，RFU)，蓝藻藻蓝蛋白(BGAPC, RFU)，原位叶绿素a含量(CHLAF, RFU) 和浊度(TURB，散射比浊度法浊度单位，NTU)。降水和太阳辐射数据是从距池塘不到3公里的当地气象站获得的。

样本收集后立即放置在装有冰的冷冻容器中。根据EPA标准方法(2002)，使用耐热膜大肠杆菌(mTEC)琼脂（Difco, Sparks, MD），在收集后24小时内于实验室确定了大肠杆菌的浓度。另根据EPA标准方法(Arar and Collins, 1997)进行了叶绿素a (CHLAS)的体外测定。使用R环境进行统计计算 (R Core Team，2014)并对大肠杆菌浓度CFU (100 mL)^-1 (LGCFU)取常用对数进行统计分析。

图 1研究池塘采样点位置

2.2图像获取和处理

通过安装在3DRSoloreg;（3DR, Berkeley, CA）无人机上的一台RedEdge-M (MicaSense, Seattle,WA)相机和一台GoPro相机获得图像。RedEdge-M相机收集以下五个窄波段的反射信息（图S1）：蓝色（MS1，以475 nm为中心，带宽为20 nm），绿色（MS2，以560 nm为中心，带宽为20 nm），红色（MS3，以668 nm为中心，带宽为10 nm），红边（MS4，以717 nm为中心，带宽为10 nm）以及近红外（MS5，在840 nm处具有40 nm带宽）。这个相机为每个采样点的样本提供了五张图像。另外，无人机携带三台镜头经过改良的GoPro相机(Stuntcams Inc., Ada, MI)，在减少畸变的同时能够提供比可见光谱更宽的波段范围。第一台GoPro摄像机捕获了包括可见光谱和红外（IR）范围在内的整个波长范围（ER）。第二和第三台GoPro摄像机的滤镜分别提供了光谱的仅可见（VI）和仅IR范围。所有飞行都是连续进行的。GoPro镜头和滤镜的光谱分析可以在图S2中看到。将每个GoPro相机获得的图像(Kimmel，1999)分解为红色(ER1，IR1，VI1)，绿色(ER2，IR2，IR2)和蓝色(ER3，IR3、VI3)部分。这种分解从GoPro图像数据创建了九个图层(三台相机的的RGB图像)。

每次飞行无人机的飞行高度均为400英尺(130 m)。气象条件好，每个采样日的太阳辐射数据非常相似(图S2)。在成像时间内，太阳顶角在20°至30°之间变化。通过使用ArcMap10.5中的地理配准工具将从美国地质调查局(USGS)获得的池塘底图与采集图像对齐。

为了从与水质样本相关的图像中获取时空信息，将在采样过程中获取的GPS坐标导入ArcMap。在每个采样位置周围创建了直径为1 m的圆形缓冲区。由于池塘深度的波动，池塘周围植被的变化以及采用手动图像对齐，近岸样本的采集位置在采样日时间段内可能发生更改。为了解决这个问题，创建了1-m缓冲区，将其垂直于海岸线逐渐向内部移动，直到将它们完全放置在水面区域内并能在图像上显示出来。使用Python代码来帮助此缓冲区重新定位。在所有缓冲区（内部和近岸）的位置确定后，使用“剪辑”工具从28张图像中提取每张图像的缓冲区域部分，并使用“统计”工具查找每种情况下的平均数值数据（MDN）。去除多个异常值后，裁剪区域内的DN分布是正常的（plt;0.05），这使MDN改变lt;1％。然后将缓冲区的MDN与相同位置的水质数据一起分析。

2.3回归树

将大肠杆菌浓度的对数值与所有28张图像和水质参数中的MDN用回归树相关联。回归树是一种机器学习技术，对于建立大量潜在预测变量的相关性并获得清晰的预测或解释模型特别有用（Sorrelletal.,2013）。回归树在环境科学中的应用很普遍，并且已经在许多水质研究中得到了应用（e. g., Jones et al., 2013; Park et al., 2015）。在这项研究中，回归树技术被用于评估图像数据是否适合补充或代替水质数据来推断微生物浓度。

回归树算法将数据分为两组，然后将每个组分为两个子组，然后将每个子组分为两个其他子组，以此类推。每次拆分通过方差分析组间最大平方和，以创建最不相似的子组（结合因变量）（Therneau and Atkinson，2018）。通过按每个预测变量对数据集进行排序并从两个最相似和最不相似的子组中选择预测变量值来进行拆分。基于所有预测变量的子组平方和的比较，选择最大子组平方和中的预测变量值，执行最终拆分。当子组变得太小或当拆分不再有效地创建不同的子组时，拆分过程就完成了。该连续拆分过程将产生一个树状结构，其中每个拆分都会创建两个分支。无法进一步拆分的组通常称为“叶”。一片叶子中所有数据集因变量值的平均值作为所有被包含数据集的预测值。子组间平方和的最大增量发生在拆分过程的早期阶段，并且在这些阶段的拆分预测变量被认为是影响最大的。进行分割所需的最小数据集数量是算法的控制参数。根据Park等人（2015）的方法，将每个分支的最佳最小数据集数量设置为4。

回归树分析的输出包括（a）回归的均方根误差，（b）回归确定系数R²和（c）提供第一个拆分以及随后的两个拆分变量的名称。使用折刀法重采样技术评估了这些输出的不确定性（Kroll et al.,2015）。包括以下步骤：（1）系统地从原始数据集中产生k个观测值来创建数据子样本；（2）使用每个子样本创建回归树并记录输出；（3）绘制从所有子样本中获得的输出值的直方图。通过应用折刀法重采样，基于单个数据集获得正确结论，其风险可以被评估，但可能无法代表所有的数据集。整个数据库包含46个数据集（23个采样点在不同时间进行了两次采集），且通过删除三个观察值获得子样本。回归树应用的子样本总数为15180。对于每次分析，其输出值（均方根误差RMSE，R²，变量名）均被记录。然后应用单变量统计检验来确定RMSE和R²的均值和方差值的统计学差异。

2.4数据输入集

不同采样日的不同采样位置均以大肠杆菌浓度对数值和22个潜在预测变量来表征，包括DO，pH，SPC，TURB，fDOM，CHLAF，CHLAS，BGAPC和14个图像MDN值。采用以下五个输入集：（1）输入集1包括物理化学变量DO，SPC，pH和浊度；（2）输入集2由所有14个图像的MDN值组成，即ER1，ER2，ER3，IR1

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[262128]，资料为PDF文档或Word文档，PDF文档可免费转换为Word