CN108668962B - 一种鱼类窒息死亡风险的确定方法及系统 - Google Patents
一种鱼类窒息死亡风险的确定方法及系统 Download PDFInfo
- Publication number
- CN108668962B CN108668962B CN201810338327.8A CN201810338327A CN108668962B CN 108668962 B CN108668962 B CN 108668962B CN 201810338327 A CN201810338327 A CN 201810338327A CN 108668962 B CN108668962 B CN 108668962B
- Authority
- CN
- China
- Prior art keywords
- asphyxia
- consumption rate
- prediction model
- point
- oxygen consumption
- 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.)
- Active
Links
- 206010003497 Asphyxia Diseases 0.000 title claims abstract description 246
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 205
- 238000000034 method Methods 0.000 title claims abstract description 78
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 223
- 239000001301 oxygen Substances 0.000 claims abstract description 223
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 223
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 206
- 230000036284 oxygen consumption Effects 0.000 claims abstract description 201
- 230000037396 body weight Effects 0.000 claims description 34
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 24
- 238000012937 correction Methods 0.000 claims description 17
- 230000029553 photosynthesis Effects 0.000 claims description 13
- 238000010672 photosynthesis Methods 0.000 claims description 13
- 230000000241 respiratory effect Effects 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 10
- 239000013049 sediment Substances 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 239000004576 sand Substances 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 34
- 206010021143 Hypoxia Diseases 0.000 description 29
- 230000007954 hypoxia Effects 0.000 description 19
- 241000196324 Embryophyta Species 0.000 description 12
- 230000008859 change Effects 0.000 description 9
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000001146 hypoxic effect Effects 0.000 description 5
- 239000008239 natural water Substances 0.000 description 5
- 241000252143 Polyodon spathula Species 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 241000252230 Ctenopharyngodon idella Species 0.000 description 3
- 241000376029 Tachysurus fulvidraco Species 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 229920006395 saturated elastomer Polymers 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 206010002660 Anoxia Diseases 0.000 description 2
- 241000976983 Anoxia Species 0.000 description 2
- 241000218993 Begonia Species 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 2
- 241000252233 Cyprinus carpio Species 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 241000269319 Squalius cephalus Species 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000007953 anoxia Effects 0.000 description 2
- 208000008784 apnea Diseases 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 230000037323 metabolic rate Effects 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 241000252228 Ctenopharyngodon Species 0.000 description 1
- 240000003826 Eichhornia crassipes Species 0.000 description 1
- 241000252232 Hypophthalmichthys Species 0.000 description 1
- 241000252234 Hypophthalmichthys nobilis Species 0.000 description 1
- 241001596950 Larimichthys crocea Species 0.000 description 1
- 241000353172 Oplegnathus fasciatus Species 0.000 description 1
- 241000592342 Tracheophyta Species 0.000 description 1
- 230000001651 autotrophic effect Effects 0.000 description 1
- -1 average body weight Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 238000009344 polyculture Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 244000038651 primary producers Species 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
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
-
- 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)
- Environmental Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Zoology (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Farming Of Fish And Shellfish (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种鱼类窒息死亡风险的确定方法及系统。该方法包括：获取密闭环境下的鱼类数据和水体数据；建立耗氧速率预测模型和非鱼氧平衡模型；利用耗氧速率预测模型和非鱼氧平衡模型建立溶解氧浓度动态模型；建立窒息点预测模型；利用溶解氧浓度动态模型预测待预测水体的溶解氧浓度的动态轨迹；利用窒息点预测模型预测待预测水体中鱼类的窒息点；判断窒息点预测值是否小于或等于溶解氧浓度的动态轨迹中最小的溶解氧浓度值；若是，则待预测水体中的鱼类不存在窒息死亡风险；若否，则确定大于最小的溶解氧浓度值的窒息点预测值对应的体重的鱼类存在窒息死亡风险。本发明能够确定水体缺氧条件下不同鱼种的死亡风险，且可靠性高。
Description
技术领域
本发明涉及水生态风险分析技术领域，特别是涉及一种鱼类窒息死亡风险的确定方法及系统。
背景技术
无论自然水体还是水产养殖，缺氧都会对其中鱼类的生存形成胁迫，严重条件下会出现鱼大量死亡的后果。水体中溶解氧(dissolved oxygen,DO)的浓度是由氧的供应(水体植物光合作用，大气复氧)和氧的消耗(水体中各类生物的呼吸作用)所构成的氧平衡所决定的。当不利环境条件出现时，氧供应低下至不足以抵消氧消耗且该条件持续一定时间时，DO会持续下降，鱼类的生命受到缺氧胁迫，严重时，则鱼类会由于窒息而死亡。这种不利条件包括但不限于以下情形：(1)台风暴雨等气象过程前夕，太阳辐照持续低下，水温下降，光合作用不足；另一方面气压低大气复氧不足；(2)阴雨连绵，太阳辐照持续低下，水温下降，光合作用不足；(3)季节变化或气象过程导致的气温突降，表水层转凉引发水体下部贫氧水团上升；(4)降水洪水过程后，大量营养盐进入水体引发旺盛的微生物呼吸作用。
事实上，上述缺氧情形本身是自然变动性的表现，这种变动性决定了完全避免缺氧胁迫既不可能也无必要。但是，基于对缺氧所造成的损失(经济损失或生态价值损失)的理解而在可接受成本范围内予以必要干预，是可能的，也是防范极端严重损失风险的合理策略。考虑到鱼类作为自然水体或养殖水体生态系统中的消费者，在维系生态系统结构和功能方面具有重要生态价值，其中相当部分鱼类还具有重要的经济价值。因此，研究鱼的窒息死亡过程具有重要的生态环境意义和经济意义。
国内外针对某特定鱼类的窒息过程研究很多，但自然水体中往往包括多种鱼类共存，养殖水体中也常常有多种鱼混养的状况，仅以某特定鱼类的窒息研究进行鱼类窒息死亡风险的防范很难奏效。目前，在水体过程性缺氧条件下，对鱼类窒息死亡风险的确定，尚缺乏全面的模型刻画，主要存在以下缺点：缺乏关于不同鱼种在缺氧条件下的呼吸速率模型；缺乏刻画不同鱼种在面临某种缺氧胁迫(如以DO表示)时的脆弱性模型。这就导致了目前无法分析水体缺氧条件下不同鱼种面临不同程度窒息死亡胁迫时的死亡风险，在非稳定缺氧的水环境中尤其如此。这种风险分析工具的缺失，意味着在实际工作中不能有效防范鱼类大量死亡的风险，也不能有效识别干预时机，无法有效避免鱼大量死亡形成的生态灾难过程或经济损失事件。
发明内容
基于此，有必要提供一种鱼类窒息死亡风险的确定方法及系统，以实现对水体缺氧条件下不同鱼种面临不同程度窒息死亡胁迫时的死亡风险的确定，提高水体鱼类窒息死亡风险分析的可靠性。
为实现上述目的，本发明提供了如下方案：
一种鱼类窒息死亡风险的确定方法，包括：
获取密闭环境下的鱼类数据和水体数据，所述鱼类数据包括每种鱼类的耗氧速率、窒息点和平均体重，所述水体数据包括溶解氧浓度和水温，所述窒息点为鱼类开始出现死亡时对应的溶解氧浓度值；
依据所述耗氧速率、所述平均体重、所述溶解氧浓度和所述水温建立耗氧速率预测模型；
依据大气复氧量、水生植物光合作用产氧量和呼吸耗氧量、过饱和水体溶解氧溢出量、水体呼吸耗氧量和底泥呼吸耗氧量建立非鱼氧平衡模型；
利用所述耗氧速率预测模型和所述非鱼氧平衡模型建立溶解氧浓度动态模型；
依据所述窒息点、所述平均体重和所述水温建立窒息点预测模型；
利用所述溶解氧浓度动态模型在预设时间内对待预测水体的溶解氧浓度的动态轨迹进行预测，所述溶解氧浓度的动态轨迹是由所述预设时间内多个不同时刻的溶解氧浓度值构成的；
利用所述窒息点预测模型在所述预设时间内对所述待预测水体中鱼类的窒息点进行预测，得到多个窒息点预测值，不同的所述窒息点预测值对应不同的体重；
判断所述窒息点预测值是否小于或等于所述溶解氧浓度的动态轨迹中最小的溶解氧浓度值；
若是，则确定所述待预测水体中的鱼类不存在窒息死亡风险；
若否，则确定大于所述最小的溶解氧浓度值的窒息点预测值对应的体重的鱼类存在窒息死亡风险。
可选的，所述依据所述耗氧速率、所述平均体重、所述溶解氧浓度和所述水温建立耗氧速率预测模型，具体包括：
利用所述平均体重、所述溶解氧浓度和所述水温建立初步耗氧速率预测模型，所述初步耗氧速率预测模型为
其中w表示平均体重，DO表示溶解氧浓度，T表示水温，Tref、α、β、γ和θ1为第一待估计参数，Tref表示水温的参考值，α表示初步耗氧速率预测模型中的平均体重指数，β表示初步耗氧速率预测模型中的溶解氧浓度指数，γ表示初步耗氧速率预测模型中的常数，θ1表示初步耗氧速率预测模型中水温的修正因子；
依据所述耗氧速率，采用似然函数估计法确定所述初步耗氧速率预测模型中的第一待估计参数；
将确定所述第一待估计参数后的初步耗氧速率预测模型确立为耗氧速率预测模型。
可选的，所述依据所述耗氧速率，采用似然函数估计法确定所述初步耗氧速率预测模型中的第一待估计参数，具体包括：
依据所述耗氧速率，建立第一似然估计函数；
依据所述第一似然估计函数，计算所述初步耗氧速率预测模型的第一赤池信息准则数值
L1表示第一似然估计函数，K1表示第一待估计参数的个数，nobs1表示获取耗氧速率的样本的数据个数，其中
i表示样本的编号，fi(wi,DOi,Ti)为第i个样本的耗氧速率，fobj-i为第i个样本的耗氧速率值，N为获取耗氧速率的样本子集的数据个数，σ1为服从对数正态分布的残差分布参数，σ2为服从正态分布的残差分布参数；
将所述第一赤池信息准则数值最小时对应的第一待估计参数确定为所述初步耗氧速率预测模型中的第一待估计参数。
可选的，所述依据所述窒息点、所述平均体重和所述水温建立窒息点预测模型，具体包括：
利用所述平均体重和所述水温建立初步窒息点预测模型，所述初步窒息点预测模型为
其中，w表示平均体重，T表示水温，Tref、αs、γs和θ4为第二待估计参数，Tref表示水温的参考值，αs表示初步窒息点预测模型中的平均体重指数，γs表示初步窒息点预测模型中的常数，θ4表示初步窒息点预测模型中水温的修正因子；
依据所述窒息点，采用似然函数估计法确定所述初步窒息点预测模型中的第二待估计参数；
将确定所述第二待估计参数后的初步窒息点预测模型确立为窒息点预测模型。
可选的，所述依据所述窒息点，采用似然函数估计法确定所述初步窒息点预测模型中的第二待估计参数，具体包括：
依据所述窒息点，建立第二似然估计函数；
依据所述第二似然估计函数，计算所述初步窒息点预测模型的第二赤池信息准则数值
L2表示第二似然估计函数，K2表示第一待估计参数的个数，nobs2表示获取窒息点的样本的数据个数，其中
i表示样本的编号，Spi(wi,Ti)为第i个样本的窒息点，fobj-i为第i个样本的窒息点值，M为获取窒息点的样本子集的数据个数，σ3为服从对数正态分布的残差分布参数，σ4为服从正态分布的残差分布参数；
将所述第二赤池信息准则数值最小时对应的第二待估计参数确定为所述初步窒息点预测模型中的第二待估计参数。
可选的，所述溶解氧浓度动态模型，具体为：
其中，
表示预设时间内溶解氧浓度的动态轨迹，F0表示非鱼氧平衡模型，F1,k(DO,wk,T)表示第k类体重的鱼对应的耗氧速率预测模型，P表示水体中鱼体重的类别数。
本发明还提供了一种鱼类窒息死亡风险的确定系统，包括：
数据获取模块，用于获取密闭环境下的鱼类数据和水体数据，所述鱼类数据包括每种鱼类的耗氧速率、窒息点和平均体重，所述水体数据包括溶解氧浓度和水温，所述窒息点为鱼类开始出现死亡时对应的溶解氧浓度值；
耗氧速率模型建立模块，用于依据所述耗氧速率、所述平均体重、所述溶解氧浓度和所述水温建立耗氧速率预测模型；
非鱼氧模型建立模块，用于依据大气复氧量、水生植物光合作用产氧量和呼吸耗氧量、过饱和水体溶解氧溢出量、水体呼吸耗氧量和底泥呼吸耗氧量建立非鱼氧平衡模型；
溶解氧模型建立模块，用于利用所述耗氧速率预测模型和所述非鱼氧平衡模型建立溶解氧浓度动态模型；
窒息点模型建立模块，用于依据所述窒息点、所述平均体重和所述水温建立窒息点预测模型；
第一预测模块，用于利用所述溶解氧浓度动态模型在预设时间内对待预测水体的溶解氧浓度的动态轨迹进行预测，所述溶解氧浓度的动态轨迹是由所述预设时间内多个不同时刻的溶解氧浓度值构成的；
第二预测模块，用于利用所述窒息点预测模型在所述预设时间内对所述待预测水体中鱼类的窒息点进行预测，得到多个窒息点预测值，不同的所述窒息点预测值对应不同的体重；
判断模块，用于判断所述窒息点预测值是否小于或等于所述溶解氧浓度的动态轨迹中最小的溶解氧浓度值；若是，则确定所述待预测水体中的鱼类不存在窒息死亡风险；若否，则确定大于所述最小的溶解氧浓度值的窒息点预测值对应的体重的鱼类存在窒息死亡风险。
可选的，所述耗氧速率模型建立模块，具体包括：
第一初步模型建立单元，用于利用所述平均体重、所述溶解氧浓度和所述水温建立初步耗氧速率预测模型，所述初步耗氧速率预测模型为
其中w表示平均体重，DO表示溶解氧浓度，T表示水温，Tref、α、β、γ和θ1为第一待估计参数，Tref表示水温的参考值，α表示初步耗氧速率预测模型中的平均体重指数，β表示初步耗氧速率预测模型中的溶解氧浓度指数，γ表示初步耗氧速率预测模型中的常数，θ1表示初步耗氧速率预测模型中水温的修正因子；
第一参数确定单元，用于依据所述耗氧速率，采用似然函数估计法确定所述初步耗氧速率预测模型中的第一待估计参数；
耗氧速率模型确立单元，用于将确定所述第一待估计参数后的初步耗氧速率预测模型确立为耗氧速率预测模型；
所述第一参数确定单元，具体包括：
第一函数建立子单元，用于依据所述耗氧速率，建立第一似然估计函数；
第一计算子单元，用于依据所述第一似然估计函数，计算所述初步耗氧速率预测模型的第一赤池信息准则数值
L1表示第一似然估计函数，K1表示第一待估计参数的个数，nobs1表示获取耗氧速率的样本的数据个数，其中
i表示样本的编号，fi(wi,DOi,Ti)为第i个样本的耗氧速率，fobj-i为第i个样本的耗氧速率值，N为获取耗氧速率的样本子集的数据个数，σ1为服从对数正态分布的残差分布参数，σ2为服从正态分布的残差分布参数；
第一确定子单元，用于将所述第一赤池信息准则数值最小时对应的第一待估计参数确定为所述初步耗氧速率预测模型中的第一待估计参数。
可选的，所述窒息点模型建立模块，具体包括：
第二初步模型建立单元，用于利用所述平均体重和所述水温建立初步窒息点预测模型，所述初步窒息点预测模型为
其中，w表示平均体重，T表示水温，Tref、αs、γs和θ4为第二待估计参数，Tref表示水温的参考值，αs表示初步窒息点预测模型中的平均体重指数，γs表示初步窒息点预测模型中的常数，θ4表示初步窒息点预测模型中水温的修正因子；
第二参数确定单元，用于依据所述窒息点，采用似然函数估计法确定所述初步窒息点预测模型中的第二待估计参数；
窒息点模型确立单元，用于将确定所述第二待估计参数后的初步窒息点预测模型确立为窒息点预测模型；
所述第二参数确定单元，具体包括：
第二函数建立子单元，用于依据所述窒息点，建立第二似然估计函数；
第二计算子单元，用于依据所述第二似然估计函数，计算所述初步窒息点预测模型的第二赤池信息准则数值
L2表示第二似然估计函数，K2表示第一待估计参数的个数，nobs2表示获取窒息点的样本的数据个数，其中
i表示样本的编号，Spi(wi,Ti)为第i个样本的窒息点，fobj-i为第i个样本的窒息点值，M为获取窒息点的样本子集的数据个数，σ3为服从对数正态分布的残差分布参数，σ4为服从正态分布的残差分布参数；
第二确定子单元，用于将所述第二赤池信息准则数值最小时对应的第二待估计参数确定为所述初步窒息点预测模型中的第二待估计参数。
可选的，所述溶解氧模型建立模块建立的所述溶解氧浓度动态模型，具体为：
其中，
表示预设时间内溶解氧浓度的动态轨迹，F0表示非鱼氧平衡模型，F1,k(DO,wk,T)表示第k类体重的鱼对应的耗氧速率预测模型，P表示水体中鱼体重的类别数。
与现有技术相比，本发明的有益效果是：
本发明提出了一种鱼类窒息死亡风险的确定方法及系统，所述方法包括：获取密闭环境下的鱼类数据和水体数据；依据耗氧速率、平均体重、溶解氧浓度和水温建立耗氧速率预测模型；建立非鱼氧平衡模型；利用耗氧速率预测模型和非鱼氧平衡模型建立溶解氧浓度动态模型；依据窒息点、平均体重和水温建立窒息点预测模型；利用溶解氧浓度动态模型在预设时间内对待预测水体的溶解氧浓度的动态轨迹进行预测；利用窒息点预测模型对待预测水体中鱼类的窒息点进行预测，得到多个窒息点预测值；判断窒息点预测值是否小于或等于溶解氧浓度的动态轨迹中最小的溶解氧浓度值；若是，则待预测水体中的鱼类不存在窒息死亡风险；若否，则确定大于最小的溶解氧浓度值的窒息点预测值对应的体重的鱼类存在窒息死亡风险。本发明能够确定水体缺氧条件下不同鱼种面临不同程度窒息死亡胁迫时的死亡风险，且可靠性高。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种鱼类窒息死亡风险的确定方法的流程图；
图2为本发明具体实施例1溶解氧变化曲线图；
图3为本发明具体实施例2溶解氧变化曲线图；
图4为本发明具体实施例1严重缺氧时鱼类临界体重变化曲线图；
图5为本发明具体实施例2严重缺氧时鱼类临界体重变化曲线图；
图6为本发明具体实施例1严重缺氧时不同体重鱼低氧胁迫持续时间曲线图；
图7为本发明具体实施例2严重缺氧时不同体重鱼低氧胁迫持续时间曲线图；
图8为本发明实施例一种鱼类窒息死亡风险的确定系统的结构示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种鱼类窒息死亡风险的确定方法的流程图。
参见图1，实施例的鱼类窒息死亡风险的确定方法，包括：
步骤S1：获取密闭环境下的鱼类数据和水体数据。
所述鱼类数据包括每种鱼类的耗氧速率、窒息点和平均体重，所述水体数据包括溶解氧浓度和水温，所述窒息点为鱼类开始出现死亡时对应的溶解氧浓度值。
本实施例对不同的水体及水体中的鱼类进行了检测，获取了两大组数据信息。第一组数据信息包括耗氧速率、溶解氧、平均体重、水温、pH值和盐度等参数，如表1所示；第二组数据信息包括窒息点、平均体重、水温、pH值和盐度，如表2所示。
参见表1，在测定水体中鱼类耗氧速率时，是将鱼放置于密闭环境中，持续测量耗氧速率，直至鱼类死亡，此过程既包括非缺氧环境的鱼类耗氧速率，也包括缺氧环境鱼类耗氧速率。表1包括鲤鱼、黄颡鱼等共11种鱼的271组数据，其中每一组数据均包含了耗氧速率、溶解氧浓度、平均体重、水温四个参数，盐度和pH分别仅有114、71条有效记录，平均耗氧速率为0.20mg/g/h，最大、最小耗氧速率分别为1.92mg/g/h、0.01mg/g/h，实验鱼平均体重(湿重)为61.82g，最大体重为850.12g(鲢鱼)，最小体重为0.05g(大黄鱼鱼苗)，水环境温度最低7摄氏度，最高32摄氏度。由于数据既包括部分非缺氧耗氧过程，也包括窒息缺氧过程，因此数据组中的溶解氧浓度包括了部分较高的数据11.90mg/l，实验记录最低溶解氧为0.32mg/l。
表1
当窒息缺氧过程持续，鱼类开始出现死亡，此时的溶解氧浓度称之为窒息点，窒息点是表征损失的关键，参见表2，表2包括草鱼、鲤鱼、鲢鱼等60多种鱼共258组窒息点数据，既包括窒息点也包括鱼平均体重、实验水温、pH、盐度等，其中最大窒息点为条石鲷4.8mg/l，最小窒息点为湘云鲫0.99mg/l，平均体重为73.35g，最大的实验鱼为600g，最小0.025g，实验水温最高34摄氏度，最低2摄氏度，所有实验均记录了窒息点、平均体重、水温三个参数，而盐度和pH的信息不全，分别只有100和67组。
表2
步骤S2：依据所述耗氧速率、所述平均体重、所述溶解氧浓度和所述水温建立耗氧速率预测模型。
具体包括：
利用所述平均体重、所述溶解氧浓度和所述水温建立初步耗氧速率预测模型，所述初步耗氧速率预测模型为
其中w表示平均体重，DO表示溶解氧浓度，T表示水温，Tref、α、β、γ和θ1为第一待估计参数，Tref表示水温的参考值，本实施例中设置为25摄氏度，α表示初步耗氧速率预测模型中的平均体重指数，β表示初步耗氧速率预测模型中的溶解氧浓度指数，γ表示初步耗氧速率预测模型中的常数，θ1表示初步耗氧速率预测模型中水温的修正因子；
依据所述耗氧速率，建立第一似然估计函数；
依据所述第一似然估计函数，计算所述初步耗氧速率预测模型的第一赤池信息准则数值
L1表示第一似然估计函数，K1表示第一待估计参数的个数，nobs1表示获取耗氧速率的样本的数据个数，其中
i表示样本的编号，fi(wi,DOi,Ti)为第i个样本的耗氧速率，fobj-i为第i个样本的耗氧速率值，N为获取耗氧速率的样本子集的数据个数，σ1为服从对数正态分布的残差分布参数，σ2为服从正态分布的残差分布参数；
将所述第一赤池信息准则数值最小时对应的第一待估计参数确定为所述初步耗氧速率预测模型中的第一待估计参数；
将确定所述第一待估计参数后的初步耗氧速率预测模型确立为耗氧速率预测模型。
步骤S3：建立非鱼氧平衡模型。
所述非鱼氧平衡模型实依据大气复氧量、水生植物光合作用产氧量和呼吸耗氧量、过饱和水体溶解氧溢出量、水体呼吸耗氧量和底泥呼吸耗氧量建立的。
步骤S4：利用所述耗氧速率预测模型和所述非鱼氧平衡模型建立溶解氧浓度动态模型。
所述溶解氧浓度动态模型，具体为：
其中，
表示预设时间内溶解氧浓度的动态轨迹，F0表示非鱼氧平衡模型，F1,k(DO,wk,T)表示第k类体重的鱼对应的耗氧速率预测模型，P表示水体中鱼体重的类别数。
当所述溶解氧浓度动态模型在初始时刻，即t＝0时，系统状态为
＜t0＝0,DO(0)＝DO0,nk(0)＝n0,k,k＝1......P＞
步骤S5：依据所述窒息点、所述平均体重和所述水温建立窒息点预测模型。
具体包括：
利用所述平均体重和所述水温建立初步窒息点预测模型，所述初步窒息点预测模型为
其中，w表示平均体重，T表示水温，Tref、αs、γs和θ4为第二待估计参数，Tref表示水温的参考值，αs表示初步窒息点预测模型中的平均体重指数，γs表示初步窒息点预测模型中的常数，θ4表示初步窒息点预测模型中水温的修正因子；
依据所述窒息点，建立第二似然估计函数；
依据所述第二似然估计函数，计算所述初步窒息点预测模型的第二赤池信息准则数值
L2表示第二似然估计函数，K2表示第一待估计参数的个数，nobs2表示获取窒息点的样本的数据个数，其中
i表示样本的编号，Spi(wi,Ti)为第i个样本的窒息点，fobj-i为第i个样本的窒息点值，M为获取窒息点的样本子集的数据个数，σ3为服从对数正态分布的残差分布参数，σ4为服从正态分布的残差分布参数；
将所述第二赤池信息准则数值最小时对应的第二待估计参数确定为所述初步窒息点预测模型中的第二待估计参数；
将确定所述第二待估计参数后的初步窒息点预测模型确立为窒息点预测模型。
步骤S6：利用所述溶解氧浓度动态模型在预设时间内对待预测水体的溶解氧浓度的动态轨迹进行预测。
所述溶解氧浓度的动态轨迹是由所述预设时间内多个不同时刻的溶解氧浓度值构成的。
步骤S7：利用所述窒息点预测模型在所述预设时间内对所述待预测水体中鱼类的窒息点进行预测，得到多个窒息点预测值。
不同的所述窒息点预测值对应不同的体重。
步骤S8：判断所述窒息点预测值是否小于或等于所述溶解氧浓度的动态轨迹中最小的溶解氧浓度值。
若是，则执行步骤S9。步骤S9：确定所述待预测水体中的鱼类不存在窒息死亡风险。
若否，则执行步骤S10。步骤S10：确定大于所述最小的溶解氧浓度值的窒息点预测值对应的体重的鱼类存在窒息死亡风险。
本发明在步骤S1能够获得足够多的pH和盐度信息的情况下，还可以建立如下形式的初步耗氧速率预测模型
其中，θ2表示初步耗氧速率预测模型中pH的修正因子，θ3表示初步耗氧速率预测模型中盐度的修正因子，pHref表示pH的参考值，Salref表示盐度的参考值，pHref可设定为7，Salref可设定为35‰。
本发明还可建立如下形式的初步窒息点预测模型
其中，θ5表示初步窒息点预测模型中pH的修正因子，θ3表示初步耗窒息点预测模型中盐度的修正因子。
下面介绍在实际应用中的一个具体的实施过程。分别以太湖流域典型湖泊、鱼塘以及闽江流域古田水库网箱养殖为例，分别构建极端天气情景下水生生态和渔业养殖案例，分别分析在两种天气情景下鱼类生态风险，对本发明鱼类窒息死亡风险的确定方法予以说明。
主要包括以下几个部分：构造基本参数、非鱼(如水生植物、微生物、微小动物等)的氧气平衡过程、鱼类耗氧过程以及窒息点预测模型的确定、考虑鱼类呼吸代谢的溶解氧浓度动态模型、生态风险表征或者损失计算。
1、构造基本参数
1)水体参数
情景1为持续强降雨天气情景，以9月下旬太湖水域为例，记为实施例1，此时间段内太湖流域经历了长达7日的强降雨，该时期内的气象参数分别来源于公家科学气象数据共享服务平台，根据历年《太湖健康状况报告》，设定总氮、总磷浓度，海拔以太湖东山为标准，取10m。太湖水体平均水深1.9m，最大水深4m，此处取1.5m。并记录气温、辐射等日变化。
情景2设定为极端天气情景，以2017年7月末～8月初福建古田水库黄颡鱼养殖为例，记为实施例2，此时间段内我国东南沿海的福建、台湾、浙江受到了2017年第9号台风纳沙和第10号台风海棠的影响，该时期内的气象、水质参数分别来源于国家科学气象数据共享服务平台、福建省环保厅。古田水库的渔业养殖主要以网箱养殖为主，网箱高2～3m，此情景取水深2m，2011年网箱数量达到2万个。该水库总氮浓度超标严重，凤眼莲等漂浮植物大面积生长。
两个情景均设定是淡水环境，水体盐度取0，正常水体中，浮游植物覆盖率不高，太湖水域夏季水华爆发时期浮游植物覆盖率可高达50％，参考2016年太湖健康状况报告，实施例1中植被覆盖度设为20％，而在网箱养殖中，由于构筑物的阻隔，浮游植物的覆盖率很小，实施例2中均植物覆盖度取0％。
古田地区的主要养殖鱼类分别为匙吻鲟、黄颡鱼、草鱼等，草鱼养殖中既有混养模式，也有单独养殖模型，实施例2中选取1公顷的养殖面积，设定了匙吻鲟养殖参数；而太湖鱼类生态系统包括鱼种类繁多，鳙鱼、鲢鱼、草鱼等较多，实施例2旨在通过评估极端气候条件对鱼类生态系统的风险大小，因此不考虑养殖情景，仅考虑自然水环境中鱼类种群。
2)鱼体重分布函数
实施例1鱼种群密度分布为w～N(300,100)，实施例2匙吻鲟密度分布为w～N(300,20)，根据两种体重分布函数可随机生成体重分布频率图，由体重分布频率图可以得到，实施例1和实施例1中鱼体重期望值均为300g。
3)气象参数
实施例1和2中的气象参数主要来源国家科学气象数据共享服务平台，实施例1中的数据起始为2017年9月17日0点，截止时间为2017年9月27日，共计11天，9月19日至25日持续降雨，其中24日出现持续暴雨过程。实施例2中的数据起始为2017年7月27日0点，截止时间为8月4日23时，持续216小时。第9号台风纳沙登录福建福清的时间为7月30日6时，10号台风海棠登录福建时间7月31日2时50分。在该时间段内，低气压、低气温、低辐射、强降雨持续3～4天。
2、非鱼氧平衡过程
水环境中氧气的平衡影响因素很多，既包括水生植物、微生物、微小动物等呼吸消耗过程，也包括了大气复氧、水生植物光合作用等产氧过程。本发明将非鱼类活动造成的氧气平衡过程归纳为：大气复氧、水生植物光合作用和呼吸作用、水体呼吸耗氧、底泥呼吸耗氧、过饱和水体的溶解氧溢出五个环节。
1)大气复氧过程
由于空气和水中氧气浓度差，大气中的氧气会通过水气交换进入水中，从而使得水中氧气浓度增加，适用于海湾、湖泊、水库、水塘型水体的大气复氧量计算如下
其中，
Ka＝Kw+Kp-0.047KwKp，
Kp＝2.245×10-5(2390+0.103Z)j1.26θT-20H-1，
Ka、Kp、Kw均为复氧系数，DOs表示饱和溶解氧浓度，DO表示实际水环境的溶解氧浓度，Z表示水体海拔高度，j表示降雨强度，θ表示温度修正因子，取1.024，H表示有效水深，u10表示水面10m处的风速。
2)水生植物光合作用和呼吸作用
由浮游植物、着生藻类、水生维管束植物和自养细菌构成的水生植物的光合作用是水环境中净初级生产力的主要来源，浮游植物(藻类)是主要原初生产者，藻类呼吸耗氧量为产氧量的10％，但是滞后3小时，计算公式如下
其中，
Pr＝0.1*[P(T,I,N,P),滞后3小时]，
P表示单位叶绿素产氧量；Pr表示呼吸作用耗氧量；Nit为溶解态总氮；Pho为溶解性总磷，；I为光照强度。
3)水体呼吸、底泥耗氧过程、过饱和水体的溶解氧溢出
水呼吸(WCR:watercolumnrespiration)是指除上述两个过程以及底泥呼吸过程之外，水体中的氧气消耗过程。该过程受到多种因素影响，本发明在考虑温度影响后，得到的水体呼吸耗氧计算公式为
WCR＝(0.0418DO+0.402)1.049T-19.4
WCR表示水体呼吸耗氧速率。
底泥耗氧量计算公式为
SOD表示单位面积底泥呼吸耗氧速率。
过饱和水体释氧的计算公式为
EDO＝(0.362v0.785+0.136)·1.038(T-20)·(DO-DOs)
EDO表示单位实际过饱和水体溢出溶解氧浓度；v为水流速度。
4)饱和溶解氧和水温
饱和溶解氧量的计算公式如下
其中，
Pwv＝exp[11.8571-3840.7/T-216.961/T2]
θ＝0.000975-1.426×10-5t+6.436×10-8t2
Pre为大气压强；Cs*表示标注大气压下的溶解氧浓度；Pwv为水蒸气分压；SAL为水体盐度；θ为温度系数；t＝T-273.16；A、B分别为常数，A0＝-139.34411，A1＝1.575701×105，A2＝-6.642308×107，A3＝1.2438×1010，A4＝-8.621949×1011，B0＝1.7674×10-2，B1＝-1.0754×101，B2＝2.1407×103。
水温的计算公式为T＝0.667Tair+4.11，其中Tair表示气温。
3、耗氧速率预测模型和窒息点预测模型的建立在密闭环境中，鱼类耗氧过程包括非缺氧环境的耗氧和缺氧环境的耗氧两个过程，非缺氧环境的耗氧速率预测模型为
MRf＝0.406w-0.1981.054T-25
缺氧环境的耗氧速率预测模型为
MRfD＝0.233w-0.2061.054T-25DO0.437。
依据非缺氧环境的耗氧速率预测模型和缺氧环境的耗氧速率预测模型计算鱼类耗氧量时，令MRf＝MRfD，求得对应的溶解氧浓度，即为Pcrit，当溶解氧浓度大于Pcrit时，代谢速率计算采用MRf，当溶解氧浓度小于Pcrit时，代谢速率计算采用MRfD。所以鱼类耗氧函数为下式
MR为单位面积鱼类耗氧量；fn(w)为鱼体重分布概率密度函数；Den为养殖密度。
窒息点预测模型为
SP(w,T)＝1.375w-0.2560.983T-25。
在实施例1和2中均展示了10g、50g、100g、500g四种不同体重大小的鱼的窒息点，分别记为SP10、SP50、SP100、SP500。
4、溶解氧浓度动态模型的建立
溶解氧浓度动态模型为
以1小时为时间间隔，计算时间序列上溶解氧的浓度变化，实施例1溶解氧变化曲线如图2所示，实施例2溶解氧变化曲线如图3所示。
图2和图3均包含两幅子图，图2(a)和图3(a)分别表示实施例1和实施例2中溶解氧浓度在水深方向的时间序列等值线图，可以发现水深越深溶解氧浓度越低，在极端气象情景下溶解氧浓度会呈现一致的下降。如图3(a)中72～148小时阶段。图2(b)和图3(b)分别表示实施例1和实施例2中平均溶解氧浓度以及不同体重鱼的窒息点随时间的变化曲线图，可以发现，小鱼的窒息点均高于较大体重的鱼，并且在实施例1、2中均发生了水环境平均溶解氧浓度小于10g鱼的窒息点，在实施例2中尤为严重，如图3(b)中96～120h阶段。
实施例1对太湖地区11天的水环境模拟结果表明，在强降雨之前往往由于天气炎热，会造成水环境溶解氧浓度较低，模拟结果很好的体现了这一现象。9月24日强降雨导致24日夜间至25日8时，水环境溶解氧浓度持续降低，共出现6个时间段内溶解氧评价浓度小于10g鱼的窒息点浓度，如表3所示。
实施例2对台风发生前后10天的溶解氧模拟结果表明，共8个时间段内溶解氧平均浓度小于50g鱼的窒息点浓度，如表4所示。
表3
表4
表3中9月21～22日、25～26日出现两次较为严重的缺氧情况，以第二个时间段为例，取该时间段内的24小时数据(9月25日16时～26日15时)根据模拟出环境平均溶解氧浓度和窒息点公式，反算该溶解氧浓度下受影响的鱼类最小体重，结果如图4所示，该结果表明，模拟缺氧情景最开始只有小体重的鱼受到影响，随着平均溶解氧浓度的降低，更大的鱼受到影响，在9月26日凌晨6点缺氧情况最严重，随后缺氧情况减弱，受到影响的最大体重为50.79g，记为w1。
表4中以持续5小时低氧为研究对象，同样取包含该时间区段在内的24小时数据(7月30日17时至31日16时)，结果如图5所示，该结果表明，在7月31日凌晨6点缺氧情况最严重，随后缺氧情况减弱，受到影响的最大体重为306.31g，记为w2。
综合表1和表2的结果可知，在水环境平均溶解氧浓度变化的过程中，不同体重大小的鱼受到的缺氧胁迫时间不相同，实施例1和2低氧胁迫结果分别如图6、图7所示，实施例2中300g的鱼低氧胁迫持续0.1小时，而10g的鱼持续9.3小时。
5、生态风险评价和渔业损失估计
当水环境溶解氧浓度小于窒息点时，鱼类会表现出呼吸频率加快、侧卧等症状，此时如果将鱼放入氧气充足的水中，鱼类又会“复活”。本发明假设当水环境溶解氧浓度小于某一体重鱼类窒息点的持续时间超过10分钟，即造成不可逆的死亡过程。基于上述假设，对实施例1和2中特定的严重缺氧过程予以分析，实施例1和2中中鱼类死亡的最大体重分别为50.27、297.16g，分别记为w1a、w2a，分别小于w1＝50.79、w2＝306.31g。
生态风险评价：实施例1中不区分鱼种，在一次严重缺氧过程中，所有小于50.27g的鱼受到了严重缺氧胁迫而死亡。此结果为水生生态风险评价提供了精确的判别标准。
渔业损失评估：基于案例2中的7月30日17时至31日16时共24小时可能造成的鱼类死亡比例以及潜在的损失予以估计，潜在的经济损失计算公式如下：
Nloss＝Den·Area·F(w2)·Price·Aw
其中，
上式中，w2＝297.17，μ＝300，σ＝20，计算可知，F(w2)＝0.4437，即44.37％的鱼会死亡，实施例2中匙吻鲟潜在损失可能高达46.59万元。
本实施例中的鱼类窒息死亡风险的确定方法，通过优化出一套跨不同鱼种的、以体重为指标的溶解氧浓度动态模型和窒息点预测模型，使得实际水环境中不同鱼类的窒息过程演进过程以及每个伴随该过程的处于死亡胁迫下的鱼类占比成为可能，实现了对水体缺氧条件下不同鱼种面临不同程度窒息死亡胁迫时的死亡风险进的确定，且可靠性高。
在鱼的养殖领域，不同鱼的混养也是常见的，当养殖水体共同经历缺氧过程时，本发明优化出的模型能够通用的模拟出不同体重的鱼(无关种类)在缺氧动态过程中呼吸代谢的动态变化的同时，模拟出受窒息死亡胁迫的鱼的比例的逐步扩大过程。因此，只需简单的将鱼的经济价值与鱼个体或生物量的死亡风险相乘，即可获知该缺氧过程所导致的由于鱼可能死亡而产生的经济损失风险的上界。这对于提前预知缺氧损失并采取合理防范措施很有裨益。
本发明还提供了一种鱼类窒息死亡风险的确定系统，图8为本发明实施例一种鱼类窒息死亡风险的确定系统的结构示意图。
参见图8，实施例的鱼类窒息死亡风险的确定系统包括：
数据获取模块801，用于获取密闭环境下的鱼类数据和水体数据，所述鱼类数据包括每种鱼类的耗氧速率、窒息点和平均体重，所述水体数据包括溶解氧浓度和水温，所述窒息点为鱼类开始出现死亡时对应的溶解氧浓度值。
耗氧速率模型建立模块802，用于依据所述耗氧速率、所述平均体重、所述溶解氧浓度和所述水温建立耗氧速率预测模型。
所述耗氧速率模型建立模块802，具体包括：
第一初步模型建立单元，用于利用所述平均体重、所述溶解氧浓度和所述水温建立初步耗氧速率预测模型，所述初步耗氧速率预测模型为
其中w表示平均体重，DO表示溶解氧浓度，T表示水温，Tref、α、β、γ和θ1为第一待估计参数，Tref表示水温的参考值，α表示初步耗氧速率预测模型中的平均体重指数，β表示初步耗氧速率预测模型中的溶解氧浓度指数，γ表示初步耗氧速率预测模型中的常数，θ1表示初步耗氧速率预测模型中水温的修正因子；
第一参数确定单元，用于依据所述耗氧速率，采用似然函数估计法确定所述初步耗氧速率预测模型中的第一待估计参数；
耗氧速率模型确立单元，用于将确定所述第一待估计参数后的初步耗氧速率预测模型确立为耗氧速率预测模型；
所述第一参数确定单元，具体包括：
第一函数建立子单元，用于依据所述耗氧速率，建立第一似然估计函数；
第一计算子单元，用于依据所述第一似然估计函数，计算所述初步耗氧速率预测模型的第一赤池信息准则数值
L1表示第一似然估计函数，K1表示第一待估计参数的个数，nobs1表示获取耗氧速率的样本的数据个数，其中
i表示样本的编号，fi(wi,DOi,Ti)为第i个样本的耗氧速率，fobj-i为第i个样本的耗氧速率值，N为获取耗氧速率的样本子集的数据个数，σ1为服从对数正态分布的残差分布参数，σ2为服从正态分布的残差分布参数；
第一确定子单元，用于将所述第一赤池信息准则数值最小时对应的第一待估计参数确定为所述初步耗氧速率预测模型中的第一待估计参数。
非鱼氧模型建立模块803，用于依据大气复氧量、水生植物光合作用产氧量和呼吸耗氧量、过饱和水体溶解氧溢出量、水体呼吸耗氧量和底泥呼吸耗氧量建立非鱼氧平衡模型。
溶解氧模型建立模块804，用于利用所述耗氧速率预测模型和所述非鱼氧平衡模型建立溶解氧浓度动态模型。所述溶解氧浓度动态模型，具体为：
其中，
表示预设时间内溶解氧浓度的动态轨迹，F0表示非鱼氧平衡模型，F1,k(DO,wk,T)表示第k类体重的鱼对应的耗氧速率预测模型，P表示水体中鱼体重的类别数。
窒息点模型建立模块805，用于依据所述窒息点、所述平均体重和所述水温建立窒息点预测模型。
所述窒息点模型建立模块805，具体包括：
第二初步模型建立单元，用于利用所述平均体重和所述水温建立初步窒息点预测模型，所述初步窒息点预测模型为
其中，w表示平均体重，T表示水温，Tref、αs、γs和θ4为第二待估计参数，Tref表示水温的参考值，αs表示初步窒息点预测模型中的平均体重指数，γs表示初步窒息点预测模型中的常数，θ4表示初步窒息点预测模型中水温的修正因子；
第二参数确定单元，用于依据所述窒息点，采用似然函数估计法确定所述初步窒息点预测模型中的第二待估计参数；
窒息点模型确立单元，用于将确定所述第二待估计参数后的初步窒息点预测模型确立为窒息点预测模型；
所述第二参数确定单元，具体包括：
第二函数建立子单元，用于依据所述窒息点，建立第二似然估计函数；
第二计算子单元，用于依据所述第二似然估计函数，计算所述初步窒息点预测模型的第二赤池信息准则数值
L2表示第二似然估计函数，K2表示第一待估计参数的个数，nobs2表示获取窒息点的样本的数据个数，其中
i表示样本的编号，Spi(wi,Ti)为第i个样本的窒息点，fobj-i为第i个样本的窒息点值，M为获取窒息点的样本子集的数据个数，σ3为服从对数正态分布的残差分布参数，σ4为服从正态分布的残差分布参数；
第二确定子单元，用于将所述第二赤池信息准则数值最小时对应的第二待估计参数确定为所述初步窒息点预测模型中的第二待估计参数。
第一预测模块806，用于利用所述溶解氧浓度动态模型在预设时间内对待预测水体的溶解氧浓度的动态轨迹进行预测，所述溶解氧浓度的动态轨迹是由所述预设时间内多个不同时刻的溶解氧浓度值构成的。
第二预测模块807，用于利用所述窒息点预测模型在所述预设时间内对所述待预测水体中鱼类的窒息点进行预测，得到多个窒息点预测值，不同的所述窒息点预测值对应不同的体重。
判断模块808，用于判断所述窒息点预测值是否小于或等于所述溶解氧浓度的动态轨迹中最小的溶解氧浓度值；若是，则确定所述待预测水体中的鱼类不存在窒息死亡风险；若否，则确定大于所述最小的溶解氧浓度值的窒息点预测值对应的体重的鱼类存在窒息死亡风险。
本实施例中的鱼类窒息死亡风险的确定系统，能够确定水体缺氧条件下不同鱼种的死亡风险，且可靠性高。
本说明书中对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种鱼类窒息死亡风险的确定方法，其特征在于，包括：
获取密闭环境下的鱼类数据和水体数据，所述鱼类数据包括每种鱼类的耗氧速率、窒息点和平均体重，所述水体数据包括溶解氧浓度和水温，所述窒息点为鱼类开始出现死亡时对应的溶解氧浓度值；
依据所述耗氧速率、所述平均体重、所述溶解氧浓度和所述水温建立耗氧速率预测模型；
依据大气复氧量、水生植物光合作用产氧量和呼吸耗氧量、过饱和水体溶解氧溢出量、水体呼吸耗氧量和底泥呼吸耗氧量建立非鱼氧平衡模型；
利用所述耗氧速率预测模型和所述非鱼氧平衡模型建立溶解氧浓度动态模型；
依据所述窒息点、所述平均体重和所述水温建立窒息点预测模型；
利用所述溶解氧浓度动态模型在预设时间内对待预测水体的溶解氧浓度的动态轨迹进行预测，所述溶解氧浓度的动态轨迹是由所述预设时间内多个不同时刻的溶解氧浓度值构成的；
利用所述窒息点预测模型在所述预设时间内对所述待预测水体中鱼类的窒息点进行预测，得到多个窒息点预测值，不同的所述窒息点预测值对应不同的体重；
判断所述窒息点预测值是否小于或等于所述溶解氧浓度的动态轨迹中最小的溶解氧浓度值；
若是，则确定所述待预测水体中的鱼类不存在窒息死亡风险；
若否，则确定大于所述最小的溶解氧浓度值的窒息点预测值对应的体重的鱼类存在窒息死亡风险。
2.根据权利要求1所述的一种鱼类窒息死亡风险的确定方法，其特征在于，所述依据所述耗氧速率、所述平均体重、所述溶解氧浓度和所述水温建立耗氧速率预测模型，具体包括：
利用所述平均体重、所述溶解氧浓度和所述水温建立初步耗氧速率预测模型，所述初步耗氧速率预测模型为
其中w表示平均体重，DO表示溶解氧浓度，T表示水温，Tref、α、β、γ和θ1为第一待估计参数，Tref表示水温的参考值，α表示初步耗氧速率预测模型中的平均体重指数，β表示初步耗氧速率预测模型中的溶解氧浓度指数，γ表示初步耗氧速率预测模型中的常数，θ1表示初步耗氧速率预测模型中水温的修正因子；
依据所述耗氧速率，采用似然函数估计法确定所述初步耗氧速率预测模型中的第一待估计参数；
将确定所述第一待估计参数后的初步耗氧速率预测模型确立为耗氧速率预测模型。
3.根据权利要求2所述的一种鱼类窒息死亡风险的确定方法，其特征在于，所述依据所述耗氧速率，采用似然函数估计法确定所述初步耗氧速率预测模型中的第一待估计参数，具体包括：
依据所述耗氧速率，建立第一似然估计函数；
依据所述第一似然估计函数，计算所述初步耗氧速率预测模型的第一赤池信息准则数值
L1表示第一似然估计函数，K1表示第一待估计参数的个数，nobs1表示获取耗氧速率的样本的数据个数，其中
i表示样本的编号，fi(wi,DOi,Ti)为第i个样本的耗氧速率，fobj-i为第i个样本的耗氧速率值，N为获取耗氧速率的样本子集的数据个数，σ1为服从对数正态分布的残差分布参数，σ2为服从正态分布的残差分布参数；
将所述第一赤池信息准则数值最小时对应的第一待估计参数确定为所述初步耗氧速率预测模型中的第一待估计参数。
4.根据权利要求1所述的一种鱼类窒息死亡风险的确定方法，其特征在于，所述依据所述窒息点、所述平均体重和所述水温建立窒息点预测模型，具体包括：
利用所述平均体重和所述水温建立初步窒息点预测模型，所述初步窒息点预测模型为
其中，w表示平均体重，T表示水温，Tref、αs、γs和θ4为第二待估计参数，Tref表示水温的参考值，αs表示初步窒息点预测模型中的平均体重指数，γs表示初步窒息点预测模型中的常数，θ4表示初步窒息点预测模型中水温的修正因子；
依据所述窒息点，采用似然函数估计法确定所述初步窒息点预测模型中的第二待估计参数；
将确定所述第二待估计参数后的初步窒息点预测模型确立为窒息点预测模型。
5.根据权利要求4所述的一种鱼类窒息死亡风险的确定方法，其特征在于，所述依据所述窒息点，采用似然函数估计法确定所述初步窒息点预测模型中的第二待估计参数，具体包括：
依据所述窒息点，建立第二似然估计函数；
依据所述第二似然估计函数，计算所述初步窒息点预测模型的第二赤池信息准则数值
L2表示第二似然估计函数，K2表示第一待估计参数的个数，nobs2表示获取窒息点的样本的数据个数，其中
i表示样本的编号，Spi(wi,Ti)为第i个样本的窒息点，fobj-i为第i个样本的窒息点值，M为获取窒息点的样本子集的数据个数，σ3为服从对数正态分布的残差分布参数，σ4为服从正态分布的残差分布参数；
将所述第二赤池信息准则数值最小时对应的第二待估计参数确定为所述初步窒息点预测模型中的第二待估计参数。
6.根据权利要求1所述的一种鱼类窒息死亡风险的确定方法，其特征在于，所述溶解氧浓度动态模型，具体为：
其中，
表示预设时间内溶解氧浓度的动态轨迹，F0表示非鱼氧平衡模型，F1,k(DO,wk,T)表示第k类体重的鱼对应的耗氧速率预测模型，P表示水体中鱼体重的类别数。
7.一种鱼类窒息死亡风险的确定系统，其特征在于，包括：
数据获取模块，用于获取密闭环境下的鱼类数据和水体数据，所述鱼类数据包括每种鱼类的耗氧速率、窒息点和平均体重，所述水体数据包括溶解氧浓度和水温，所述窒息点为鱼类开始出现死亡时对应的溶解氧浓度值；
耗氧速率模型建立模块，用于依据所述耗氧速率、所述平均体重、所述溶解氧浓度和所述水温建立耗氧速率预测模型；
非鱼氧模型建立模块，用于依据大气复氧量、水生植物光合作用产氧量和呼吸耗氧量、过饱和水体溶解氧溢出量、水体呼吸耗氧量和底泥呼吸耗氧量建立非鱼氧平衡模型；
溶解氧模型建立模块，用于利用所述耗氧速率预测模型和所述非鱼氧平衡模型建立溶解氧浓度动态模型；
窒息点模型建立模块，用于依据所述窒息点、所述平均体重和所述水温建立窒息点预测模型；
第一预测模块，用于利用所述溶解氧浓度动态模型在预设时间内对待预测水体的溶解氧浓度的动态轨迹进行预测，所述溶解氧浓度的动态轨迹是由所述预设时间内多个不同时刻的溶解氧浓度值构成的；
第二预测模块，用于利用所述窒息点预测模型在所述预设时间内对所述待预测水体中鱼类的窒息点进行预测，得到多个窒息点预测值，不同的所述窒息点预测值对应不同的体重；
判断模块，用于判断所述窒息点预测值是否小于或等于所述溶解氧浓度的动态轨迹中最小的溶解氧浓度值；若是，则确定所述待预测水体中的鱼类不存在窒息死亡风险；若否，则确定大于所述最小的溶解氧浓度值的窒息点预测值对应的体重的鱼类存在窒息死亡风险。
8.根据权利要求7所述的一种鱼类窒息死亡风险的确定系统，其特征在于，所述耗氧速率模型建立模块，具体包括：
第一初步模型建立单元，用于利用所述平均体重、所述溶解氧浓度和所述水温建立初步耗氧速率预测模型，所述初步耗氧速率预测模型为
其中w表示平均体重，DO表示溶解氧浓度，T表示水温，Tref、α、β、γ和θ1为第一待估计参数，Tref表示水温的参考值，α表示初步耗氧速率预测模型中的平均体重指数，β表示初步耗氧速率预测模型中的溶解氧浓度指数，γ表示初步耗氧速率预测模型中的常数，θ1表示初步耗氧速率预测模型中水温的修正因子；
第一参数确定单元，用于依据所述耗氧速率，采用似然函数估计法确定所述初步耗氧速率预测模型中的第一待估计参数；
耗氧速率模型确立单元，用于将确定所述第一待估计参数后的初步耗氧速率预测模型确立为耗氧速率预测模型；
所述第一参数确定单元，具体包括：
第一函数建立子单元，用于依据所述耗氧速率，建立第一似然估计函数；
第一计算子单元，用于依据所述第一似然估计函数，计算所述初步耗氧速率预测模型的第一赤池信息准则数值
L1表示第一似然估计函数，K1表示第一待估计参数的个数，nobs1表示获取耗氧速率的样本的数据个数，其中
i表示样本的编号，fi(wi,DOi,Ti)为第i个样本的耗氧速率，fobj-i为第i个样本的耗氧速率值，N为获取耗氧速率的样本子集的数据个数，σ1为服从对数正态分布的残差分布参数，σ2为服从正态分布的残差分布参数；
第一确定子单元，用于将所述第一赤池信息准则数值最小时对应的第一待估计参数确定为所述初步耗氧速率预测模型中的第一待估计参数。
9.根据权利要求7所述的一种鱼类窒息死亡风险的确定系统，其特征在于，所述窒息点模型建立模块，具体包括：
第二初步模型建立单元，用于利用所述平均体重和所述水温建立初步窒息点预测模型，所述初步窒息点预测模型为
其中，w表示平均体重，T表示水温，Tref、αs、γs和θ4为第二待估计参数，Tref表示水温的参考值，αs表示初步窒息点预测模型中的平均体重指数，γs表示初步窒息点预测模型中的常数，θ4表示初步窒息点预测模型中水温的修正因子；
第二参数确定单元，用于依据所述窒息点，采用似然函数估计法确定所述初步窒息点预测模型中的第二待估计参数；
窒息点模型确立单元，用于将确定所述第二待估计参数后的初步窒息点预测模型确立为窒息点预测模型；
所述第二参数确定单元，具体包括：
第二函数建立子单元，用于依据所述窒息点，建立第二似然估计函数；
第二计算子单元，用于依据所述第二似然估计函数，计算所述初步窒息点预测模型的第二赤池信息准则数值
L2表示第二似然估计函数，K2表示第一待估计参数的个数，nobs2表示获取窒息点的样本的数据个数，其中
i表示样本的编号，Spi(wi,Ti)为第i个样本的窒息点，fobj-i为第i个样本的窒息点值，M为获取窒息点的样本子集的数据个数，σ3为服从对数正态分布的残差分布参数，σ4为服从正态分布的残差分布参数；
第二确定子单元，用于将所述第二赤池信息准则数值最小时对应的第二待估计参数确定为所述初步窒息点预测模型中的第二待估计参数。
10.根据权利要求7所述的一种鱼类窒息死亡风险的确定系统，其特征在于，所述溶解氧模型建立模块建立的所述溶解氧浓度动态模型，具体为：
其中，
表示预设时间内溶解氧浓度的动态轨迹，F0表示非鱼氧平衡模型，F1,k(DO,wk,T)表示第k类体重的鱼对应的耗氧速率预测模型，P表示水体中鱼体重的类别数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810338327.8A CN108668962B (zh) | 2018-04-16 | 2018-04-16 | 一种鱼类窒息死亡风险的确定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810338327.8A CN108668962B (zh) | 2018-04-16 | 2018-04-16 | 一种鱼类窒息死亡风险的确定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108668962A CN108668962A (zh) | 2018-10-19 |
| CN108668962B true CN108668962B (zh) | 2020-08-07 |
Family
ID=63800201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810338327.8A Active CN108668962B (zh) | 2018-04-16 | 2018-04-16 | 一种鱼类窒息死亡风险的确定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108668962B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6999137B2 (ja) | 2019-08-20 | 2022-01-18 | 株式会社カサイ | 養殖池用水質管理装置及び方法 |
| CN111567476B (zh) * | 2020-05-20 | 2021-09-28 | 山东青年政治学院 | 一种充氧量确定方法及装置 |
| CN113066278B (zh) * | 2021-06-03 | 2021-09-07 | 广东省农业科学院动物科学研究所 | 一种水产养殖水质监控方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004139430A (ja) * | 2002-10-18 | 2004-05-13 | Fisheries Research Agency | 浮魚の群れサイズ分布のシミュレーション方法、そのためのプログラム及びそのプログラムを記録したコンピュータ読み取り可能な記録媒体 |
| US9386951B2 (en) * | 2010-03-10 | 2016-07-12 | Universidad De Valladolid | Method and apparatus for monitoring sleep apnea severity |
| CN103975881B (zh) * | 2014-05-12 | 2016-08-31 | 中国水产科学研究院黑龙江水产研究所 | 一种鱼类耗氧率和窒息点测量装置 |
| CN105528651A (zh) * | 2015-12-01 | 2016-04-27 | 中国水产科学研究院南海水产研究所 | 一种基于数据挖掘技术的深水网箱养殖鱼类生长预测方法 |
| CN206413603U (zh) * | 2017-01-09 | 2017-08-18 | 铜仁学院 | 一种鱼类耗氧率和窒息点测定装置 |
| CN107169621A (zh) * | 2017-04-01 | 2017-09-15 | 中国农业大学 | 一种水体溶解氧预测方法及装置 |
-
2018
- 2018-04-16 CN CN201810338327.8A patent/CN108668962B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108668962A (zh) | 2018-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kemp et al. | Eutrophication of Chesapeake Bay: historical trends and ecological interactions | |
| Maricle et al. | Aerenchyma development and oxygen transport in the estuarine cordgrasses Spartina alterniflora and S. anglica | |
| US6056919A (en) | Method of sequestering carbon dioxide | |
| Haamer | Improving water quality in a eutrophied fjord system with mussel farming | |
| Pollingher | Phytoplankton periodicity in a subtropical lake (Lake Kinneret, Israel) | |
| CN108668962B (zh) | 一种鱼类窒息死亡风险的确定方法及系统 | |
| Lauridsen et al. | Colonization and succession of submerged macrophytes in shallow Lake Væng during the first five years following fish manipulation | |
| Björk et al. | Ecosystem studies in connection with the restoration of lakes: With 7 figures and 2 tables in the text and on 2 folders | |
| Paterson et al. | Changes in the planktonic food web of a new experimental reservoir | |
| Larson et al. | Role of microphytobenthos in recovery of functions in a shallow-water sediment system after hypoxic events | |
| CN111252898A (zh) | 一种浅水湖泊生态系统调控与稳定维持方法 | |
| Allanson et al. | Limnology and fisheries potential of Lake le Roux | |
| Hillbricht-Ilkowska et al. | Nutrient dynamics and retention in land/water ecotones of lowland, temperate lakes and rivers | |
| Heckman | The seasonal succession of biotic communities in wetlands of the tropical wet‐and‐dry climatic zone: I. Physical and chemical causes and biological effects in the Pantanal of Mato Grosso, Brazil | |
| Khan et al. | Physico-chemical and biological aspects of monsoon waters of Ashulia for economic and aesthetic applications: preliminary studies | |
| Lombard et al. | Prediction of ecological niches and carbon export by appendicularians using a new multispecies ecophysiological model | |
| Ibáñez et al. | Coastal marshes | |
| Yoder | Warm-temperate food chains of the southeast shelf ecosystem | |
| CN108492055B (zh) | 一种基于鱼致死函数的鱼死亡风险确定方法及系统 | |
| Wang et al. | Experiments in optimizing simulations of the subsurface chlorophyll maximum in the South China Sea | |
| Wallace et al. | River Murray channel environmental water requirements: Hydrodynamic modelling results and conceptual models | |
| Soulsby | The Effect of a Heavy Cut on the Subsequent Growth of Aquatic Plants in a Hampshire Chalk Stream. | |
| Mandal et al. | Modelling the impact of mangroves on fish population dynamics of Hooghly-Matla estuarine system, West Bengal, India | |
| Anderson et al. | Open-water cultivation of Gracilaria in South Africa: Saldanha Bay or St Helena Bay | |
| Rosch et al. | Nitrogen and phosphorus recycling by a dominant tropical seagrass (Thalassia testudinum) across a nutrient gradient in Florida Bay |
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 |