從單藻計數到生態診斷：AOMS如何為原水風險提前“吹哨”

Part.1

全球藻華擴張態勢與飲用水治理壓力

近20年來，全球藻華影響總面積達3147萬平方公里，年均暴發頻次達4.3次，聚焦粵港澳大灣區，赤潮、藻類暴發頻率以年均2.3%的速率持續攀升。藻華治理周期通常為4～12周，且徹底消除影響需多輪干預，在治理成本方面，我國藻華災害每年造成經濟損失達千億元。

藻類暴發不僅嚴重影響水體生態安全，還會引發諸多水廠生產運行問題。在水廠工藝方面，高藻水體易造成絮凝效果下降、pH值波動，增加工藝控制難度和運營成本。硅藻暴發易堵塞濾池，造成濾料板結，過濾效果變差，影響水廠生產和出水質量。個別藍藻會導致嗅味物質（如2-MIB）含量超標，降低飲用水感觀品質。此外，部分藻類及其代謝產物會進入供水管網，成為微生物生長的載體，加劇管道中細菌和生物膜的形成，最終影響“飲用水”品質安全。

Part.2

藻類監測產品設計的需求洞察

藻華形成的機理復雜，藻類繁殖受到營養物質、光照、溫度等多重環境因子的影響，關鍵環節參數難以實現同步、連續的監測。采集數據的準確性方面，也面臨一系列問題，首先，測量不確定性貫穿于從樣品采集到分析的各個環節，影響輸入數據質量。其次，不同的監測手段各自存在固有誤差：人工鏡檢費時費力且無法連續覆蓋；衛星遙感則受限于空間分辨率和大氣干擾。傳統監測體系在時效性與覆蓋度上的雙重制約，成為藻華動態監測與早期預警的瓶頸。

注：表格為近年來主流藻類監測技術手段

Part.3

AOMS：從成像到報警一站式管控

在此背景下，藻類在線監測儀（AOMS）應運而生，為海洋、湖泊及水庫等水域的原位在線監測提供了可行技術。AOMS擁有包括設備部署、數據采集、智能分析和數據展示四個部分，融合水下高清成像與深度學習算法可實現全天候實時在線高頻監測，監測數據保留生物信息的敏感性及完整性。

設備部署&數據采集

AOMS支持“浮標定點+自動巡航”雙模式部署，搭載水下高速高清圖像采集器，通過雙遠心光學鏡頭與脈沖同步驅動技術，在60 NTU高濁度、50米水深條件下，精準捕捉5μm–1mm浮游生物的原位動態。

同時，AOMS采用模塊化設計，搭載的氣象站模塊及水質監測模塊可精準捕捉氣象信息及水質參數，機體采用防生物附著鍍層，保障設備在7×24小時持續輸出穩定清晰的生態圖像，為后續AI智能識別提供高質量數據基底。

智能分析&數據展示

AOMS的軟件部分包含三大核心組件：

圖像采集客戶端——直接驅動水下采集器,實現硬件參數調節與實時成像;

智能識別系統——基于AI圖像模型對圖像實時同步分析，自動輸出藻類分類統計結果;

藻類在線監測平臺——集成觀測、分析、可視化及災害預警的一站式管理界面。

支持分布式獨立運行，用戶可靈活調用任一模塊滿足特定需求，也可啟動全鏈路協同實現閉環監測。

目前，深圳鐵崗水庫、清林徑水庫、東湖水廠以及貴陽、安徽等地均已部署AOMS，提升了藻華暴發的預警能力，為水廠工藝調控提供了關鍵數據支持，顯著優化藥劑投加策略，降低運行成本，保障飲用水安全。

（更多產品信息，請垂詢獲取，期待與更多伙伴攜手。）

附錄：

產品參數信息

功能參數

? 監測功能：對5μm到1mm 尺寸的浮游生物（浮游動物、浮游植物、魚苗、魚卵等）清晰成像

? 基本操作：可通過客戶端成像儀軟件進行設備的參數配置及數據采集（圖像采集、光源調整、雨刮控制等）

? 識別功能：可通過客戶端識別軟件對原位圖像中的浮游生物進行自動識別、統計計數

? 報警功能：可通過客戶端監控平臺實現目標致災物種暴發報警及設備故障提示

? 拓展能力：設備端預留端口，可接入水下攝像頭；客戶端軟件具備浮游生物特征庫，可對其進行更新，從而不斷提升識別能力

? 濁度適應能力：在渾濁度高達60NTU時依然能清晰成像，適用于不同渾濁度的水域環境

? 長期布放能力：具備防污鍍層，防腐蝕防生物附著，可在水下長期定點布放

? 存儲能力：可存儲3-6個月原位圖像及其對應識別結果

? 淡水環境運維周期：3-6個月

性能參數

? 像素分辨率0.7μm，最小可檢測粒徑5μm，最大可檢測粒徑1mm

? 單幀樣品體積 0.9μL

? 光機同步誤差不大于1μs

? 圖片存儲量≥250000 frame

? 圖像平均處理速度100ms/frame

? 最大工作水深不小于50米

? 自動分類識別，準確率≥80%

? 可識別水華、赤潮等多類致災生物

? 支持接入赤潮、2-MIB智能預測系統

參考文獻

Anderson, D.M. Turning back the harmful red tide. Nature, 388, 513-514. (1997).

Anderson, D.M. Approaches to monitoring,controland management of harmfulal algal blooms (HABs). Ocean & Coastal Management, 52(7), 342-347.(2009).

Dai, Y., et al. Coastal phytoplankton blooms expandand intensify in the 21st century. Nature, 615, 280-284. (2023).

Qin, B., et al. Dynamics of variability and mechanism ofharmful cyanobacteria bloom in Lake Taihu, China. Chinese Science Bulletin, 61(7), 759-770. (2016).

Song, J., et al. Early warning of Noctiluca scintillansblooms usingin-situ plankton imaging system: An example from Dapeng Bay, P.R. China. Ecological Indicators, 112, 106123. (2020).

李峰杰, 謝海平, 李伯通, 等. 2001—2023年廣東沿海赤潮災害分級和時空分布特征研究[J]. 海洋開發與管理, 2025. http://haiyangkaifayuguanli.com/wap/ch/mobile/m_website_view_abstract.aspx?file_no=202502270000001&flag=2

編輯：趙凡