虾塘放苗前水质培肥阶段水体微藻群落结构变化研究

虾塘放苗前肥水阶段是对虾养殖的重要环节之一。为探明肥水阶段水体微藻群落结构变化,对杭州湾口南岸虾塘肥水阶段前后进行采样调查研究。结果表明,共检出水体中微藻18种隶属2个门,其中硅藻17种、甲藻1种。肥水阶段前后水体微藻平均密度分别为1.05×10~3ind/L和5.29×10~5ind/L,微藻群落多样性指数(H′)分别为3.09和1.90,肥水阶段后微藻优势种为新月菱形藻和菱形藻。     

饵料微藻缓释饼的制备及其在青蛤池塘养殖中初步应用研究

为应对近岸海域褐潮频发及贝类养殖密度过大而导致的饵料微藻丰度不足的现象,以小球藻Chlorella与螺旋藻Spirulina混合藻粉、海藻酸钠、枯草芽孢杆菌Bacillus subtilis等为原料制作成规格适中、黏性适宜的饵料微藻缓释饼,并开展了饵料微藻缓释饼对青蛤Cyclina sinensis养殖的应用效果研究。结果表明:试验组的饵料微藻缓释饼在青蛤池塘中可缓释15 d左右,相比于未使用饵料微藻缓释饼的对照组,试验组青蛤养殖池塘水体中以原甲藻Prorocentrum sp.、鼓藻Cosmarium sp.、隐藻Cryptomonas sp.和纤维藻Ankistrodesmus sp.为主的浮游植物优势种密度显著增加(P0.05),浮游植物生物最高达到15.0 mg/L;试验组水体NH_3-N含量前期(1～6 d)下降趋势明显,由0.99 mg/L下降至0.68 mg/L,后又小幅上升,对照组则变化不大;试验组间NO_3~--N含量显著高于对照组(P0.05),而NO_2~--N和TP含量则与对照组无显著性差异(P0.05);试验组青蛤存活率、壳长、湿体质量均优于对照组,但无显著性差异(P0.05)。研究表明,本研究中制备的饵料微藻缓释饼具有较高的生态安全性,可用于海水贝类养殖中。     

IAA对高盐废水培养微藻生长特性与氮磷去除的影响

废水中高浓度的盐会抑制微藻的生长,通过添加外源植物激素吲哚乙酸(IAA)来促进微藻在盐胁迫下的生长,同时考察不同微藻和盐离子种类对高盐废水培养微藻生长特性与氮磷去除的影响。结果表明,流加模式下培养28 d,小球藻、链带藻、四尾栅藻的最高生物量分别为0.55、0.66、0.75 g/L,总氮和氨氮去除率分别为70.7%、88.5%、79.7%和90.7%、92.6%、92.4%,总磷去除率均达到90%以上。四尾栅藻在模拟高盐废水培养24 d后,高质量浓度IAA(20 mg/L)对其生长效果最好,生物量最高可达0.403 g/L,低质量浓度IAA(≤2 mg/L)对其无明显促进作用甚至抑制生长;高质量浓度IAA(20 mg/L)的总氮和氨氮的去除效果最好,去除率分别为20%和44.1%;总磷去除率为97.2%,其余5组总磷去除率均维持在15%左右。此外,不同种盐条件下四尾栅藻生物量分别为0.667 g/L(空白组)、0.750 g/L(Cl^-组)、0.898 g/L(NH₄⁺组)和1.037 g/L(NH₄     

四种微藻投喂对三角帆蚌生长、产珠性能、内壳层颜色和微量元素的影响

为筛选三角帆蚌集约化养殖优质的饵料微藻,本实验采用单因子实验方法,探究投喂不同藻(小环藻、小球藻、二形栅藻、旋转单针藻和混合藻)对三角帆蚌生长、产珠性能和内壳珍珠层颜色的影响。结果显示,投喂不同藻对三角帆蚌的生长影响显著,投喂小环藻组三角帆蚌的体质量增重率、壳长、壳宽和壳高增长率最佳。二形栅藻组次之,但壳长增长率略高于小环藻组。小球藻组、旋转单针藻组和混合藻组生长较差。珍珠增重率以小环藻组最佳,显著高于其他4组。小环藻和二形栅藻组珍珠正圆率显著高于旋转单针藻组。不同饵料微藻对斧足和外套膜微量元素含量影响显著,投喂小环藻组斧足中Ca元素含量最高(12 637.30±624.39) mg/kg。不同饵料微藻对内壳色影响显著,小环藻组内壳色亮度最低、色差最小、饱和度较大;混合藻组内壳色亮度最高、色差最大、饱和度最小;二形栅藻组各值处于中间水平。综合考虑,小环藻是三角帆蚌最佳的饵料微藻,二形栅藻次之。     

蛋白核小球藻处理猪场废水的效果观察

 研究一种微藻即蛋白核小球藻处理猪场废水的能力。将猪场废水稀释为3个不同浓度组,G₁组（100%废水）、G₂组（50%废水）、G₃组（25%废水）,分别加入等量蛋白核小球藻,分析其对猪场废水的处理能力。结果表明,蛋白核小球藻处理猪场废水浓度为50%时(COD、TN和TP分别为296 mg/L、64 mg/L和7 mg/L)具有最佳效果;微藻生长浓度前2 d和4 d分别达到0.029 g/L和0.016 g/L,对COD、TN和TP去除率分别达到80.07%、79.69%和87.14%。说明蛋白核小球藻对稀释50%的猪场废水具有较强的处理能力。     

珠江河口区罗非鱼养殖池塘中浮游微藻的群落特征

2009年5月至11月,在广州市番禺区海鸥岛对6口罗非鱼河口养殖池塘的微藻群落结构和水质因子进行定期采样分析,共检出微藻7门157种,其中绿藻67种,蓝藻34种,硅藻18种,甲藻5种,隐藻3种,裸藻28种,金藻2种。各池微藻优势种种类丰富,但不同门类优势种单胞体积差异较大,其中：数量优势种多为蓝藻类的威利颤藻、点形平裂藻、褐色念珠藻、圆胞束球藻、坚实微囊藻、不定微囊藻等和绿藻类的蛋白核小球藻、镰形纤维藻、空星藻等;生物量优势种多为裸藻类的鱼形裸藻、秋鳞孔藻、琵鹭扁裸藻、扭曲扁裸藻、糙膜陀螺藻和甲藻类的加顿多甲藻、多纹膝沟藻以及隐藻类的啮蚀隐藻、具尾蓝隐藻等;卷曲螺旋藻既是数量优势种又是生物量优势种。微藻数量和生物量在养殖前中期增加较快,物种多样性丰富,后期多呈较低水平,物种多样性也逐渐下降。养殖前中期各池微藻数量范围为（0.59～72.85）×107ind·L^-1,生物量范围为1.12～114.14mg·L^-1,多样性指数平均为2.98;养殖后期微藻数量范围为（16.29～67.37）×107ind·L^-1,生物量范围为6.57～67.76mg·L^-1,多样性指数平均为2.78。各池微藻数量或生物量多与COD、DIN等营养因子呈显著正相关关系。罗非鱼也可通过滤食作用有效影响池塘微藻群落结构和水质因子的变动。     

2种海洋饵料微藻藻际环境的细菌多样性研究

选取对数生长期的海洋饵料微藻——角毛藻(Chaetoceros sp.)和扁藻(Platymonas sp.)藻液,经无菌混合纤维素酯膜抽滤,获得游离和粘附的藻际细菌,并提取基因组DNA进行16S r DNA高通量测序,测序区间为16S r DNA的V3~V4可变区,测序结果经过数据质控获得有效序列数分别为44 222和40 721,用Uclust v1.1.579对序列进行OTU聚类,获得有效OTU数分别为3 747和3 809;用RDP classifier进行物种注释,分析藻际环境的细菌多样性。结果表明,2种微藻的藻际细菌主要分布于变形菌门(Proteobacteria)。角毛藻藻际细菌优势种群主要分布于γ-变形菌纲(34.3%)和α-变形菌纲(16.3%),扁藻藻际细菌优势种群主要分布于γ-变形菌纲(36.9%)、α-变形菌纲(17.7%)和β-变形菌纲(11.4%)。细菌群落Alpha多样性指数表明,角毛藻覆盖率为96.4%,香农指数为6.28,ACE指数为7 247.64,Chao1指数为6 046.91;扁藻覆盖率为98.0%,香农指数为5.99,ACE指数为7 166.06,Chao1指数为6 172.99。2藻种的藻际细菌群落内菌种均匀性和多样性相近。     

微藻中二酰基甘油酰基转移酶基因（DGAT）结构及进化分析

从数据库中获取微藻及高等植物中的二酰基甘油酰基转移酶基因(DGAT),对4种酶通过基因和蛋白质结构的比较及系统发育树的构建进行多样性和进化程度分析。为了进一步分析微藻中DGAT的进化过程,对其进行正选择位点的检验,推测其在进化过程中受到的选择压力。结果显示:微藻中不同类型DGAT的基因结构及蛋白质结构差异较大,微藻与其他高等植物相比,同一种类型的DGAT的蛋白质结构和基因结构也有较大差别。同时发现微藻中DGAT同其他高等植物中的DGAT有不同的进化过程。选择压力分析结果显示,微藻及高等植物的DGAT2和WS/DGAT存在可信度较高的正选择位点,DGAT1和DGAT3未发现正选择位点。对微藻中DGAT的进化研究有助于破译其在油脂积累中的作用,推动可再生能源的研究。     

利用藻菌共生体系强化养猪废水厌氧消化液培养微藻

利用养猪废水厌氧消化液培养微藻是一项极具潜力的污水资源化技术,如何强化微藻产量是该技术领域的研究热点。本研究在利用养猪废水厌氧消化液培养微藻时,通过投加活性污泥,构成藻菌共生体系,并对关键工艺参数(藻菌比例、微藻接种浓度以及光照周期)进行优化,分析藻菌共生系统培养微藻以及回收氮磷的适宜条件和相关机理。结果表明,在适宜的藻菌比(1∶0.2)条件下,藻菌共生系统有利于提高微藻生长量以及氮磷的回收效率。在优化的接种浓度和光照条件下,进一步运行藻菌共生反应器和微藻纯培养反应器,前者有利于提供微藻生长的碳源,维持体系的酸碱环境,从而提高微藻的生长限值,水力停留时间(HRT)为2 d时,可收获更多的微藻生物质(0.16 g·L~(-1)·d~(-1)),相对于微藻纯培养反应器提高了117%。延长HRT至12 d,微藻呈现二次生长,并且具有较好的污染物去除率。     

基于卷积神经网络的微藻种类识别

微藻在生态系统的结构和功能中具有极为重要的作用,而传统光学人工镜检方法对微藻种类鉴别具有较大的难度。本研究将微藻的光学图像进行了采样,并结合国内外专家对微藻鉴定的经验知识,制作了微藻图像数据集,并进行了数据增强处理。借助深度学习的原理和方法,构建了基于卷积神经网络结构的深度学习模型（AlexNet）,对模型进行了训练,并利用5折交叉验证方法确保模型的稳定性。结果表明,模型的训练精度可达到98.78±0.98%,测试精度达85.46±0.23%,达到了预期效果。利用AlexNet模型训练得到的参数,对预留的280个样本图像进行实际测试,7个藻种的平均精确度、平均召回率和平均F1 Score分别为0.832,0.844和0.833。表明深度学习方法是鉴定微藻的一种有效方法。