环境状态驱动的藻类荧光特征校正验证仓库。
验证同步环境参数是否能够作为荧光测量补偿变量,把不同环境状态下的有限通道荧光特征投影到统一参考状态,并在严格的站点外验证中改善独立光学/生物量指标的泛化性能。
本仓库当前不主张已经证明藻类识别准确率提升。现有外采站点缺少同步藻群真值,因此第一阶段只验证:
- 环境变量是否对荧光-叶绿素映射提供稳定的增量信息;
- 这种增量信息能否转化为显式的特征校正算子,而不是简单特征拼接;
- 校正收益是否能够通过留站验证、置换检验和极端站点敏感性分析。
- F97 Pro 外采数据:约 29 个有可用 EEM 的真实站点;同步记录盐度、pH、水温、DO、浊度、ORP、叶绿素及部分营养盐。用于环境补偿可行性验证。
- F-4700 受控藻实验:8 种藻纯藻与多组分混合样。用于既有有限通道藻群识别基线,不用于证明环境补偿效果。
- 原始数据不提交 GitHub:仓库仅保留接口、配置、代码和结果摘要,避免泄露未发表实验数据及潜在专利细节。
设有限通道荧光特征为 x,环境状态为 z,参考环境状态为 z0。对第 j 个荧光特征构造环境响应函数:
x_corr[j] = x[j] - (g_j(z) - g_j(z0))
其中 g_j 必须仅在训练站点中拟合,测试站点不可参与任何参数估计。
第一阶段优先单变量审计,顺序建议:
salinity -> pH -> temperature -> DO -> ORP -> turbidity
浊度仅作为对照变量,不作为首要专利创新点。
- 外层按站点留出,禁止同一站点信息泄漏;
- 所有标准化、环境补偿函数、特征选择和回归参数仅在训练集拟合;
- 首先比较单环境变量,避免小样本下“全部参数一起上”导致过拟合;
- 叶绿素作为独立验证终点时,不得同时作为补偿输入;
- 必须加入环境变量随机置换负对照;
- 必须报告移除极端站点后的敏感性结果;
- 只有显式校正方法稳定优于荧光基线,才进入专利实施例阶段。
.
├── README.md
├── requirements.txt
├── config/
│ └── validation.example.yaml
├── data/
│ └── README.md
├── docs/
│ ├── VALIDATION_PROTOCOL.md
│ └── PATENT_EVIDENCE_BOUNDARY.md
└── src/
└── validate_env_correction.py
python -m venv .venv
# Windows
.venv\\Scripts\\activate
pip install -r requirements.txt
python src/run_p01.py --config config/p01.yamlconfig/p01.yaml 中的数据目录指向仓库外部的现场数据目录。若使用脱敏 CSV 接口,字段仍应包含 station_id。
建议在正式跑数前冻结以下判定条件,避免事后挑结果:
- 留站交叉验证 MAE 相对基线改善至少 15%;
R²同方向改善;- 环境变量随机置换检验
p < 0.05; - 移除任意 1–2 个极端站点后,改善方向不反转;
- 校正收益不能只来自“环境参数直接预测叶绿素”,必须证明其与荧光特征存在交互/校正价值。
上述阈值是研究阶段门槛,不是当前已经获得的实验结论。
若第一阶段通过,候选技术主题应优先表述为:
基于环境状态约束的多波长藻类荧光特征校正方法及传感系统
而不是“多参数机器学习藻类分类”。详见 docs/PATENT_EVIDENCE_BOUNDARY.md。
P01 已按 config/p01.yaml 完整运行并提交结果。当前决策为 RED:29 个有效 F97 Pro 站点的盐度显式校正使 LOSO MAE 从 7.273 增至 8.283(相对恶化 13.88%),1000 次置换检验 p=0.643,极端站点敏感性也不稳定。该结果不支持进入环境补偿专利主路线;详见 P01_DECISION.md 和 reports/P01_environment_correction_audit.md。
运行入口:
python src/run_p01.py --config config/p01.yaml原始 Excel、EEM CSV、实验室数据和 ZIP 均作为仓库外部输入,不提交 GitHub。