CN106022502A - 一种基于气象数据的淡水养殖水质预测方法 - Google Patents
一种基于气象数据的淡水养殖水质预测方法 Download PDFInfo
- Publication number
- CN106022502A CN106022502A CN201510670160.1A CN201510670160A CN106022502A CN 106022502 A CN106022502 A CN 106022502A CN 201510670160 A CN201510670160 A CN 201510670160A CN 106022502 A CN106022502 A CN 106022502A
- Authority
- CN
- China
- Prior art keywords
- fitness
- water quality
- value
- meteorological data
- individual
- 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
Abstract
本发明公开了一种基于气象数据的淡水养殖水质预测方法,所述的气象数据包括气压、气温、降雨量、光照强度,风速、风向和空气湿度,以所述的气象参数以及淡水养殖中使用的增氧机开关时间作为输入变量,利用遗传算法和3层BP神经网络预测所述淡水养殖水质的溶解氧变化情况。
Description
技术领域
本发明属于淡水养殖技术领域,特别涉及一种基于气象数据的淡水养殖水质预测方法。
背景技术
在淡水养殖中,水质的控制是至关重要的因素。在申请号为201520195114.6的中国专利申请中,公开了基于物联网技术的淡水养殖监控系统,包括远程操控平台、监控主机以及至少一台监控从机,所述监控从机连接有用于采集鱼塘数据的检测装置和用于调节鱼塘水质的调节设备,所述监控从机与监控主机通过无线传输模块实现无线连接,所述远程操控平台与监控主机相连接,该淡水养殖监控系统通过监控从机监测养殖水体温度、溶解氧、pH值、水位、浊度等对水产品生长有重大影响的水质参数,根据实际水产品的种类及其对水质的要求做出相应的处理,并且能对渔场进行全方位、全天候的非法入侵的监控,确保养殖场安全,完成淡水鱼养殖自动化的管理,使得管理人员能够清晰方便的了解到淡水养殖场的整体情况。
但是,仅仅是对水质监控常常也不能满足现实需要,现实中需要对水质的变化趋势做出判断,以提前采取各种措施保护养殖产品。而现有技术中没有这方面的研究。
发明内容
本发明的目的是提供一种基于气象数据的淡水养殖水质预测方法。
本发明的技术方案是,一种基于气象数据的淡水养殖水质预测方法,所述的气象数据包括气压、气温、降雨量、光照强度,风速、风向和空气湿度,以所述的气象参数以及淡水养殖中使用的增氧机开关时间作为输入变量,利用遗传算法和3层BP神经网络预测所述淡水养殖水质的溶解氧变化情况,具体又包括以下步骤:
以3层BP神经网络结构和该结构对应的初始参数为遗传算法的初始群体个 体,其中初始参数中隐含层个数为3到16,隐含层和输出层阈值随机产生;
建立初始状态的下的BP神经网络;
学习样本选择位于所述淡水养殖点的一个时间段的小型气象站监测到的气象数据及增氧机开关时间,采样数据时间间隔为10分钟,输出结果为池塘溶解氧预测值;
统计所有学习样本总误差作为遗传算法的适应度函数,计算每个个体的适应度函数值;
采用最佳个体保存和适应度比例相结合的选择算法进行选择计算;
按照公式(1)和公式(2)计算交叉概率和变异概率,其中fmax为当前群体中适应度值的最大值,fmin为当前群体中适应度值的最小值,fbiger为参与交叉的两个个体中适应度较高的个体的适应度值,fav为当前群体适应度值的平均值,f为当前个体的适应度值;
按照选择、交叉、变异遗传操作方法进行遗传操作产生新的种群;
指定最大遗传次数为N=1000,精度=2.0,当达到精度或者完成最大遗传次数时,跳出遗传算法并选择适应度值最高个体重新搭建BP神经网络;
指定神经网络误差=0.001,学习效率lr=0.01,进行神经网络学习;
当学习次数或者总误差满足精度时结束神经网络学习。
本发明根据淡水池塘养殖水质受气象变化影响规律,提出了本方法。本发明的有益效果包括:
1、综合多种影响池塘水质变化气象条件,以气象条件为输入变量预测池塘水质;
2、增加外源人工影响因子增氧时间,考虑到使用增氧机对池塘水质的影响,设定增氧机开关时间,并以此为输入变量,预测池塘水质;
3、不考虑单一因子影响过程,将所有因子作为综合变量统一考虑;
4、以外源影响预测池塘水质,不使用水质传感器;
5、针对淡水池塘养殖水体。
6、预测了30cm,80cm,130cm水深水质变换情况,可适用于不同养殖水深水质预测。
附图说明
图1本发明实施例中下层水溶氧预测结果与实际值分析图
图2本发明实施例中下层水溶氧测量误差分析图
图3本发明实施例中下层水溶氧测量误差比例分析图
图4本发明实施例中中层水溶氧预测结果与实际测量值分析图
图5本发明实施例中中层水溶氧测量误差分析图
图6本发明实施例中中层水溶氧测量误差比例分析图
图7本发明实施例中上层水溶氧预测结果与实际测量值分析图
图8本发明实施例中上层水溶氧测量误差分析图
图9本发明实施例中上层水溶氧测量误差比例分析图
具体实施方式
本发明的基于气象数据的淡水养殖水质预测方法,所述的气象数据包括气压、气温、降雨量、光照强度,风速、风向和空气湿度,以所述的气象参数以及淡水养殖中使用的增氧机开关时间作为输入变量,利用遗传算法和3层BP神经网络预测所述淡水养殖水质的溶解氧变化情况,具体又包括以下步骤:
以3层BP神经网络结构和该结构对应的初始参数为遗传算法的初始群体个体,其中初始参数中隐含层个数为3到16,隐含层和输出层阈值随机产生;
建立初始状态的下的BP神经网络;
学习样本选择位于所述淡水养殖点的一个时间段的小型气象站监测到的气象数据及增氧机开关时间,采样数据时间间隔为10分钟,输出结果为池塘溶解氧预测值;
统计所有学习样本总误差作为遗传算法的适应度函数,计算每个个体的适应 度函数值;
采用最佳个体保存和适应度比例相结合的选择算法进行选择计算;
按照公式(1)和公式(2)计算交叉概率和变异概率,其中fmax为当前群体中适应度值的最大值,fmin为当前群体中适应度值的最小值,fbiger为参与交叉的两个个体中适应度较高的个体的适应度值,fav为当前群体适应度值的平均值,f为当前个体的适应度值;
按照选择、交叉、变异遗传操作方法进行遗传操作产生新的种群;
指定最大遗传次数为N=1000,精度=2.0,当达到精度或者完成最大遗传次数时,跳出遗传算法并选择适应度值最高个体重新搭建BP神经网络;
指定神经网络误差=0.001,学习效率lr=0.01,进行神经网络学习;
当学习次数或者总误差满足精度时结束神经网络学习。
采用上述方法,对一个具体的淡水养殖池塘水质的预测,学习样本选择2014年6月1日至10月1日的小型气象站监测到的气象数据(采样数据时间间隔为10分钟)及增氧机开关时间。
预测结果如图1至图9,对三层水质进行预测,总学习误差小于3%,能够满足池塘养殖溶解氧允许测量。
Claims (1)
1.一种基于气象数据的淡水养殖水质预测方法,所述的气象数据包括气压、气温、降雨量、光照强度,风速、风向和空气湿度,其特征在于,以所述的气象参数以及淡水养殖中使用的增氧机开关时间作为输入变量,利用遗传算法和3层BP神经网络预测所述淡水养殖水质的溶解氧变化情况,具体又包括以下步骤:
1)以3层BP神经网络结构和该结构对应的初始参数为遗传算法的初始群体个体,其中初始参数中隐含层个数为3到16,隐含层和输出层阈值随机产生;
2)建立初始状态的下的BP神经网络;
3)学习样本选择位于所述淡水养殖点的一个时间段的小型气象站监测到的气象数据及增氧机开关时间,采样数据时间间隔为10分钟,输出结果为池塘溶解氧预测值;
4)统计所有学习样本总误差作为遗传算法的适应度函数,计算每个个体的适应度函数值;
5)采用最佳个体保存和适应度比例相结合的选择算法进行选择计算;
6)按照公式(1)和公式(2)计算交叉概率和变异概率,其中fmax为当前群体中适应度值的最大值,fmin为当前群体中适应度值的最小值,fbiger为参与交叉的两个个体中适应度较高的个体的适应度值,fav为当前群体适应度值的平均值,f为当前个体的适应度值;
7)按照选择、交叉、变异遗传操作方法进行遗传操作产生新的种群;
8)指定最大遗传次数为N=1000,精度=2.0,当达到精度或者完成最大遗传次数时,跳出遗传算法并选择适应度值最高个体重新搭建BP神经网络;
9)指定神经网络误差=0.001,学习效率lr=0.01,进行神经网络学习;
10)当学习次数或者总误差满足精度时结束神经网络学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510670160.1A CN106022502A (zh) | 2015-10-13 | 2015-10-13 | 一种基于气象数据的淡水养殖水质预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510670160.1A CN106022502A (zh) | 2015-10-13 | 2015-10-13 | 一种基于气象数据的淡水养殖水质预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106022502A true CN106022502A (zh) | 2016-10-12 |
Family
ID=57082473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510670160.1A Pending CN106022502A (zh) | 2015-10-13 | 2015-10-13 | 一种基于气象数据的淡水养殖水质预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022502A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728477A (zh) * | 2017-09-21 | 2018-02-23 | 中国农业大学 | 一种工厂化水产养殖水质溶解氧预测控制方法及系统 |
CN108450386A (zh) * | 2018-01-22 | 2018-08-28 | 中国农业大学 | 一种工厂化水产养殖的水质调控系统与方法 |
CN109583663A (zh) * | 2018-12-12 | 2019-04-05 | 中国水产科学研究院渔业机械仪器研究所 | 一种适用于养殖池塘的夜间水质溶氧量预测方法 |
CN116540812A (zh) * | 2023-06-05 | 2023-08-04 | 四川省农业科学院科技保障中心 | 智能化养殖环境控制方法、装置、系统及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及系统 |
-
2015
- 2015-10-13 CN CN201510670160.1A patent/CN106022502A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102183621A (zh) * | 2011-02-28 | 2011-09-14 | 中国农业大学 | 水产养殖溶解氧浓度在线预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
李敏强 等: "遗传算法与神经网络的结合", 《系统工程理论与实践》 * |
王泽平: "基于GA-BP与多隐层BP网络模型的水质预测及比较分析", 《水资源与水工程学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728477A (zh) * | 2017-09-21 | 2018-02-23 | 中国农业大学 | 一种工厂化水产养殖水质溶解氧预测控制方法及系统 |
CN108450386A (zh) * | 2018-01-22 | 2018-08-28 | 中国农业大学 | 一种工厂化水产养殖的水质调控系统与方法 |
CN109583663A (zh) * | 2018-12-12 | 2019-04-05 | 中国水产科学研究院渔业机械仪器研究所 | 一种适用于养殖池塘的夜间水质溶氧量预测方法 |
CN109583663B (zh) * | 2018-12-12 | 2022-10-14 | 中国水产科学研究院渔业机械仪器研究所 | 一种适用于养殖池塘的夜间水质溶氧量预测方法 |
CN116540812A (zh) * | 2023-06-05 | 2023-08-04 | 四川省农业科学院科技保障中心 | 智能化养殖环境控制方法、装置、系统及存储介质 |
CN116540812B (zh) * | 2023-06-05 | 2024-04-16 | 四川省农业科学院科技保障中心 | 智能化养殖环境控制方法、装置、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022501A (zh) | 一种基于气象数据的淡水养殖水质预测系统 | |
CN106292802B (zh) | 一种用于鱼菜共生系统的智能预测控制系统及方法 | |
Fourcaud et al. | Plant growth modelling and applications: the increasing importance of plant architecture in growth models | |
CN108665106A (zh) | 一种水产养殖溶解氧预测方法及装置 | |
CN107480775A (zh) | 一种基于数据修复的池塘溶解氧预测方法 | |
CN106022502A (zh) | 一种基于气象数据的淡水养殖水质预测方法 | |
CN104121998B (zh) | 一种日光温室环境智能监控系统中的温度预警方法 | |
US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
CN107390753B (zh) | 基于物联网云平台的智能植物生长环境调节装置与方法 | |
Umamaheswari et al. | Integrating scheduled hydroponic system | |
CN107728477A (zh) | 一种工厂化水产养殖水质溶解氧预测控制方法及系统 | |
CN109978234A (zh) | 墒情预测、灌溉决策方法和装置 | |
Arvind et al. | Edge computing based smart aquaponics monitoring system using deep learning in IoT environment | |
CN101796928A (zh) | 养殖水体水质参数对养殖生物生长状态影响的预测方法 | |
Concepcion II et al. | Adaptive fertigation system using hybrid vision-based lettuce phenotyping and fuzzy logic valve controller towards sustainable aquaponics | |
CN109583663A (zh) | 一种适用于养殖池塘的夜间水质溶氧量预测方法 | |
CN110910067A (zh) | 一种结合深度学习与Q-learning的活鱼运输水质智能调控方法和系统 | |
CN108897363A (zh) | 一种基于大数据分析的水族箱智能控制系统 | |
Costa et al. | Greenhouses within the Agricultura 4.0 interface | |
CN109116827B (zh) | 基于物联网的日光温室水肥一体化灌溉控制方法及装置 | |
Mustafa et al. | Technological applications and adaptations in aquaculture for progress towards sustainable development and seafood security | |
Palconit et al. | Multi-gene genetic programming of iot water quality index monitoring from fuzzified model for Oreochromis niloticus recirculating aquaculture system | |
Bebko | Ecological and cognitive influences on orangutan space use | |
CN109781951A (zh) | 一种鱼塘水质监测系统及监测方法 | |
Murase et al. | Machine vision applications for micro-precision agriculture |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |
|
RJ01 | Rejection of invention patent application after publication |