CN108244003A - 一种水产病害流行趋势预测及展示方法和系统 - Google Patents
一种水产病害流行趋势预测及展示方法和系统 Download PDFInfo
- Publication number
- CN108244003A CN108244003A CN201810048853.0A CN201810048853A CN108244003A CN 108244003 A CN108244003 A CN 108244003A CN 201810048853 A CN201810048853 A CN 201810048853A CN 108244003 A CN108244003 A CN 108244003A
- Authority
- CN
- China
- Prior art keywords
- aquatic products
- happening
- probability
- disease
- target disease
- 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.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 228
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000001747 exhibiting effect Effects 0.000 title claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 41
- 230000008859 change Effects 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 238000012800 visualization Methods 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 22
- 238000009360 aquaculture Methods 0.000 description 13
- 238000009395 breeding Methods 0.000 description 13
- 230000001488 breeding effect Effects 0.000 description 13
- 244000144974 aquaculture Species 0.000 description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 10
- 239000001301 oxygen Substances 0.000 description 10
- 229910052760 oxygen Inorganic materials 0.000 description 10
- -1 transparency Chemical compound 0.000 description 10
- 229930002875 chlorophyll Natural products 0.000 description 9
- 235000019804 chlorophyll Nutrition 0.000 description 9
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 9
- 229910002651 NO3 Inorganic materials 0.000 description 8
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 8
- 241000894007 species Species 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000002265 prevention Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 241000252230 Ctenopharyngodon idella Species 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 208000031169 hemorrhagic disease Diseases 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 208000010824 fish disease Diseases 0.000 description 2
- 239000013505 freshwater Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001018 virulence Effects 0.000 description 2
- 201000004384 Alopecia Diseases 0.000 description 1
- 241000143060 Americamysis bahia Species 0.000 description 1
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- 241000252229 Carassius auratus Species 0.000 description 1
- 241000252233 Cyprinus carpio Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 208000035240 Disease Resistance Diseases 0.000 description 1
- 241000252234 Hypophthalmichthys nobilis Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 208000024963 hair loss Diseases 0.000 description 1
- 230000003676 hair loss Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- GQPLMRYTRLFLPF-UHFFFAOYSA-N nitrous oxide Inorganic materials [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 1
- 125000001477 organic nitrogen group Chemical group 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K61/00—Culture of aquatic animals
- A01K61/10—Culture of aquatic animals of fish
- A01K61/13—Prevention or treatment of fish diseases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Mining & Mineral Resources (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Zoology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Agronomy & Crop Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明提供了一种水产病害流行趋势预测及展示方法和系统,所述方法包括:获取待预测区域数据,其中,所述待预测区域数据包括待预测区域内多个位置点的环境参数集合、位置信息以及水产品种类信息;根据各位置点的信息,通过预先构建的水产病害发生概率知识库,获取各位置点对应的目标病害发生概率;根据各位置点的目标病害发生概率和位置信息,绘制与待预测区域对应的目标病害发生概率等值线图,并基于目标病害发生概率等值线图对目标病害的流行趋势进行预测;对上述步骤进行自动更新和动态展示呈现动态变化的效果。本发明通过病害发生概率等值线图对水产病害的发生和流行趋势进行预测和直观的展示,提高水产病害发生和流行预测的可视化程度。
Description
技术领域
本发明涉及水产养殖信息化技术及水产养殖大数据应用领域,具体涉及一种水产病害流行趋势预测及展示方法和系统。
背景技术
我国是水产消费大国,受天然渔业资源制约,淡、海水养殖成为消费水产品的重要来源。当前水产养殖所面临的病害爆发与流行都对海洋牧场及淡水养殖的健康发展造成威胁,其所导致的后果越来越严重,如何有效防控、预测并提高风险控制能力显得极为重要。
水产养殖信息化监测技术的发展应用成为趋势,且新一代信息化技术和大数据挖掘与展示技术应用不断涌现,结合目前大数据发展背景整合和利用水产养殖数据资源,如何处理大规模监测的水产养殖环境相关数据并做好水产养殖大数据的综合挖掘应用与可视化展示是当前数据本发明所要解决的一个问题。
同时,水产养殖环境监测系统与应用服务拓展不断发展和加强,因此结合水产养殖病害与爆发流行风险防控需求、水产养殖企业产业发展需求以及海洋与渔业部门监管需求,对水产病害发生发展的掌握、确定病害源头和爆发流行趋势预测具有积极的意义。
现有技术的研究表明,特定水产病害的发生流行与养殖环境之间具有极强的关联关系。例如,水温与鱼病的流行有密切的关系,各种病原体都有其繁育生长的最佳温度范围。许多致病菌和病毒在水温25℃以上时,毒力显著增高,水温降到20℃以下时,则毒力减弱,病情减弱或停止;水产动植物的抗病抗逆能力也受养殖环境的影响,当水产动植物处于适宜的养殖环境时,其抗病等抵抗能力就强,当养殖环境不适时,其抗病能力就会相应减弱,易受外来病害的侵袭或导致自有病害突显。但是,虽然现有技术研究了养殖环境与水产病害的关联关系,但难以对病害流行的趋势进行预测和展示。
发明内容
针对现有技术中存在的上述缺陷,结合水产养殖大数据的产生与应用的背景,本发明提供一种水产病害流行趋势预测及展示方法和系统。
本发明的一方面提供一种水产病害流行趋势预测及展示方法,包括:S1,获取待预测区域数据,其中,所述待预测区域数据包括待预测区域内多个位置点的环境参数集合、位置信息以及水产品种类信息;S2,根据各位置点的环境参数集合和水产品种类信息,通过预先构建的水产病害发生概率知识库,获取各位置点对应的目标病害发生概率;S3,根据各位置点的目标病害发生概率和位置信息,绘制与待预测区域对应的目标病害发生概率等值线图,并基于目标病害发生概率等值线图对目标病害的流行趋势进行预测;S4,系统每获取一次数据,基于步骤S1至S3对等值线图更新一次,对一定时段内的数据图表信息,进行回溯和分时动态播放,并呈现动态变化的效果。
其中,所述S3中根据各位置点的目标病害发生概率和位置信息,绘制待预测区域对应的目标病害发生概率等值线图的步骤具体包括:根据各数据点对应的位置信息,绘制各位置点或数据点;根据各位置点对应的目标病害发生概率,连接具有相同目标病害发生概率的位置点,以形成多条环形的发生概率等值线图;采用渐变的颜色对一定间隔的概率等值线形成的封闭图形之间进行渲染,且相同概率边界的封闭图形具有相同的渲染颜色;将发生概率值大于预设阈值的发生概率等值线内的区域标记为高风险区域。
其中,所述S3中基于目标病害发生概率等值线图对目标病害的流行趋势进行预测的步骤具体包括:获取相邻两条发生概率等值线之间距离最近的两点,并使用趋势向量连接两点;其中,所述趋势向量指向概率较小的发生概率等值线,至少一条趋势向量组成预测流行趋势向量。
其中,所述步骤S3后还包括:获取待预测区域内实际发生目标病害的实际位置点,并根据实际位置点的位置信息在目标病害发生概率等值线图上绘制目标病害的实际流行趋势向量。
其中,待预测区域数据的来源为系统内上报汇总的数据或其他独立监测设备产生的数据;监测的位置点均匀、规则的分布在数据产生的区域内或待预测区域内;环境参数的值为日平均值或者某一时刻的值。
其中,所述步骤S2具体包括:S21,根据待预测区域的水产品种类信息以及目标病害种类,通过查询水产病害发生概率知识库,获取对应的目标病害发生时的环境参数集合、水产病害概率转换矩阵及水产品种类耐受环境范围;S22,根据各位置点的环境参数集合、目标病害发生时的环境参数集合、水产病害概率转换矩阵和水产品种类耐受环境范围,计算每个位置点分别对应的目标病害发生概率;其中,所述的预先构建的水产病害发生概率知识库包含目标病害发生时的环境参数集合、水产病害概率转换矩阵及水产品种类耐受环境范围。
其中,所述步骤S22具体包括:
式中,Pi为第i个位置点的目标病害发生概率,Oi为第i个位置点的环境参数集合,O0为目标病害发生时的环境参数集合,B为水产病害概率转换矩阵,S为水产品种类耐受环境范围。
其中,所述步骤S4具体包括:待预测区域数据每上报一次,进行一次运算,并对当前展示内容进行一次更新;同时,对一定时段内的数据图表信息,进行回溯和分时动态播放;系统所展示的特定水产病害发生概率等值线显示间隔、动态跟新的时间间隔具有自适应性。
所述方法包含一个展示和依托的平台式的系统,用于实现对多种特定水产品种和特定水产病害发生概率的集中展示和预测,并针对特定病害及水产品种进行选择性展示。
本发明的又一方面提供一种水产病害流行趋势预测及展示系统,包括:至少一个处理器;至少一个用于显示可视化内容的具有展示或显示功能的设备;至少一个数据监测设备和传输设备;以及与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行本发明上述方面提供的水产病害流行趋势预测及展示方法,例如包括:S1,获取待预测区域数据,其中,所述待预测区域数据包括待预测区域内多个位置点的环境参数集合、位置信息以及水产品种类信息;S2,根据各位置点的环境参数集合和水产品种类信息,通过预先构建的水产病害发生概率知识库,获取各位置点对应的目标病害发生概率;S3,根据各位置点的目标病害发生概率和位置信息,绘制与待预测区域对应的目标病害发生概率等值线图,并基于目标病害发生概率等值线图对目标病害的流行趋势进行预测;S4,系统每获取一次数据,基于步骤S1至S3对等值线图更新一次,对一定时段内的数据图表信息,进行回溯和分时动态播放,并呈现动态变化的效果。
本发明提供的方法可以用于针对适当面积的水产养殖或海洋与渔业部门的水产病害监管与展示预测,特别的可以用于水产养殖环境参数大数据的应用和挖掘展示,该方法和系统可以展示不少于一种水产品及其对应病害的发生与流行情况。同时,该展示方法和系统具有针对特定水产病害和特定地域性养殖对象相关内容展示的选择性。
本发明提供的水产病害流行趋势预测及展示的方法和系统,通过病害发生概率等值线图对水产病害的发生和流行趋势进行预测,且利用发生概率等值线图进行直观的展示,提高水产病害发生和流程预测的准确性、及时性与可视化,有利于集中和直观展现多种水产病害发生与流行的高风险区域,以便于提醒做好相应的预防和控制措施,减少损失。
本发明提供的流行趋势预测方法可以作为水产养殖监管系统的一部分,该方法适用于监测系统普遍使用的连片开放水域养殖和设施养殖等区域性水产病害发生与流行的预测,但不限于连片养殖。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的水产病害流行趋势预测及展示方法的流程示意图;
图2为本发明实施例提供的水产病害流行趋势预测及展示方法的病害发生概率等值线图;
图3为本发明实施例提供的水产病害流行趋势预测及展示系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的水产病害流行趋势预测及展示方法的流程示意图,如图1所示,包括:S1,获取待预测区域数据,其中,所述待预测区域数据包括待预测区域内多个位置点的环境参数集合、位置信息以及水产品种类信息;S2,根据各位置点的环境参数集合和水产品种类信息,通过预先构建的水产病害发生概率知识库,获取各位置点对应的目标病害发生概率;S3,根据各位置点的目标病害发生概率和位置信息,绘制与待预测区域对应的目标病害发生概率等值线图,并基于目标病害发生概率等值线图对目标病害的流行趋势进行预测;S4,系统每获取一次数据,基于步骤S1至S3对等值线图更新一次,对一定时段内的数据图表信息,进行回溯和分时动态播放,并呈现动态变化的效果。
其中,待预测区域包括连片开放淡水或海水水域养殖或设施养殖等区域。
其中,水产病害发生概率知识库是不同水产品种类、不同的水产病害具有不同的关系方程,并由此建立的相应水产病害发生概率与养殖环境条件的知识库;该知识库描述水产品种类、养殖的环境参数与病害发生概率之间的关系。
其中,等值线图又称等量线图;是以相等数值点的连线表示连续分布且逐渐变化的数量特征的一种图型;其采用数值相等各点联成的曲线(即等值线)在平面上的投影来表示参数;等值线图包括等高线图、等温线图等图,本发明实施例中为等发生概率图。
在步骤S1中,首先对需要进行预测的区域进行数据的采集;采集过程主要包括选取区域内的位置点,采集位置点处的环境参数集合,环境参数集合包括多种环境参数,例如包括水温、PH、溶解氧、浊度叶绿素、透明度、硝酸盐、天气信息;以及位置点的位置信息,即坐标或经纬度信息;还包括区域中养殖的水产品种类,例如鱼类和虾类等。
在步骤S2中,根据步骤S1中获取的待预测区域数据,去查询水产病害发生概率知识库,根据知识库中的经验公式能够获取到各位置点需要进行预测的目标病害的发生概率;目标病害是水产病害中的一种或多种,是需要进行预测的病害;例如草鱼出血病和竖鳞病。
在步骤S3中,首先根据步骤S1中获取的各位置点的位置信息,将各位置点在图上进行标记;再根据步骤S2中获取的每个位置点对应的目标病害发生概率,将概率相同的位置点进行连接,形成闭合环形,即为目标病害发生概率等值线;等值线图可以包括多条等值线。等值线图完成后,由于该图反映整个区域内的病害发生概率,因此可以基于该图对流行趋势进行预测,其中流行趋势包括病害流行的位置及方向。
在步骤S4中,系统基于不断上报的待预测区域数据,不断基于步骤S1至S3生成对应的目标病害发生概率等值线图,从而对用户进行展示和播放;其中,回溯播放是指对指定的历史时间点的等值线图进行播放;分时动态播放是把一段时段内各时刻生成的几个图表按照时间顺序播放出来。
本发明实施例提供的水产病害流行趋势预测及展示方法,通过病害发生概率等值线图对水产病害的发生和流行趋势进行预测,且利用发生概率等值线图进行直观的展示,提高水产病害发生和流程预测的准确性、及时性与可视化,有利于集中和直观展现多种水产病害发生与流行的高风险区域,以便于提醒做好相应的预防和控制措施,减少损失。
在上述任一实施例的基础上,所述S3中根据各位置点的目标病害发生概率和位置信息,绘制待预测区域对应的目标病害发生概率等值线图的步骤具体包括:根据各数据点对应的位置信息,绘制各位置点或数据点;根据各位置点对应的目标病害发生概率,连接具有相同目标病害发生概率的位置点,以形成多条环形的发生概率等值线图;采用渐变的颜色对一定间隔的概率等值线形成的封闭图形之间进行渲染,且相同概率边界的封闭图形具有相同的渲染颜色;将发生概率值大于预设阈值的发生概率等值线内的区域标记为高风险区域。
具体地,如图2所示,将具有相同概率的位置点连接成为一层又一层的闭环,每个环都对应特定的发生概率;在展示时,可以使用不同的颜色对不同的概率等值线进行渲染,以进行区分并增强视觉效果。
在上述任一实施例的基础上,所述S3中基于目标病害发生概率等值线图对目标病害的流行趋势进行预测的步骤具体包括:获取相邻两条发生概率等值线之间距离最近的两点,并使用趋势向量连接两点;其中,所述趋势向量指向概率较小的发生概率等值线,至少一条趋势向量组成预测流行趋势向量。
具体地,概率等值线图是对区域内的病害发生情况进行预测,而预测流行趋势向量是对流行趋势进行预测,流行趋势反映病害的传播方向及传播路径;以下对趋势向量的获取过程进行举例:第一等值线和第二等值线相邻,若第一等值线上的A点与第二等值线上的B点之间的直线距离,是第一等值线和第二等值线之间的最近距离,则利用趋势向量连接A点和B点,且趋势向量T指向概率较小的B点;连续对多个相邻等值线绘制对应的趋势向量,最后多个趋势向量组成的一条长的向量作为待预测区域的流行趋势向量。
在上述任一实施例的基础上,所述步骤S3后还包括:获取待预测区域内实际发生目标病害的实际位置点,并根据实际位置点的位置信息在目标病害发生概率等值线图上绘制目标病害的实际流行趋势向量。
具体地,在对趋势进行预测后,可以在一定时段后,获取待预测区域实际发生病害的情况,即根据实际发生的位置点绘制一条实际流行趋势向量,同样绘制在概率等值线图中;与预测流行趋势向量一同展示;具体是根据实际病害发生的时间及顺序,先后形成的对应的实际流行趋势向量,与预测趋势线共同确定流行趋势,提高预测的及时性,提前做好相应的预防措施,减少损失。
在上述任一实施例的基础上,待预测区域数据的来源为系统内上报汇总的数据或其他独立监测设备产生的数据;监测的位置点均匀、规则的分布在数据产生的区域内或待预测区域内;环境参数的值为日平均值或者某一时刻的值。
在上述任一实施例的基础上,所述步骤S2具体包括:S21,根据待预测区域的水产品种类信息以及目标病害种类,通过查询水产病害发生概率知识库,获取对应的目标病害发生时的环境参数集合、水产病害概率转换矩阵及水产品种类耐受环境范围;S22,根据各位置点的环境参数集合、目标病害发生时的环境参数集合、水产病害概率转换矩阵和水产品种类耐受环境范围,计算每个位置点分别对应的目标病害发生概率;其中,所述的预先构建的水产病害发生概率知识库包含目标病害发生时的环境参数集合、水产病害概率转换矩阵及水产品种类耐受环境范围。
其中,知识库指为了明确水产病害发生概率,结合例如鱼病流行季节和各阶段发病规律,对不同水产类别及其易发病害之间进行归类整理,建立不同病害发生流行与养殖环境参数等的关系知识库,从而使该数据库能够实现对多种水产病害的爆发与流行趋势的预测。为了避免简单等水温线在预测病害发生概率时所存在的误差,依水产病害发生与参数信息的相关关系计算特定水产病害发生概率值P=F(水温、PH、溶解氧、浊度、叶绿素、透明度、硝酸盐、天气信息、水产种类),通常为上述参数信息,但不限于上述参数信息。将上述多参数信息结合关系计算得出一定较为确定的特定水产病害的发生概率值。急性型、慢性型两种病害,对应两种不同的概率换算转换矩阵Bii。
具体地,知识库包含病害发生极端条件(即一定发生病害的环境参数集合,也即目标病害发生时的环境参数集合,对应的发生概率为100%)、特定病害概率矩阵、水产品种所耐受的环境范围。
其中,特定水产病害发生条件(即一定发生病害的环境参数集合)Oi0=(T0,PH0,DO0,TU0,Chl0,Ni0,Pa0);其中,i表示特定水产病害标号,对应特定病害;小标0表示对应水产特定病害一定发生的环境情况;T(温度)、PH(PH值)等均为环境参数。
其中,概率转换矩阵Bij=(a1,a2,a3,a4,a5,a6,a7,a8)T,(∑a=1),水产耐受环境范围Sij=(TS,PHS,DOS,TUS,ChlS,NiS,PaS),i表示特定水产品种类,j表示特定水产病害编号。
在上述任一实施例的基础上,所述步骤S22具体包括:
式中,Pi为第i个位置点的目标病害发生概率,Oi为第i个位置点的环境参数集合,O0为目标病害发生时的环境参数集合,B为水产病害概率转换矩阵,S为水产品种类耐受环境范围。
其中,水产病害环境参数Oi=(Ti,PHi,DOi,TUi,Chli,Nii,Pai),可以设定为日平均值或者某一固定时刻的监测采集值,也可以是任一时刻的监测采集值。
针对同一区域,对不同种类的病害进行预测时,概率值是不同的。
因此,通过上述目标病害发生概率公式,将多种养殖环境信息通过知识库转化为一个统一的特定水产病害发生概率量值,其所对应的多种养殖环境信息包括温度、PH、溶解氧、浊度、叶绿素含量、以及当期天气信息、品种等,但本发明实施例的保护范围不限于以上养殖环境参数条件。
在上述任一实施例的基础上,所述步骤S4具体包括:待预测区域数据每上报一次,进行一次运算,并对当前展示内容进行一次更新;同时,对一定时段内的数据图表信息,进行回溯和分时动态播放;系统所展示的特定水产病害发生概率等值线显示间隔、动态跟新的时间间隔具有自适应性。
在上述任一实施例的基础上,包含一个展示和依托的平台式的系统,用于实现对多种特定水产品种和特定水产病害发生概率的集中展示和预测,并针对特定病害及水产品种进行选择性展示。
具体基于软件系统进行水产病害发生流行趋势图的形成、标注并动态展示变化;具有实时展示、动态变化、展示精度自适应的特点,具体可以依托一个系统进行展示;该趋势图可以实现对等值线图和发生流行趋势微小变动的及时更新、动态展示和回溯;趋势图中所显示的等值线间隔、动态刷新的时间间隔具有自适应性,其中等值线间隔根据流行趋势图的展示窗口大小和数据密度进行自适应性调整,动态刷新频率依据上报数据的变动周期等情况进行刷新;
考虑到动态展示水产病害发生与流行的展示效果,可选的,当所对应的水产病害发生概率大于一定阈值,此处选择大于等于0.8时,可以将大于等于该阈值的水产病害发生概率等值线所构成的区域标记为水产病害发生高风险区,并注明水产病害发生流行概率计算知识库所对应的易感染品种及其相应的水产病害名称。
为了对本发明上述实施例提供的方法进行说明,以下对该方法进行举例,包括以下步骤:
步骤1,构建环境参数等信息与水产病害发生概率相关知识库;
该知识库中可以包括以下信息,草鱼出血病(水温在20-33℃时发生流行,最适病害流行水温为27-30℃。当水质恶化,水中溶氧偏低,透明度低,水中总氮、有机氮、亚硝酸态氮和有机好氧率偏高,水温变化较大,鱼体抵抗力低下,病毒量多时易发生流行;水温12℃及34.5℃时也有发病,死亡率80%);竖鳞病(当水质污浊、鱼体受伤时经皮感染,主要危害鲤鱼、鲫鱼、金鱼;草鱼、鲢鱼有时也会感染,该病主要发生在春季,水温17-22℃,有时在越冬后期也有发生,死亡率一般在50%以上);
步骤2,计算各个位置点所对应的特定水产病害发生概率
特定水产病害发生概率值P=F(水温、PH、溶解氧、浊度叶绿素、透明度、硝酸盐、天气信息、水产种类);例如草鱼出血病发生概率为,
P1=F(水温、PH、溶解氧、浊度叶绿素、透明度、硝酸盐、天气信息、水产种类)=0.9;
P2=F(水温、PH、溶解氧、浊度叶绿素、透明度、硝酸盐、天气信息、水产种类)=0.8;
P3=F(水温、PH、溶解氧、浊度叶绿素、透明度、硝酸盐、天气信息、水产种类)=0.7;
P4=F(水温、PH、溶解氧、浊度叶绿素、透明度、硝酸盐、天气信息、水产种类)=0.6;
……
Pn=F(水温、PH、溶解氧、浊度叶绿素、透明度、硝酸盐、天气信息、水产种类)=0.5;
步骤3,结合养殖环境参数数据源所提供的位置信息形成水产病害发生概率等值线图;具体包括,
步骤3.1,将上报来的养殖环境相关参数转化的水产病害发生概率值对应该点的位置信息显示在地图上;如图2所示,将P11-P1n这些概率值结合数据资源点进行绘制,这些数据资源点的位置以经纬度参数与GIS等图表进行对接,将上述n个点对应位置展示在地图上,进行相关数据的图表可视化;
步骤3.2,将具有相同水产病害发生概率值的点进行连接,形成概率间隔一定的等值线图;将上述P值相等的位点通过平滑的曲线进行连接,绘制成为特定水产病害发生概率等值线图;使得具有相同概率的位置点连接成为一层又一层的闭环,从而实现水产病害发生与趋势进行展示和预测的基本图层;
步骤4,生成预测病害流行趋势向量;即基于等值线图绘制趋势向量,反映预测的流行趋势;并根据实际上报的病害流行数据生成实际的流行趋势;
步骤5,形成、标注并动态展示变化的水产病害发生与流行趋势图;
通过基于养殖环境参数和位置信息的水产病害发生与流行趋势预测方法形成和展示动态变化的水产病害发生与流行趋势图,可以做到对水产养殖病害大面积发生的直观展示和流行趋势预测,做到早预防和防控,同时有利用确定病害发生源,控制水产病害的爆发损失。
有利于直观的展示某区域内某种或几种特定水产病害发生与流行的风险等级,同时,对流行趋势具有快速了解和展示的作用,实现了对水产养殖环境监测参数的宏观应用和控制,提前做好应急准备,便于根据各种病害的防治方法。
本发明实施例提供的水产病害流行趋势预测方法,利用水产养殖环境监测系统的推广所产生的大量相关数据使水产养殖信息化应用服务水平提升成为可能;而随着计算能力的发展,位置应用越来越精确和普遍,当前北斗的精度可达到1m,并结合先进成图、可视化与多信息融合等技术,基于数据挖掘思想对生成详细的可视化和动态展示的图表信息很有裨益。因此,形成和展示动态变化的水产病害发生与流行趋势图,进行连片开放水域养殖和设施养殖等区域性的水产病害发生发展与流行趋势的预测具有重大意义。
图3为本发明实施例提供的水产病害流行趋势预测及展示系统的结构示意图,如图3所示,该系统包括:至少一个处理器301;至少一个用于显示可视化内容的显示设备303;至少一个属于系统内的数据监测设备304和传输设备305,以及与所述处理器301通信连接的至少一个存储器302,其中:所述的传输设备305用于获取和接收系统外部数据监测设备所产生的数据,所所述存储器302存储有可被所述处理器301执行的程序指令,所述处理器301调用所述程序指令能够执行上述各实施例所提供的水产病害流行趋势预测及展示方法,例如包括:S1,获取待预测区域数据,其中,所述待预测区域数据包括待预测区域内多个位置点的环境参数集合、位置信息以及水产品种类信息;S2,根据各位置点的环境参数集合和水产品种类信息,通过预先构建的水产病害发生概率知识库,获取各位置点对应的目标病害发生概率;S3,根据各位置点的目标病害发生概率和位置信息,绘制与待预测区域对应的目标病害发生概率等值线图,并基于目标病害发生概率等值线图对目标病害的流行趋势进行预测;S4,系统每获取一次数据,基于步骤S1至S3对等值线图更新一次,对一定时段内的数据图表信息,进行回溯和分时动态播放,并呈现动态变化的效果。
以上所描述的水产病害流行趋势预测及展示系统等实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种水产病害流行趋势预测及展示方法,其特征在于,包括:
S1,获取待预测区域数据,其中,所述待预测区域数据包括待预测区域内多个位置点的环境参数集合、位置信息以及水产品种类信息;
S2,根据各位置点的环境参数集合和水产品种类信息,通过预先构建的水产病害发生概率知识库,获取各位置点对应的目标病害发生概率;
S3,根据各位置点的目标病害发生概率和位置信息,绘制与待预测区域对应的目标病害发生概率等值线图,并基于目标病害发生概率等值线图对目标病害的流行趋势进行预测;
S4,系统每获取一次数据,基于步骤S1至S3对等值线图更新一次,对一定时段内的数据图表信息,进行回溯和分时动态播放,并呈现动态变化的效果。
2.根据权利要求1所述的方法,其特征在于,所述S3中根据各位置点的目标病害发生概率和位置信息,绘制与待预测区域对应的目标病害发生概率等值线图的步骤具体包括:
根据各数据点对应的位置信息,绘制各位置点或数据点;
根据各位置点对应的目标病害发生概率,连接具有相同目标病害发生概率的位置点,以形成多条环形的发生概率等值线图;
采用渐变的颜色对一定间隔的发生概率等值线形成的封闭图形之间进行渲染,且相同概率边界的封闭图形具有相同的渲染颜色;
将发生概率值大于预设阈值的发生概率等值线内的区域标记为高风险区域。
3.根据权利要求2所述的方法,其特征在于,所述S3中基于目标病害发生概率等值线图对目标病害的流行趋势进行预测的步骤具体包括:
获取相邻两条发生概率等值线之间距离最近的两点,并使用趋势向量连接两点;其中,所述趋势向量指向概率较小的发生概率等值线,至少一条趋势向量组成预测流行趋势向量。
4.根据权利要求3所述的方法,其特征在于,所述步骤S3后还包括:
获取待预测区域内实际发生目标病害的实际位置点,并根据实际位置点的位置信息在目标病害发生概率等值线图上绘制目标病害的实际流行趋势向量。
5.根据权利要求1所述的方法,其特征在于,
待预测区域数据的来源为系统内上报汇总的数据或其他独立监测设备产生的数据;
监测的位置点均匀、规则的分布在数据产生的区域内或待预测区域内;
环境参数的值为日平均值或者某一时刻的值。
6.根据权利要求1所述的方法,其特征在于,所述步骤S2具体包括:
S21,根据待预测区域的水产品种类信息以及目标病害种类,通过查询水产病害发生概率知识库,获取对应的目标病害发生时的环境参数集合、水产病害概率转换矩阵及水产品种类耐受环境范围;
S22,根据各位置点的环境参数集合、目标病害发生时的环境参数集合、水产病害概率转换矩阵和水产品种类耐受环境范围,计算每个位置点分别对应的目标病害发生概率;
其中,所述的预先构建的水产病害发生概率知识库包含目标病害发生时的环境参数集合、水产病害概率转换矩阵及水产品种类耐受环境范围。
7.根据权利要求6所述的方法,其特征在于,所述步骤S22具体包括:
式中,Pi为第i个位置点的目标病害发生概率,Oi为第i个位置点的环境参数集合,O0为目标病害发生时的环境参数集合,B为水产病害概率转换矩阵,S为水产品种类耐受环境范围。
8.根据权利要求1所述的方法,其特征在于,所述步骤S4具体包括:
待预测区域数据每上报一次,进行一次运算,并对当前展示内容进行一次更新;同时,对一定时段内的数据图表信息,进行回溯和分时动态播放;
系统所展示的特定水产病害发生概率等值线显示间隔、动态跟新的时间间隔具有自适应性。
9.根据权利要求1所述的方法,其特征在于:
包含一个展示和依托的平台式的系统,用于实现对多种特定水产品种和特定水产病害发生概率的集中展示和预测,并针对特定病害及水产品种进行选择性展示。
10.一种水产病害流行趋势预测及展示系统,其特征在于,包括:
至少一个处理器;
至少一个用于显示可视化内容的显示设备;
至少一个数据监测设备和传输设备;
以及与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810048853.0A CN108244003B (zh) | 2018-01-18 | 2018-01-18 | 一种水产病害流行趋势预测及展示方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810048853.0A CN108244003B (zh) | 2018-01-18 | 2018-01-18 | 一种水产病害流行趋势预测及展示方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108244003A true CN108244003A (zh) | 2018-07-06 |
CN108244003B CN108244003B (zh) | 2019-09-13 |
Family
ID=62741083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810048853.0A Active CN108244003B (zh) | 2018-01-18 | 2018-01-18 | 一种水产病害流行趋势预测及展示方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108244003B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109612509A (zh) * | 2018-11-13 | 2019-04-12 | 中电科仪器仪表有限公司 | 一种基于手持式信号测量仪器的趋势图显示处理方法 |
CN116720666A (zh) * | 2023-08-10 | 2023-09-08 | 广东省科学院生物与医学工程研究所 | 一种基于大数据的海洋牧场自动化监测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101081011A (zh) * | 2007-05-23 | 2007-12-05 | 宁波大学 | 一种人工养殖大黄鱼的疾病发生的预警方法 |
CN102523245A (zh) * | 2011-11-10 | 2012-06-27 | 许春香 | 一种农业病虫害与生长状况预测防控物联网及方法 |
CN102550454A (zh) * | 2012-01-13 | 2012-07-11 | 厦门大学 | 一种大黄鱼刺激隐核虫病的预测方法 |
CN103229737A (zh) * | 2013-04-26 | 2013-08-07 | 宁波大学 | 网箱养殖大黄鱼细菌性疾病大规模发生时间的预报 |
CN206284117U (zh) * | 2016-12-07 | 2017-06-30 | 湛江市汉成科技有限公司 | 基于移动互联网技术的信息化水产品疾病检测调控系统 |
WO2017155414A1 (en) * | 2016-03-07 | 2017-09-14 | Kyrkjebø Jan Erik | Fish farm, and method for delousing in a fish farm |
-
2018
- 2018-01-18 CN CN201810048853.0A patent/CN108244003B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101081011A (zh) * | 2007-05-23 | 2007-12-05 | 宁波大学 | 一种人工养殖大黄鱼的疾病发生的预警方法 |
CN102523245A (zh) * | 2011-11-10 | 2012-06-27 | 许春香 | 一种农业病虫害与生长状况预测防控物联网及方法 |
CN102550454A (zh) * | 2012-01-13 | 2012-07-11 | 厦门大学 | 一种大黄鱼刺激隐核虫病的预测方法 |
CN103229737A (zh) * | 2013-04-26 | 2013-08-07 | 宁波大学 | 网箱养殖大黄鱼细菌性疾病大规模发生时间的预报 |
WO2017155414A1 (en) * | 2016-03-07 | 2017-09-14 | Kyrkjebø Jan Erik | Fish farm, and method for delousing in a fish farm |
CN206284117U (zh) * | 2016-12-07 | 2017-06-30 | 湛江市汉成科技有限公司 | 基于移动互联网技术的信息化水产品疾病检测调控系统 |
Non-Patent Citations (1)
Title |
---|
胡金有等: "水产养殖信息化关键技术研究现状与趋势", 《农业机械学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109612509A (zh) * | 2018-11-13 | 2019-04-12 | 中电科仪器仪表有限公司 | 一种基于手持式信号测量仪器的趋势图显示处理方法 |
CN109612509B (zh) * | 2018-11-13 | 2021-05-07 | 中电科思仪科技股份有限公司 | 一种基于手持式信号测量仪器的趋势图显示处理方法 |
CN116720666A (zh) * | 2023-08-10 | 2023-09-08 | 广东省科学院生物与医学工程研究所 | 一种基于大数据的海洋牧场自动化监测方法及系统 |
CN116720666B (zh) * | 2023-08-10 | 2024-03-22 | 广东省科学院生物与医学工程研究所 | 一种基于大数据的海洋牧场自动化监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108244003B (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaplan et al. | Screening California Current fishery management scenarios using the Atlantis end-to-end ecosystem model | |
Fiechter et al. | The role of environmental controls in determining sardine and anchovy population cycles in the California Current: Analysis of an end-to-end model | |
JP6580334B2 (ja) | 情報処理装置、プログラム及び情報処理方法 | |
McClanahan | Decadal coral community reassembly on an African fringing reef | |
Johnson et al. | Rehabilitation stocking of walleyes and lake trout: restoration of reproducing stocks in Michigan waters of Lake Huron | |
Ayllón et al. | Mechanistic simulations predict that thermal and hydrological effects of climate change on Mediterranean trout cannot be offset by adaptive behaviour, evolution, and increased food production | |
Colvin et al. | Strategies to control a common carp population by pulsed commercial harvest | |
Waldman et al. | Contemporary and historical effective population sizes of Atlantic sturgeon Acipenser oxyrinchus oxyrinchus | |
Randazzo Eisemann et al. | The effect of algal-gardening damselfish on the resilience of the Mesoamerican Reef | |
Abobi et al. | Assessing the exploitation status of main fisheries resources in Ghana’s reservoirs based on reconstructed catches and a length-based bootstrapping stock assessment method | |
Gagne et al. | Measures of effective population size in sea otters reveal special considerations for wide‐ranging species | |
CN108244003B (zh) | 一种水产病害流行趋势预测及展示方法和系统 | |
Yu et al. | Response of Sthenoteuthis oualaniensis to marine environmental changes in the north-central South China Sea based on satellite and in situ observations | |
Rogers et al. | Culling corallivores improves short-term coral recovery under bleaching scenarios | |
JP2016146046A (ja) | 予測装置、予測方法及びプログラム | |
Cheng et al. | Analysis of short-term and local scale variations in fish community structure in Dachen Island waters | |
Pérez-Jiménez et al. | Shark-catch composition and seasonality in the data-poor small-scale fisheries of the southern Gulf of Mexico | |
García-Reyes et al. | Winter oceanographic conditions predict summer bull kelp canopy cover in northern California | |
Nagrare et al. | Potential risk of establishment and survival of cotton aphid Aphis gossypii in India based on simulation of temperature-dependent phenology model | |
Bacheler et al. | Spatial and temporal patterns of black sea bass sizes and catches in the southeastern United States inferred from spatially explicit nonlinear models | |
Meester et al. | An integrated simulation modeling and operations research approach to spatial management decision making | |
CN115796366B (zh) | 一种森林虫害预测方法及虫害预测森林地图系统 | |
Linton et al. | Dynamics of a recovering lake trout population in eastern Wisconsin waters of Lake Superior, 1980–2001 | |
Madenjian et al. | Lake trout population dynamics in the Northern Refuge of Lake Michigan: implications for future rehabilitation | |
Done et al. | Distance decay among coral assemblages during a cycle of disturbance and recovery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |