CN103218669A - 一种智能的活鱼养殖水质综合预测方法 - Google Patents

Abstract

本发明涉及一种智能的活鱼养殖水质综合预测方法，其基本思想是：采用径向基神经网络作为池塘水质数据预测的基础，同时为了能够体现池塘水质环境动态变化的特点，采用了递推滚动式预测的方法作为神经网络预测的策略，针对池塘水质的关键因子，如溶解氧，氨氮，亚硝酸盐氮，通过分析其系统动力学模型，找到关键水质因子和其他水质因子之间的潜在关系和反馈机理，从而构建不同的关键水质因子的神经网络预测模型。根据建立的池塘水质综合预测和不同关键水质因子的神经网络预测模型分析计算得到水质各项因子的值和各个关键因子的值，通过调整综合预测得到的关键因子和关键因子预测得到关键因子两者之间的值，得到最终的预测值，这样能够更加全面，准确地预测到将来水质的好与坏，给池塘养殖带来了方便，大大减低了池塘养殖的成本与风险，给池塘养殖带来了利益。

Description

一种智能的活鱼养殖水质综合预测方法

技术领域

本发明涉及水产养殖领域，具体涉及一种智能的活鱼养殖水质综合预测方法。 

背景技术

水质预测是水环境规划、评价和管理工作的基础；水质预测方法有水质数学模拟预测、多元回归模式、灰色预测模型法和神经网络模型预测等；但由于受水文、水质监测条件的限制，国内大部分河流还未建立相应的水质模型，或者成果较为零散，表现形式较为单一，在池塘养殖水质模型方面，我国对这方面的研究更是稀少，加上在池塘养殖之中，对池塘水质造成影响的因素不仅包括了鱼类本身的体质，也包括了如季节，地理位置，周围环境等诸多因素的影响，这就给水质预测方法的运用带来了很大的困难；近几年国内外在水环境保护和水污染控制中，对水质模型的研究和应用取得了很大发展，神经网络方法在水质预测与评价方面的应用研究已取得进展；尽管我国在水质预测研究起步较晚，但近年来也取得了一些成果；目前国内水质信息系统研究都集中在河流水质上，较少涉足水产养殖水质，主要原因是受我国对水产养殖的观念以及技术水平的影响，水产养殖一直处于小型，零星还有机械化的阶段，所以造成了多年形成的连续数据较少，也很少有学者针对这方面做出进一步研究；其次，对池塘水质研究缺乏系统性，在池塘水质的评价及方法上，只有“渔业水质标准”和“精养池塘水体营养等级的测定方法”可以参考；在预测上也只有针对单因子的预测，很少考虑多种因素的综合作用，池塘水质预测预警研究尚在开拓阶段。 

随着近几年我国对水产品养殖重视度加大之后，国内很多学者针对这个问题做出了很多研究；文献1(养殖水体水质的神经网络预测模型研究，渔业现代化，Vol.36No.6，June 2009)在分析传统水质预测模型的基础上，构建神经网络水质预测模型；运用改进的BP算法对在线监测的水质指标进行分析、分类和预测，确定水质指标与其影响因子间的非线性关系，然而于文献1中，神经网络的构建没能体现出不同时间段水质之间存在着间接关系这个问题，其采用的训练样本中的输入项和目标输出项都使用了同一时间段的数据，例如以这一时间段的一个或几个水质因子作为输入项，以同一时间段的一个或几个水质因子作为目标输出项，训练好样本后，但得到测试输入项时，使用训练好的网络预测测试将得到的目标输出项；在现实工业养殖生产之中，水质环境的变化也是动态，其动态不仅变现在自然变化上，如季节性温 度，湿度的影响，同时也包括了人为的控制环境过程与活鱼生存过程中生理的变化造成对水质生态环境不稳定的影响，所有的这些变化都可能是动态产生的，所以我们不能单单使用上述的方法进行预测，应该兼顾到整体的池塘水质变化上。 

文献2(基于BP网络养殖水体氨氮预测模型及实现，农机化研究，第7期，July2008)在分析水产养殖水质影响因素的基础上，发现水体中氨氮的含量不仅与养殖水体的pH值和温度有密切的关系，还与水体中氧气的来源与消耗、氧气的溶解与溢出速率有关，利用BP神经网络良好的非线性映射特性，建立BP网络预测模型以对未来池塘养殖中氨氮的量进行预测；文献2的弊端在于只是简单地阐述氨氮与其他水质因子之间影响关系，并没有对其之间进行进一步的分析，已得到更深一层隐藏的关系，同时其也有文献1中出现的弊端，就是没能体现水质变化之间的动态性。 

文献3(基于神经网络的水质评价与预测的探索，杜伟，学位论文，June2007)分别从BP神经网络和RBF(径向基)神经网络出发，分析了两者之间的关系，通过实例去探讨两种神经网络的有点和弊端，其结论为径向基神经网络是一种局部逼近网络，即对于输入空间的某一个局部区域只存在少数的神经元用于决定网络的输出；BP网络则是典型的全局逼近网络，即对每一个输入/输出数据对，网络的所有参数都需要调整；由于二者的构造本质不同，径向基神经网络相比在函数逼近能力、分类能力和学习速度等方面均优于BP神经网络，所以将它应用于池塘水质预测会使用BP神经网络预测得到更好的效果。 

发明内容

基于文献3提供的径向基神经网络的基础上，为了能够克服文献1，2中不能体现池塘水质动态变化的特点和文献2中不能系统和更深一层挖掘各项水质因子影响关系的特点，本发明提出了一种全面，动态，智能的池塘水质预测模型，采用递推滚动预测的方法体现池塘水质之中不同时间段的水质动态影响，同时针对整体的池塘水质因子和单独的关键水质因子分别使用递推滚动式预测，在进行单独关键因子预测的过程中，为了能够更好的挖掘关键因子和其他因子之间的潜在关系和反馈机理，采用了系统动力学模型，系统性地分析了其之间的关系，从而更好地进行神经网络预测，同时针对整体和单独关键因子预测得到的两组水质因子的值，进行调整以更好的缩小其与现实值的误差。 

本发明的目的是这样实现的： 

1、采用递推滚动性理论进行池塘水质综合性预测，滚动预测方法又称连续预算或永续预 算；这个理论源于经济学中的成本和年度预算，是指在编制预算时，将预算期与会计年度脱离开，随着预算的执行不断延伸补充预算，逐期向后滚动，使预算期始终保持为一个固定期间的一种预算编制方法；预测则以反映池塘水质的最真实信息为存在准则，它最大的特点就是其性态性，它是随时可变的，外界环境变了，预测立即就会跟着变，它是从动态预测中把握池塘水质的未来变化趋势；如图1所示，从要预测的时间段开始，递推往前面的时间段取的i个训练样本，每个训练样本包括了k+n个时间段的信息，其中k个时间段的信息为输入信息，n个时间段的信息作为目标输出；这样通过i组训练样本去训练网络，通过训练好的网络，把要预测的前k个时间作为测试的输入信息，这样就能得到n个所要预测的目标输出。 

2、根据实现步骤1中提出递推滚动式神经网络预测的方法，对池塘水质进行综合性预测；在综合预测过程中，待预测的主要水质因子之中包括温度、酸碱度、溶解氧、氨氮、亚硫酸盐氮和硫化物等六种因子；如图1所示，当选取k+n个时间段作为一个样本的时候，神经网络的输入值变成了k*6项水质因子作为神经网络的输入项，n*6项水质因子作为神经网络的输出项；如图2所示，通过此神经网络模型来训练样本，从而得到训练好的的池塘神经网络，以用来预测将来n个时间段的综合整体水质。 

3、根据系统动力学模型分析了几个关键池塘水质因子，分别是溶解氧，氨氮和亚硝酸盐氮的系统动力学模型，以找到关键水质因子和其他水质因子潜在的关系和其之间的反馈机理；系统动力学模型(System Dynamic)是社会、经济、规划、军事等许多领域进行战略研究的重要工具，其实一种分析研究复杂反馈大系统的仿真方法；通过使用系统动力学模型，我们能够更好地发现池塘水质之中各项水质因子间的反馈机理，对其变化规律进行分析，掌握其对整个池塘养殖中的作用，以及各项因子之间的关联和相互影响关系，进而得到其之间的正负反馈关系；针对这些反馈关系，我们可以找到各项关键因子各自与其相关联的因子，从而更好地进行神经网络预测。 

4、根据实现步骤3中的系统动力学模型，分析了关键因子溶解氧的系统动力学模型，如图3所示，空气中的分子态氧溶解在水中称为溶解氧，水中的溶解氧的含量与空气中氧的分压、水的温度都有密切关系；在自然情况下，空气中的含氧量变动不大，故水温是主要的因素，水温愈低，水中溶解氧的含量愈高，溶解于水中的分子态氧称为溶解氧，通常记作DO，用每升水里氧气的毫克数表示；水中溶解氧的多少是衡量水体自净能力的一个指标，在池塘 养殖水中，池塘产氧速率和耗氧速率的相对关系，直接影响着池塘水质当中溶解氧的量，从而也影响了池塘水质养殖鱼的成活率与收成；溶解氧跟空气里氧的分压、大气压、水温和水质有密切的关系，当水中的溶解氧值降到5mg/L时，一些鱼类的呼吸就发生困难；水里的溶解氧由于空气里氧气的溶入及绿色水生植物的光合作用会不断得到补充；所以水温，浮游植物的光合作用会直接影响了产氧的速率；但当水体受到有机物污染，耗氧严重，水生生物呼吸消耗过多的氧气时，溶解氧得不到及时的补充，水体中的厌氧菌就会很快繁殖，有机物因腐败而使水体变黑、发臭，这时候会给池塘养殖水质带来严重的影响；所以从溶解氧的动力学模型当中，可以发现与关键因子有着潜在关系的其实水质因子是水温，浮游生物和水生生物的数量，而浮游生物和水生生物的数量又与当前溶解氧值的多少有着微妙的关系；所以为了更好的预测下一时间段溶解氧值，同样采取了递推滚动式预测方法，在关键因子溶解氧神经网络预测中，待预测的主要水质因子只有溶解氧一项因子；神经网络的输入值为2项，分别是前段时间的溶解氧值和水温值，输出值为1项，为后段时间的溶解氧值；如图4所示，通过此神经网络模型来训练样本，从而得到训练好的的池塘神经网络，以用来预测将来关键因子溶解氧的值。 

5、根据实现步骤3中的系统动力学模型，分析了关键因子氨氮的系统动力学模型，如图5所示，氨氮是指水中以游离氨(NH3)和铵离子(NH4+)形式存在的氮；一切浮游植物必需的一种大量营养元素，也是养殖水体内较常见的一种限制初级生产力的营养元素，对生产影响极大；池水中有效氮的来源主要有鱼类和水生生物的代谢产物、含氮有机物的分解作用、水源、雨水等补给、生物固氮；池水中氮的消耗主要有生物吸收、生物脱氮作用、吸附转移；在池水中，氮主要以无机氮和有机氮的形式存在；大气中氮的含量占79％，虽然贮量相当丰富，但不能被池水中浮游植物直接利用；氮或含氮化合物只能通过氨化作用和硝化作用转化成含氮无机盐氮的形式，才能被植物吸收和利用；池水中，硝化作用要受溶解氧、pH等因子的影响；当溶解氧小于5到6mg时，溶解氧越高，硝化速度越快；当溶解氧过小时，硝化作用受阻；适宜的硝化作用要求酸碱度值范围是弱碱性，酸碱度值处于过高或过低时，池塘养殖水中的NH4+、No2-分别会转化为NH3、HNO形式存在，这是对有关微生物有抑制作用，使硝化速度急剧下降；水温在5℃到30℃范围内，温度越高，硝化作用越快；所以硝化作用和反硝化中极大影响了池塘养殖水质中氨氮的增加速率和减少速率，同时也影响着着两种速率的平衡关系，给池塘养殖水质造成了极大影响；由此可以得出池塘养殖水质中关键水质因子氨氮的值与酸碱度，溶解氧和亚硝酸盐氮的值有关，并且将来的池塘水质中氨氮的值也与 当前氨氮的值相关；所以为了更好的预测下一时间段溶解氧值，同样采取了递推滚动式预测方法，在关键因子氨氮神经网络预测中，待预测的主要水质因子只有氨氮一项因子；神经网络的输入值为4项，分别是前段时间的水温，溶解氧，氨氮和亚硝酸氨氮值，输出值为1项，为后段时间的氨氮值；如图6所示，通过此神经网络模型来训练样本，从而得到训练好的的池塘神经网络，以用来预测将来关键因子氨氮的值。 

6、根据实现步骤3中的系统动力学模型，分析了关键因子氨氮的系统动力学模型，如图7所示，硝酸盐氮是水体中含氮有机物进一步氧化，在变成硝酸盐过程中的中间产物；水中存在亚硝酸盐时表明有机物的分解过程还在继续进行，池塘中有机物的分解过程中会消耗池塘水质中溶解氧的量，分解过程中也会产生一些中间产物，对水质中的酸碱度和氨氮的值造成影响，同时如果亚硝酸盐的含量过高，即说明水中有机物的无机化过程进行的相当强烈，表示污染的危险性仍然存在；引起水中亚硝酸盐氮含量增加的因素有多种，如硝酸盐还原，以及夏季雷电作用下促使空气中氧和氮化合成氮氧合物，遇雨后部分成为亚硝酸盐等；这些亚硝酸盐的出现与污染无关，因此在运用这一指标时必须弄清来源，才能作出正确的评价；由此可以得出池塘养殖水质中关键水质因子亚硝酸盐氮的值与酸碱度，溶解氧和亚硝酸盐氮的值有关，并且将来的池塘水质中亚硝酸盐氮的值也与当前亚硝酸盐氮的值相关；所以为了更好的预测下一时间段溶解氧值，同样采取了递推滚动式预测方法，在关键因子亚硝酸盐氮神经网络预测中，待预测的主要水质因子只有亚硝酸盐氮一项因子；神经网络的输入值为4项，分别是前段时间的水温，溶解氧，氨氮和亚硝酸氨氮值，输出值为1项，为后段时间的亚硝酸盐氮值；如图8所示，通过此神经网络模型来训练样本，从而得到训练好的的池塘神经网络，以用来预测将来关键因子亚硝酸盐氮的值。 

7、根据池塘养殖水质神经网络综合预测与关键水质因子预测，得到将来某一时间段上的水质因子的值，并通过得到的关键水质因子和综合预测得到的水质因子的值做进一步分析，以最终协调得到的水质因子的值作为最终预测的值，这样能够更加全面，准确地预测到将来水质的好与坏，给池塘养殖带来了方便，大大减低了池塘养殖的成本与风险，给池塘养殖带来了利益。 

附图说明

图1为递推滚动式原理图，图中k表示选取前k时间段作为输入，n表示选取后n段时间作为目标输出，i为样本的格式，以此递推构造神经网络样本 

图2为池塘水质综合预测神经网络模型图 

图3为池塘水质关键因子溶解氧的系统动力学模型图 

图4为池塘水质关键因子溶解氧的预测神经网络模型图 

图5为池塘水质关键因子氨氮的系统动力学模型图 

图6为池塘水质关键因子氨氮的预测神经网络模型图 

图7为池塘水质关键因子亚硝酸盐氮的系统动力学模型图 

图8为池塘水质关键因子亚硝酸盐氮的预测神经网络模型图 

图9为自动化活鱼水质监测系统图 

具体实施方式

本发明提供了一种自动化活鱼水质监测方法，其基本基本思想是：通过池塘水质预测模型预测将来某个时间段池塘水质的质量，以作为池塘养殖的参考，更加全面，准确地预测到将来水质的好与坏，给池塘养殖带来了方便，大大减低了池塘养殖的成本与风险，给池塘养殖带来了利益。 

具体步骤如如图9所示： 

1.通过把水质检测仪置于养殖池塘之中，用来获得水质中六项水质因子的值，分别是水温，酸碱度，溶解氧，氨氮，亚硝酸盐氮和硫化物。 

2.通过无线传输协议，诸如3G，WIFI进行数据传输，把数据传输到服务器上的数据库。 

3.启动在服务器上的智能活鱼水质测控系统实时地处理放在数据库中的池塘水质信息。 

4.智能活鱼水质测控系统采用递推滚动式神经网络预测的方法，对池塘水质进行综合性 预测；在综合预测过程中，待预测的主要水质因子之中包括温度、酸碱度、溶解氧、氨氮、亚硫酸盐氮和硫化物等六种因子；如图1所示，当选取k+n个时间段作为一个样本的时候，神经网络的输入值变成了k*6项水质因子作为神经网络的输入项，n*6项水质因子作为神经网络的输出项；如图2所示，通过此神经网络模型来训练样本，从而得到训练好的的池塘神经网络，以用来预测将来n个时间段的综合整体水质；这样通过池塘水质的综合预测模型可以得到将来n段时间的池塘六项水质因子的值。 

5.智能活鱼水质测控系统采用递推滚动式神经网络预测的方法，对池塘水质进行关键性水质因子预测；在对关键因子溶解氧的预测过程中，待预测的主要水质因子只有溶解氧一项因子；神经网络的输入值为2项，分别是前段时间的溶解氧值和水温值，输出值为1项，为后段时间的溶解氧值；如图4所示，通过此神经网络模型来训练样本，从而得到训练好的的池塘神经网络，以用来预测将来关键因子溶解氧的值；这样通过池塘关键水质因子溶解氧预测模型可以得到将来一段时间的池塘水质中溶解氧因子的值。 

6.智能活鱼水质测控系统采用递推滚动式神经网络预测的方法，对池塘水质进行关键性水质因子预测；在对关键水质因子氨氮的预测过程中，待预测的主要水质因子只有氨氮一项因子；神经网络的输入值为4项，分别是前段时间的水温，溶解氧，氨氮和亚硝酸氨氮值，输出值为1项，为后段时间的氨氮值；如图6所示，通过此神经网络模型来训练样本，从而得到训练好的的池塘神经网络，以用来预测将来关键因子氨氮的值；这样通过池塘关键水质因子氨氮预测模型可以得到将来一段时间的池塘水质中氨氮因子的值。 

7.智能活鱼水质测控系统采用递推滚动式神经网络预测的方法，对池塘水质进行关键性水质因子预测；在对关键水质因子亚硝酸盐氮的预测过程中，待预测的主要水质因子只有亚硝酸盐氮一项因子；神经网络的输入值为4项，分别是前段时间的水温，溶解氧，氨氮和亚硝酸氨氮值，输出值为1项，为后段时间的亚硝酸盐氮值；如图6所示，通过此神经网络模型来训练样本，从而得到训练好的的池塘神经网络，以用来预测将来关键因子亚硝酸盐氮的值；这样通过池塘关键水质因子亚硝酸盐氮的预测模型可以得到将来一段时间的池塘水质中亚硝酸盐氮因子的值。 

8.针对同一预测时间点下，由综合水质预测得到的值和关键水质因子预测得到的值相对 比，进行误差调整，取其之间的平均值，由此得到最终各项水质因子的预测值。 

9.通过智能活鱼水质测控系统分析处理后，把得到的池塘水质综合预测值和三项关键水质因子预测值显示在池塘养殖工作者的客户机屏幕上，以供池塘养殖工作者对池塘水质环境进一步操作提供参考价值。 

Claims (4)

1.一种智能的活鱼养殖水质综合预测方法，其特征在于：

A、采用了径向基神经网络作为预测方法的基础；

B、通过递推滚动式预测的方法作为预测方法的策略；

C、通过推滚动式径向基神经网络对池塘水质进行综合性预测；

D、通过分析关键因子的系统动力学模型，采用推滚动式径向基神经网络对池塘水质进行关键因子预测；

E、通过分析调整综合性预测得到的关键因子的值和通过关键因子预测得到的关键因子值，从而得到最终的预测值。

2.根据权利要求1所述的方法，其特征在于所述步骤C具体包括：

C1、在综合预测过程中，待预测的主要水质因子之中包括温度、酸碱度、溶解氧、氨氮、亚硫酸盐氮和硫化物等六种因子；当选取k+n个时间段作为一个样本的时候，神经网络的输入值变成了k*6项水质因子作为神经网络的输入项，n*6项水质因子作为神经网络的输出项，由此采用递推滚动式方法构造i组数据；

C2、通过构造好的i组数据对径向基神经网络进行训练，输入项为前k段时间温度、酸碱度、溶解氧、氨氮、亚硫酸盐氮和硫化物的值，输出项为后n段时间的温度、酸碱度、溶解氧、氨氮、亚硫酸盐氮和硫化物的值，从而得到训练好的的池塘神经网络，以用来预测将来n个时间段的综合整体水质。

3.根据权利要求1所述的方法，其特征在于所述步骤D具体包括：

D1、对关键因子溶解氧进行系统动力学分析，发现与关键因子有着潜在关系的其实水质因子是水温，浮游生物和水生生物的数量，而浮游生物和水生生物的数量又与当前溶解氧值的多少有着微妙的关系；所以为了更好的预测下一时间段溶解氧值，输入项为前段时间的溶解氧值和水温值，目标输出项为后段时间的溶解氧值；

D2、在关键因子溶解氧神经网络预测中，待预测的主要水质因子只有溶解氧一项因子。神经网络的输入值为2项，分别是前段时间的溶解氧值和水温值，输出值为1项，为后段时间的溶解氧值；采用递推滚动式方法构造i组数据，以用来训练关键因子径向基神经网络模型，根据训练好的神经网络，用来预测将来关键因子溶解氧的值；

D3、对关键因子氨氮进行系统动力学分析，发现池塘养殖水质中关键水质因子氨氮的值与酸碱度，溶解氧和亚硝酸盐氮的值有关，并且将来的池塘水质中氨氮的值也与当前氨氮的值相关；所以为了更好的预测下一时间段氨氮的值，输入项为前段时间的水温，溶解氧，氨氮和亚硝酸氨氮值，目标输出项为段时间的氨氮值；

D4、在关键因子氨氮神经网络预测中，待预测的主要水质因子只有氨氮一项因子。神经网络的输入值为4项，分别是前段时间的水温，溶解氧，氨氮和亚硝酸氨氮值，输出值为1项，为后段时间的氨氮值；采用递推滚动式方法构造i组数据，以用来训练关键因子径向基神经网络模型，根据训练好的神经网络，用来预测将来关键因子氨氮的值；

D5、对关键因子亚硝酸盐氮进行系统动力学分析，发现池塘养殖水质中关键水质因子亚硝酸盐氮的值与酸碱度，溶解氧和亚硝酸盐氮的值有关，并且将来的池塘水质中亚硝酸盐氮的值也与当前亚硝酸盐氮的值相关；所以为了更好的预测下一时间段亚硝酸盐氮的值，输入项为前段时间的水温，溶解氧，氨氮和亚硝酸氨氮值，目标输出项为段时间的亚硝酸盐氮值；

D6、在关键因子亚硝酸盐氮神经网络预测中，待预测的主要水质因子只有亚硝酸盐氮一项因子。神经网络的输入值为4项，分别是前段时间的水温，溶解氧，氨氮和亚硝酸氨氮值，输出值为1项，为后段时间的亚硝酸盐氮值；采用递推滚动式方法构造i组数据，以用来训练关键因子径向基神经网络模型，根据训练好的神经网络，用来预测将来关键因子亚硝酸盐氮的值。

4.根据权利要求1所述的方法，其特征在于所述步骤E具体包括：针对同一预测时间点下，由综合水质预测得到的值和关键水质因子预测得到的值相对比，进行误差调整，取其之间的平均值，由此得到最终各项水质因子的预测值。

Images