CN102550455A - 一种大黄鱼刺激隐核虫病害程度的判别方法 - Google Patents
一种大黄鱼刺激隐核虫病害程度的判别方法 Download PDFInfo
- Publication number
- CN102550455A CN102550455A CN2012100099198A CN201210009919A CN102550455A CN 102550455 A CN102550455 A CN 102550455A CN 2012100099198 A CN2012100099198 A CN 2012100099198A CN 201210009919 A CN201210009919 A CN 201210009919A CN 102550455 A CN102550455 A CN 102550455A
- Authority
- CN
- China
- Prior art keywords
- disease
- factor
- discrimination
- influence
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种大黄鱼刺激隐核虫病害程度的判别方法，涉及大黄鱼。先数据预处理，再构建全部14个影响因子数学方法，最后构建降维方法。具有定量判别、简单方便、高准确率和高可靠性等特点。随机抽样测试表明，通过所提供的方法，利用水环境因子实测数值能够准确判定大黄鱼刺激隐核虫病可能发生的严重程度，判别准确率可达90％以上。适用于判定大黄鱼刺激隐核虫病可能发生的海域及严重程度，指导大黄鱼刺激隐核虫病的有效防控。适用于判别大黄鱼刺激隐核虫病发生，而且还可为其它海水鱼类刺激隐核虫的发生提供重要参考。
Description
技术领域
本发明涉及大黄鱼，尤其是涉及一种大黄鱼刺激隐核虫病害程度的判别方法。
背景技术
刺激隐核虫是目前严重威胁海洋鱼类的一种传播性极强的寄生虫，已被列为农业部2008年12月11日发布的新版《一、二、三类动物疫病病种名录》中的二类动物疫病。特别是该病给大黄鱼养殖产业带来了严重损失。例如，2005年起，刺激隐核虫病及细菌性继发感染每年给大黄鱼养殖产业带来了超过3亿元的经济损失。大黄鱼刺激隐核虫病的严重暴发流行与我国大黄鱼主产区这一动态、不稳定的开放复杂养殖生态系统密切相关，受养殖海域的水文、物理、化学及生物因子的多重影响明显。例如，刺激隐核虫病的季节性流行规律直接与气温和水温等气候条件的周年变化相关；盐度、溶解氧、水深、水流速度等水文物理条件以及COD、氨氮、亚硝酸盐和硝酸盐等水质因子直接反映着养殖海区的水环境质量，并影响着刺激隐核虫感染附着、增殖暴发乃至流行进程。
流行病学研究表明，大黄鱼刺激隐核虫病发生及其分布具有明显的时空差异，不同海域或同一海域不同养殖水环境时期，该病发生进程与严重程度明显不同。生产中，养殖户常在刺激隐核虫病发季节适时进行拖排作业，将渔排转移到低发病率的较安全海区，在一定程度上可以避免刺激隐核虫病造成的重大损失。然而，养殖户自身对于环境因子与疾病发生关系的认知是感性而片面的、定性而非定量的、相对模糊和不精确的！如果能阐明养殖水环境因子与疾病发生的内在定量关系，准确理解刺激隐核虫病发生的时空变化规律，将有助于指导养殖户对大黄鱼宜养海域的选择，并在刺激隐核虫病高发期间适时移排、适地安置、布局优化，具有重大的产业应用前景。
虽然我国自上世纪90年代就开展了大黄鱼刺激隐核虫病相关的流行病学研究探索，2005年，我国系统开展了大黄鱼主产区的环境监测和疾病监测工作，迄今已积累了大量的水环境因子监测数据和疾病观测数据，但是至今仍主要偏重于定性解释，在大黄鱼刺激隐核虫病与环境因子之间的定量分析方面的研究工作十分缺乏，我国已有依据透明度、温度和平均风速对大黄鱼养殖疾病(所有疾病)的预测方法(中国专利：200710068792.6)。但是，大黄鱼养殖疾病种类多样，流行特点各异，特别是同一时间点内多种疾病并发时所涉及的环境因子效应非常复杂，影响不同疾病的主效因子不完全相同，依据特定的水质因子对所有疾病实施预测难度较大。而且水质对疾病影响很可能是一种非线性的关系，上述专利采用的是线性模型的拟合，准确性较低，而且没有考虑到其他因子的影响，比较片面。用大量的因子来分析对疾病的影响，并筛选对疾病影响权重较大的因子，用这些因子来预测疾病的发生严重程度是个比较合理、周全的思路。而且目前用机器学习方法来分析非线性问题，分析大量因子对某些事件的影响并预测某些事件可能发生的等级比较先进、合理、准确性高，并且也有不少的专利报导，如西北电网有限公司所发明的《基于神经网络的风速预测方法》(中国专利：200910219123.31)；浙江大学发明的《一种风电场短期风速预测方法》(中国专利：201019146035.5)；中国石油化工股份有限公司发明的《基于支持向量机的热裂解产物收率的预测方法》(中国专利：200810225363.X)；北京大学发明的《基于对比模式的随机森林分类方法和分类器》(中国专利：201010265846.X)等等，而目前还没有报导用机器学习法分析并预测水质因子对水产动物疾病发生的影响，再者很多文献表明随机森林法在分类、预测性能上好过与其他方法。
发明内容
本发明的目的在于提供一种大黄鱼刺激隐核虫病害程度的判别方法。
本发明包括以下步骤：
1)数据预处理，具体方法如下：
(1)将可能引发刺激隐核虫病的水环境因子分类，具体方法如下：
从水环境监测数据中选取14个可能影响刺激隐核虫病发生的水文、气候、物理、化学、生物等影响因子：年份、月份、监测站位、水温、透明度、溶解氧、COD、活性磷酸盐、NO3--N、NO2--N、NH4+-N、石油类，并依次用数字1～14排序；
(2)疾病严重程度赋值
根据其严重程度分为正常、少量发病、中等程度发病、大面积发病4个等级，记录为1～4；
(3)构建环境因子-疾病情况对应数据列表
建立“环境因子-疾病情况.txt”文档，所述文档的特征是①纯数据文档：只含序号、监测值、疾病严重程度值等纯数据不含各因子标题；②排序方式：所有数据按照序号，14个影响因子数据和1个疾病严重程度数据从左到右依次排列，即16列；
2)全部14个影响因子数学方法构建
将全部影响因子都用于构建数学方法，具体方法如下：
(1)数据随机分组
数据分组：所有的数据按用途被随机分为两大类：①训练集：用于构建数学方法；②测试集：用于评价所构建数学方法的准确率和可靠性；
分组方式：随机抽取初始数据组2/3的数据作为训练集，剩下1/3数据作为测试集；
(2)构建数学判别方法
用随机森林分类算法(以下简记为RF)分析训练集数据，建立14个影响因子对大黄鱼刺激隐核虫病发生情况的全因子判别方法，所用的程序是R软件环境中加载的随机森林程序包；
(3)方法的准确性评价
用所获测试集数据中的14个影响因子数据代入所建数学判别方法中，计算出疾病发生严重程度值，并与实测疾病严重程度赋值进行比较，分析准确率和可靠性；
3)降维方法构建
上述全因子判别方法需要采集14个水环境因子进行疾病判别，利用随机森林算法计算各个影响因子重要性，并选择部分较能反应方法效率的因子集合，构建维度较低的方法，具体步骤如下：
(1)权重因子排序
对每个水环境因子效应进行评价，计算影响刺激隐核虫病发生的权重值，并选择出权重最大的5个影响因子；
(2)低维疾病判别方法(降维方法)构建及筛选
分别建立权重最大的3个影响因子(月份、水温、溶解氧)、4个影响因子(月份、水温、溶解氧、NH4+-N)、5个影响因子(月份、水温、溶解氧、NH4+-N、COD)对疾病情况的判别方法，降维方法构建方法同上述未降维(全因子)判别方法的构建方法，并分别进行准确性分析；
确定因子维度合适的判别方法：根据准确率(不低于90％)和因子数量(宜少)，筛选出判别大黄鱼刺激隐核虫疾病发生情况的理想因子，确定因子维度合适的判别方法；
(3)降维方法准确性评价
降维方法与全因子方法准确率比较及差异显著性分析：分别将全因子方法与降维方法判别的疾病值输出，与原始的疾病值一一对应，用SPSS18.0中的相关性分析、配对样品T检验分析功能分别分析降维方法判别值-全因子方法判别值、降维方法判别值-原始疾病值及全因子方法判别值-原始疾病值之间显著性差异。
本发明所提供的一种判别刺激隐核虫病与水环境因子相互关系的理想判别方法是基于月份、水温、溶解氧、NH4+-N这4个因子所构建的降维简化方法。
本发明从14个水环境因子中筛选出对大黄鱼刺激隐核虫病发生影响权重最大的几个水环境因子，进而构建降维简化的数学方法，以便在保证较高准确率和可靠性的基础上，只需要采集较少的水环境数据信息，就能达到判别刺激隐核虫病发生程度的目的。
本发明提供先进算法的数学方法，确保判别准确率和可靠性，本发明公开该数学方法的用途，表明它可通过水环境因子的测定，判别在某一特定海域养殖大黄鱼时刺激隐核虫病的可能发生状况及严重程度，方便指导大黄鱼刺激隐核虫病的有效防控。
与现有技术相比，本发明具有以下优点：
1)定量判别：本发明阐明了刺激隐核虫病与水环境因子的定量关系。现有技术对二者之间相互关系仅有定性的描述，尚无定量判别的公开报道。
2)简单方便：现有技术未能阐明影响刺激隐核虫病的主效因子。本发明从众多可能的影响因子中甄别和筛选出影响该病的4个主效因子，构建了维度较低的方法，不仅方便养殖户运用该方法判别疾病发生状况，而且简化了水环境因子的需测数据，大大减少了工作量。
3)准确率高：本发明提供的降维方法判别准确率超过90％，与全因子方法的准确率无显著差异。
4)应用前景较好：现有技术仅对刺激隐核虫病的定性描述，无法有力指导养殖户根据水环境质量判断养殖海区是否合适养殖大黄鱼，是否会暴发严重的刺激隐核虫病。本发明提供的判别方法不仅可解决上述问题，适用于判别大黄鱼刺激隐核虫病发生，而且还可为其它海水鱼类刺激隐核虫的发生提供重要参考。
附图说明
图1为基于随机森林的全因子数学方法构建的步骤流程图。
图2为随机森林算法中每棵树生长的流程图。
图3为用生成的方法对测试集进行测试的原理图。
具体实施方式
下面结合实施例对本发明作进一步说明，但并不作为本发明对权利范围的限制。
实施例1
1.数据预处理
获取福建宁德三都湾、福州罗源湾、福鼎沙埕港3个海水网箱人工大黄鱼养殖最集中的海域的水质等环境因子的月监测数据(见表1)，及其对应的刺激隐核虫病发生情况(水质数据来自国家海洋局东海分局闽东海洋环境监测中心站，疾病数据来自福建省海洋水产技术推广总站病防科，数据采集、分析均按照国家规范标准)，为计算方便，影响因子按表1中顺序分别记录为1～14；疾病情况根据其严重程度分为正常、少量发病、中等程度发病、大面积发病4个等级记录为1～4；月份按1～12月分别记为1～12；监测站位按三都湾、罗源湾、沙埕港分别记录为1～3；最后建立“环境因子-疾病情况.txt”文档，数据按照影响因子和疾病情况从左到右依次排列，即15列，且该文档只含数据不含各因子标题。
表.1数据分析所用影响因子列表
| 影响因子 | 因子代号 | 单位 |
| 年份 | 1 | |
| 月份 | 2 | |
| 监测站位 | 3 | |
| 水温 | 4 | ℃ |
| 透明度 | 5 | m |
| pH | 6 | 无量纲 |
| 盐度 | 7 | ‰ |
| 溶解氧 | 8 | mg/l |
| COD | 9 | mg/l |
| 活性磷酸盐 | 10 | mg/l |
| NO3--N | 11 | mg/l |
| NO2--N | 12 | mg/l |
| NH4 +-N | 13 | mg/l |
| 石油类 | 14 | mg/l |
2.全因子数学方法构建
(1)数据随机分组
随机抽取数据表中的2/3数据作为训练集，剩下1/3数据作为测试集。
(2)构建数学判别方法
用随机森林分类算法分析上述所获训练集，建立14个环境因子对大黄鱼刺激隐核虫病发生情况的判别方法，利用R软件环境中加载的随机森林程序包，训练出基于14个因子的判别方法，同时也可以得出在训练集上的准确率和该方法的混淆矩阵。所建方法的判别准确率结果如表2所示。
表2 14个影响因子对大黄鱼刺激隐核虫病发生情况判别方法的判别准确率
(3)方法测试与准确性评价
用所获测试集来测试上述所建判别方法的准确性，可以得到测试集上的准确率和测试集样本的混淆矩阵以及该方法判别的具体疾病值。其中测试所建方法准确性的结果如表3所示：
表3 验证所建判别方法的判别准确率
综上可得，所建14个影响因子对大黄鱼刺激隐核虫病发生情况判别方法的综合判别准确率为95.16％*2/3+95.16％*1/3＝95.16％。
实施例2：降维方法构建与筛选
1.各影响因子权重值计算
在上述建立判别方法的基础上，分析每一个影响因子对疾病情况的影响权重。RF中有多种权重值的计算方式，如方差不纯度、熵不纯度等，本实验选取常用的Gini不纯度(Giniimpurity)下降数为指标进行重要性排序。
Gini不纯度的计算法则如下：
i(N)＝∑i≠jP(ωi)P(ωj)＝1-∑kP2(ωk)
Gini不纯度下降数可记为：
Δi(N)＝i(N)-i(NL)PL-i(NR)(1-PL)
其中：P(ωj)表示第N个节点上属于ωj疾病类型的样本数目占全体样本数目的频度；PL表示当RF中某棵树按照某属性进行节点分裂时，从N节点分入NL节点的疾病样本数占据N节点所有样本数的比例。
Gini不纯度下降数Δi(N)越大，表明这个影响因子对疾病影响情况越大，反之则越小。表中保持其他因子与其对应的疾病情况的顺序不变，随机打乱这个因子对应的各个数值之间的顺序后组成新的数据表后，其判别准确率必定下降，判别准确率下降的数值则为这个因子的影响权重。表中因子影响权重一栏中的“*”表示影响权重最大的几个因子。
2.降维方法构建
筛选上述影响权重较大5个因子：月份、水温、溶解氧、NH4+-N、COD(见表4)，依据权重值大小分别建立3因子、4因子和5因子的低维疾病判别方法。首先选择权重值最大的前3个因子(月份、水温、溶解氧)，按未降维(全因子)判别方法的构建算法，建立月份、水温、溶解氧-疾病情况的低维疾病判别方法(降维方法)。
建立基于4因子集合、5因子集合的降维方法，并分别进行准确性分析。
表41 4个影响因子对大黄鱼刺激隐核虫病发生情况的影响权重
| 影响因子 | 因子代号 | 影响权重(％) |
| 年份 | 1 | 1.79 |
| 月份 | 2 | 21.98* |
| 监测站位 | 3 | 5.28 |
| 水温 | 4 | 16.30* |
| 透明度 | 5 | 3.99 |
| pH | 6 | 7.62 |
| 盐度 | 7 | 8.15 |
| 溶解氧 | 8 | 14.55* |
| COD | 9 | 9.99* |
| 活性磷酸盐 | 10 | 6.73 |
| NO3--N | 11 | 8.51 |
| NO2--N | 12 | 8.59 |
| NH4+-N | 13 | 11.19* |
| 石油类 | 14 | 6.59 |
注：一个因子的影响权重为在原始的数据。
3.降维方法准确性分析与筛选
上述所建所筛选3因子、4因子及5因子对疾病发生情况的判别方法准确率如表5所示：
表5 几种低维疾病判别方法的准确率比较
由上述结果可知，月份、水温、溶解氧这3个因子判别大黄鱼刺激隐核虫疾病发生情况的判别准确率为83.87％＜90％，不够理想；月份、水温、溶解氧、NH4+-N这4个因子判别大黄鱼刺激隐核虫疾病发生情况的判别准确率已达到90.32％＞90％，而且与全部14个因子所建立的判别方法的准确率95.16％相差不多，比较理想；而多了一个COD因子的5个因子判别大黄鱼刺激隐核虫疾病发生情况的判别准确率为91.94％，与90.32％相比提高不明显。为了减少以后数据采集的工作量，增强判别方法的操作简便性，本发明在保证准确率超过90％的前提下，已筛选出构建降维方法所需的最少权重因子集合，即决定采用月份、水温、溶解氧、NH4+-N这4个因子作为判别大黄鱼刺激隐核虫疾病发生情况的理想因子，其对应的判别方法作为本发明所提供的一种判别刺激隐核虫病与水环境因子相互关系的理想判别方法。
用所获测试集对所建4个因子对疾病发生的判别方法进行验证，可以得到测试集上的准确率和测试集样本的混淆矩阵以及该方法判别的具体疾病值。
其中测试所建方法准确性的结果如表6所示：
表6 验证所建判别方法的判别准确率
综合表5和表6可得所建月份、水温、溶解氧、NH4+-N对大黄鱼刺激隐核虫病发生情况的综合判别方法准确率为90.32％*2/3+91.90％*1/3＝90.86％。
(1)降维方法与全因子方法准确率比较及差异显著性分析
分别将全因子方法与降维方法判别的疾病值输出，与原始的疾病值一一对应，用SPSS18.0中的相关性分析、配对样品T检验分析功能分别分析降维方法判别值-全因子方法判别值、降维方法判别值-原始疾病值及全因子方法判别值-原始疾病值之间显著性差异。结果如表7所示。
表7 两种方法判别值与原始疾病值相关性、差异显著性分析结果
表中相关性系数均大于0.85、配对样品T检验的P值均大于0.05，说明两种方法判别值与原始疾病值一致性较好、差异不显著；也说明了基于所筛选4因子的降维方法的判别值与全因子方法判别值一致性较好，差异性不显著。
以下给出随机森林算法的简介：
在机器学习领域，随机森林是一包含多个决策树的分类器，具有高准确度、能评估变量重要性等优点。
随机森林的学习算法的主要步骤可归纳为：先按照一定的算法训练建造某棵树，再用同样的方式构造足够数量的树，从而构成一个决策树森林；将测试数据输入这个决策方法中，按照每棵树投票的方式，可得到输出结果。
每棵树的建造，按照如下步骤(参见图1和2)：
1.设有N个训练样本，M个影响因子；
2.从N个训练样本中有放回地随机抽取N次，形成一组训练集；
3.对于每个节点，随机选择m个影响因子，计算树的最佳分裂方式进行树的生长(m＜M)：
4.每棵树完全成长不剪枝(Pruning)；
5.每棵树的叶子节点就是输出的模式类别。
当一定数目的决策树生成而形成了随机森林之后，按照如下的步骤来对测试集进行测试(参见图3)：
1.将测试数据集输入随机森林中的每棵树；
2.数据按照每棵决策树的分裂方式往叶子节点处走；
3.最终所到达的叶子节点决定了每棵树对这个输入数据的分类结果；
4.每棵树对输入数据，可能有不同的判定结果，因此要让森林中所有的树对判定结果进行投票，投票的准则如下(L是受到训练的决策树的数目，v(ωi)是第i个模式ωi获得赞成票的票数)：
V＝maxi∈I{v(ωi)}
获得票数为V所对应的模式，即为最终判定的模式。
本发明适用于判定大黄鱼刺激隐核虫病可能发生的海域及严重程度，指导大黄鱼刺激隐核虫病的有效防控。
故本发明用随机森林法分析并预测水质因子对大黄鱼刺激隐核虫病的影响，从反映水环境质量的众多影响因子中选择与刺激隐核虫病密切相关的关键指标，进而建立科学方法，准确阐述刺激隐核虫病发生与环境因子之间的定量关系。本发明将对于深入了解刺激隐核虫病的流行规律，寻找解决大黄鱼养殖疾病的有效防控措施，保障大黄鱼乃至海水鱼类养殖产业的健康发展具有重要的意义。
Claims (5)
1.一种大黄鱼刺激隐核虫病害程度的判别方法，其特征在于包括以下步骤：
1)数据预处理，具体方法如下：
(1)将可能引发刺激隐核虫病的水环境因子分类；
(2)疾病严重程度赋值
根据其严重程度分为正常、少量发病、中等程度发病、大面积发病4个等级，记录为1～4；
(3)构建环境因子-疾病情况对应数据列表
建立“环境因子-疾病情况.txt”文档，所述文档的特征是①纯数据文档：只含序号、监测值、疾病严重程度值等纯数据不含各因子标题；②排序方式：所有数据按照序号，14个影响因子数据和1个疾病严重程度数据从左到右依次排列，即16列；
2)构建全部14个影响因子数学方法
将全部影响因子都用于构建数学方法，具体方法如下：
(1)数据随机分组
数据分组：所有的数据按用途被随机分为两大类：①训练集：用于构建数学方法；②测试集：用于评价所构建数学方法的准确率和可靠性；
分组方式：随机抽取初始数据组2/3的数据作为训练集，剩下1/3数据作为测试集；
(2)构建数学判别方法
用随机森林分类算法，分析训练集数据，建立14个影响因子对大黄鱼刺激隐核虫病发生情况的全因子判别方法，所用的程序是R软件环境中加载的随机森林程序包；
(3)方法的准确性评价
用所获测试集数据中的14个影响因子数据代入所建数学判别方法中，计算出疾病发生严重程度值，并与实测疾病严重程度赋值进行比较，分析准确率和可靠性；
3)构建降维方法
全因子判别方法需要采集14个水环境因子进行疾病判别，利用随机森林算法计算各个影响因子重要性，并选择部分较能反应方法效率的因子集合，构建维度较低的方法，具体步骤如下：
(1)权重因子排序
对每个水环境因子效应进行评价，计算影响刺激隐核虫病发生的权重值，并选择出权重最大的5个影响因子；
(2)低维疾病判别方法构建及筛选
分别建立权重最大的3个影响因子、4个影响因子、5个影响因子对疾病情况的判别方法，降维方法构建方法同上述未降维判别方法的构建方法，并分别进行准确性分析；
确定因子维度合适的判别方法：根据准确率和因子数量，筛选出判别大黄鱼刺激隐核虫疾病发生情况的理想因子，确定因子维度合适的判别方法；
(3)降维方法准确性评价
降维方法与全因子方法准确率比较及差异显著性分析：分别将全因子方法与降维方法判别的疾病值输出，与原始的疾病值一一对应，用SPSS18.0中的相关性分析、配对样品T检验分析功能分别分析降维方法判别值-全因子方法判别值、降维方法判别值-原始疾病值及全因子方法判别值-原始疾病值之间显著性差异。
2.如权利要求1所述的一种大黄鱼刺激隐核虫病害程度的判别方法，其特征在于在步骤1)第(1)部分中，所述将可能引发刺激隐核虫病的水环境因子分类的具体方法如下：
从水环境监测数据中选取14个可能影响刺激隐核虫病发生的水文、气候、物理、化学、生物等影响因子：年份、月份、监测站位、水温、透明度、溶解氧、COD、活性磷酸盐、NO3--N、NO2--N、NH4+-N、石油类，并依次用数字1～14排序。
3.如权利要求1所述的一种大黄鱼刺激隐核虫病害程度的判别方法，其特征在于在步骤3)第(2)部分中，所述3个影响因子为月份、水温、溶解氧。
4.如权利要求1所述的一种大黄鱼刺激隐核虫病害程度的判别方法，其特征在于在步骤3)第(2)部分中，所述4个影响因子为月份、水温、溶解氧、NH4+-N。
5.如权利要求1所述的一种大黄鱼刺激隐核虫病害程度的判别方法，其特征在于在步骤3)第(2)部分中，所述5个影响因子为月份、水温、溶解氧、NH4+-N、COD。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012100099198A CN102550455A (zh) | 2012-01-13 | 2012-01-13 | 一种大黄鱼刺激隐核虫病害程度的判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012100099198A CN102550455A (zh) | 2012-01-13 | 2012-01-13 | 一种大黄鱼刺激隐核虫病害程度的判别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102550455A true CN102550455A (zh) | 2012-07-11 |
Family
ID=46398112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2012100099198A Pending CN102550455A (zh) | 2012-01-13 | 2012-01-13 | 一种大黄鱼刺激隐核虫病害程度的判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102550455A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105660462A (zh) * | 2015-12-18 | 2016-06-15 | 中山大学 | 一种控制鱼类刺激隐核虫病的包囊灭活方法 |
| CN110751176A (zh) * | 2019-09-16 | 2020-02-04 | 中国水利水电科学研究院 | 一种基于决策树算法的湖泊水质预测方法 |
| CN111062511A (zh) * | 2019-11-14 | 2020-04-24 | 佛山科学技术学院 | 基于决策树与神经网络的水产养殖病害预测方法及系统 |
| CN111508607A (zh) * | 2020-04-13 | 2020-08-07 | 山东师范大学 | 一种基于bp神经网络的肥胖症预测系统 |
| CN111511203A (zh) * | 2017-12-20 | 2020-08-07 | 英特维特国际股份有限公司 | 用于水产养殖中的鱼外部寄生虫监测的方法和系统 |
| CN116562469A (zh) * | 2023-07-10 | 2023-08-08 | 湖南师范大学 | 一种淡水鱼类病原传播预测方法、装置、设备及存储介质 |
-
2012
- 2012-01-13 CN CN2012100099198A patent/CN102550455A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105660462A (zh) * | 2015-12-18 | 2016-06-15 | 中山大学 | 一种控制鱼类刺激隐核虫病的包囊灭活方法 |
| CN111511203A (zh) * | 2017-12-20 | 2020-08-07 | 英特维特国际股份有限公司 | 用于水产养殖中的鱼外部寄生虫监测的方法和系统 |
| CN111511203B (zh) * | 2017-12-20 | 2023-04-04 | 英特维特国际股份有限公司 | 用于水产养殖中的鱼外部寄生虫监测的方法和系统 |
| CN110751176A (zh) * | 2019-09-16 | 2020-02-04 | 中国水利水电科学研究院 | 一种基于决策树算法的湖泊水质预测方法 |
| CN111062511A (zh) * | 2019-11-14 | 2020-04-24 | 佛山科学技术学院 | 基于决策树与神经网络的水产养殖病害预测方法及系统 |
| CN111062511B (zh) * | 2019-11-14 | 2023-04-25 | 佛山科学技术学院 | 基于决策树与神经网络的水产养殖病害预测方法及系统 |
| CN111508607A (zh) * | 2020-04-13 | 2020-08-07 | 山东师范大学 | 一种基于bp神经网络的肥胖症预测系统 |
| CN111508607B (zh) * | 2020-04-13 | 2023-10-13 | 山东师范大学 | 一种基于bp神经网络的肥胖症预测系统 |
| CN116562469A (zh) * | 2023-07-10 | 2023-08-08 | 湖南师范大学 | 一种淡水鱼类病原传播预测方法、装置、设备及存储介质 |
| CN116562469B (zh) * | 2023-07-10 | 2023-09-19 | 湖南师范大学 | 一种淡水鱼类病原传播预测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Using river microalgae as indicators for freshwater biomonitoring: Review of published research and future directions | |
| Leuschner et al. | The ecology of Central European tree species: Trait spectra, functional trade-offs, and ecological classification of adult trees | |
| CN107356569B (zh) | 基于叶绿素荧光预测小麦籽粒产量的方法及其模型的构建方法 | |
| Usher | Wildlife conservation evaluation: attributes, criteria and values | |
| Szmyt | Spatial statistics in ecological analysis: from indices to functions | |
| CN102550455A (zh) | 一种大黄鱼刺激隐核虫病害程度的判别方法 | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| Touhami et al. | Screening parameters in the Pasture Simulation model using the Morris method | |
| Beaver et al. | Extreme weather events influence the phytoplankton community structure in a large lowland subtropical lake (Lake Okeechobee, Florida, USA) | |
| Knappová et al. | Colonization of central European abandoned fields by dry grassland species depends on the species richness of the source habitats: a new approach for measuring habitat isolation | |
| CN108377788B (zh) | 一种水稻全生育期耐盐性鉴定评价方法 | |
| Anneville et al. | Plasticity in phytoplankton annual periodicity: an adaptation to long-term environmental changes | |
| CN113327021A (zh) | 一种基于topsis熵权法的土地综合评价方法及装置 | |
| CN116258060A (zh) | 基于机器学习的测土配方施肥方法 | |
| CN109473148A (zh) | 一种离子浓度预测方法、装置和计算机存储介质 | |
| Breton et al. | Seasonal variations in the biodiversity, ecological strategy, and specialization of diatoms and copepods in a coastal system with Phaeocystis blooms: the key role of trait trade-offs | |
| Sen et al. | A Goal Programming Approach to Rubber | |
| CN105184234B (zh) | 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 | |
| CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
| Kalaroni et al. | Data assimilation of depth-distributed satellite chlorophyll-α in two Mediterranean contrasting sites | |
| Cai et al. | Influence of potential grazers on picocyanobacterial abundance in Lake Biwa revealed with empirical dynamic modeling | |
| CN109187898A (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
| CN110033187B (zh) | 一种基于环境数据的指标数据获取方法 | |
| CN113849773A (zh) | 一种量化气溶胶光学厚度与景观指数关系的方法及系统 | |
| Golub et al. | Production of Biotechnological Objects using Business Intelligence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120711 |