CN109711590A - 渔业水质分析监测方法、装置和系统 - Google Patents
渔业水质分析监测方法、装置和系统 Download PDFInfo
- Publication number
- CN109711590A CN109711590A CN201711010423.1A CN201711010423A CN109711590A CN 109711590 A CN109711590 A CN 109711590A CN 201711010423 A CN201711010423 A CN 201711010423A CN 109711590 A CN109711590 A CN 109711590A
- Authority
- CN
- China
- Prior art keywords
- water quality
- data
- fishpond
- situation
- model
- 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
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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种渔业水质分析监测方法、装置和系统。该方法包括：根据历史数据构建水质实时分析判断模型，其中历史数据包括历史鱼池数据和历史水质情况，所述水质实时分析判断模型的输入为鱼池数据，所述水质实时分析判断模型的输出为水质情况；获取当前鱼池数据；将当前鱼池数据输入水质实时分析判断模型，确定当前水质情况；显示当前水质情况。本发明通过机器学习模型分析，提前预警鱼池可能存在的异常，可以提供数据指标指导以便养殖户对水进行调优，保证水产在最适合的环境下生长。
Description
技术领域
本发明涉及物联网领域，特别涉及一种渔业水质分析监测方法、装置和系统。
背景技术
“养鱼先养水”，水质对于传统渔业生产有着非常重要的意义，水体里面的溶解氧、PH、氨氮等指标对渔类的生长发育有着决定性的影响。过往养殖户都是靠经验来判断水体的好坏，缺乏量化数据，往往都带有滞后性，只能在出现问题之后再去想办法解决；同时人工监测水体情况，费时费力，经常容易发生事故。因此很多现代化养殖场开始引入各类实时监测设备。
但当前很多养殖场在引入监测设备、提升生产效率的同时，仍存在以下问题：
监测数据没有得到充分利用，仅仅是通过实时数值指导生产(仅当监测值高于或低于限定的阈值时进行相应处理)，例如：当溶氧偏低时使用增氧机加氧，或当PH值偏低时投放小苏打增加水的碱性。
现有方案缺乏对大量数据的深度挖掘和运用。
发明内容
鉴于以上技术问题，本发明提供了一种渔业水质分析监测方法、装置和系统，可以通过机器学习建立水质监测模型，达到了实时监测、预警及优化水质情况的目的。
根据本发明的一个方面，提供一种渔业水质分析监测方法，包括：
根据历史数据构建水质实时分析判断模型，其中历史数据包括历史鱼池数据和历史水质情况，所述水质实时分析判断模型的输入为鱼池数据，所述水质实时分析判断模型的输出为水质情况；
获取当前鱼池数据；
将当前鱼池数据输入水质实时分析判断模型，确定当前水质情况；
显示当前水质情况。
在本发明的一个实施例中，所述鱼池数据包括水质监测数据、天气、鱼种类、养殖阶段、不同鱼池间数据横向比较中的至少一项；
所述水质情况包括正常、指标异常、病虫害、污染、设备故障中的至少一项。
在本发明的一个实施例中，所述根据历史数据构建水质实时分析判断模型包括：根据历史数据确定历史数据的周期性规律，其中，所述周期性规律包括每日、每月、每年不同时间段指标值的变化情况、不同天气情况下指标值的变化情况、不同水体指标值的变化情况、不同养殖鱼类在鱼的不同发育时期的指标值变化情况中的至少一项；根据历史数据和历史数据的周期性规律构建水质实时分析判断模型。
在本发明的一个实施例中，所述根据历史数据构建水质实时分析判断模型包括：
根据历史数据构建决策树，其中，决策树的每个内部节点表示一种属性上的测试，所述属性为鱼池数据或周期性规律，每个分支代表一个测试输出，每个叶节点代表一种类别的测试结果。
在本发明的一个实施例中，所述根据历史数据构建决策树包括：
采用随机采样方式，随机选取样本和属性，重复生成多个决策树；
所述将当前鱼池数据输入水质实时分析判断模型，确定当前水质情况包括：
将当前鱼池数据输入所述多个决策树投票，将投票数最高的水质情况作为当前水质情况。
在本发明的一个实施例中，所述获取当前鱼池数据包括：
在鱼池设置关键监测设备；
从关键监测设备获取关键指标监测数据；
基于关键指标和非关键指标的相关性，根据关键指标监测数据确定非关键指标数据。
根据本发明的另一方面，提供一种渔业水质分析监测装置，包括：
模型构建模块，用于根据历史数据构建水质实时分析判断模型，其中历史数据包括历史鱼池数据和历史水质情况，所述水质实时分析判断模型的输入为鱼池数据，所述水质实时分析判断模型的输出为水质情况；
鱼池数据获取模块，用于获取当前鱼池数据；
水质情况确定模块，用于将当前鱼池数据输入水质实时分析判断模型，确定当前水质情况；
水质情况显示模块，用于显示当前水质情况。
在本发明的一个实施例中，所述鱼池数据包括水质监测数据、天气、鱼种类、养殖阶段、不同鱼池间数据横向比较中的至少一项；
所述水质情况包括正常、指标异常、病虫害、污染、设备故障中的至少一项。
在本发明的一个实施例中，模型构建模块用于根据历史数据确定历史数据的周期性规律，其中，所述周期性规律包括每日、每月、每年不同时间段指标值的变化情况、不同天气情况下指标值的变化情况、不同水体指标值的变化情况、不同养殖鱼类在鱼的不同发育时期的指标值变化情况中的至少一项；根据历史数据和历史数据的周期性规律构建水质实时分析判断模型。
在本发明的一个实施例中，模型构建模块用于根据历史数据构建决策树，其中，决策树的每个内部节点表示一种属性上的测试，所述属性为鱼池数据或周期性规律，每个分支代表一个测试输出，每个叶节点代表一种类别的测试结果。
在本发明的一个实施例中，模型构建模块用于采用随机采样方式，随机选取样本和属性，重复生成多个决策树；
水质情况确定模块用于将当前鱼池数据输入所述多个决策树投票，将投票数最高的水质情况作为当前水质情况。
在本发明的一个实施例中，鱼池数据获取模块用于在鱼池设置关键监测设备；从关键监测设备获取关键指标监测数据；基于关键指标和非关键指标的相关性，根据关键指标监测数据确定非关键指标数据。
根据本发明的另一方面，提供一种渔业水质分析监测系统，包括关键监测设备以及如上述任一实施例所述的渔业水质分析监测装置。
本发明可以通过机器学习模型分析，提前预警鱼池可能存在的异常，可以提供数据指标指导以便养殖户对水进行调优，保证水产在最适合的环境下生长。
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为本发明渔业水质分析监测方法一个实施例的示意图。
图2为一个实施例中水质实时分析判断模型的示意图。
图3为一个实施例中构建决策树的示意图。
图4a和图4b为本发明一个实施例中同一时间段内采集的溶解氧、PH值两个指标的折线图。
图5为一个实施例中获取当前鱼池数据的示意图。
图6为本发明渔业水质分析监测装置一个实施例的示意图。
图7为本发明渔业水质分析监测系统一个实施例的示意图。
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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1为本发明渔业水质分析监测方法一个实施例的示意图。优选的，本实施例可由本发明渔业水质分析监测装置执行。该方法包括以下步骤：
步骤11，根据历史数据构建水质实时分析判断模型，其中历史数据包括历史鱼池数据和历史水质情况，所述水质实时分析判断模型的输入为鱼池数据，所述水质实时分析判断模型的输出为水质情况；
在本发明的一个实施例中，所述鱼池数据包括水质监测数据、天气、鱼种类、养殖阶段、不同鱼池间数据横向比较中的至少一项。
在本发明的一个实施例中，所述水质情况包括正常、指标异常、病虫害、污染、设备故障中的至少一项。
在本发明的一个实施例中，步骤11可以包括：通过机器学习方法构建模型，并使用大量历史数据进行训练，从而构建一个水质实时分析判断模型。
图2为一个实施例中水质实时分析判断模型的示意图。如图2所示的水质实时分析判断模型中，将水质监测数据、天气、鱼种类、养殖阶段、不同鱼池间数据横向比较等作为输入，水质情况(正常、指标异常、病虫害、污染、设备故障等)作为输出，通过机器学习方法构建模型，并使用大量历史数据进行训练，从而构建一个水质实时分析判断模型。
在本发明的一个实施例中，步骤11具体可以包括：根据历史数据确定历史数据的周期性规律，其中，所述周期性规律包括每日、每月、每年不同时间段指标值的变化情况、不同天气情况下指标值的变化情况、不同水体指标值的变化情况、不同养殖鱼类在鱼的不同发育时期的指标值变化情况等周期性规律中的至少一项；根据历史数据和历史数据的周期性规律构建水质实时分析判断模型。
在本发明的一个实施例中，步骤11可以包括：采用了机器学习中的决策树算法进行建模，根据历史数据构建决策树，其中，决策树是一种树形结构，决策树的每个内部节点表示一种属性上的测试，所述属性为鱼池数据或周期性规律，每个分支代表一个测试输出，每个叶节点代表一种类别的测试结果。
图3为一个实施例中构建决策树的示意图。如图3所示，可以根据输入数据和输出数据构建决策树。例如：可以将根节点作为天气情况的测试；对于不同的天气情况(下雨、晴天、其它)，即三种不同的测试输出，分别作为根节点的三个分支；对于第一分支、下雨的情况，继续对溶氧值进行测试，对第二分支、晴天的情况，继续对水温进行测试，知道得到对应水质情况的输出，将该水质情况的测试结果，作为页节点。当历史数据规模足够大的时候，可以确保每个分支都有足够多的数据，就可以得到一棵完整的决策树。
步骤12，获取当前鱼池数据。
步骤13，将当前鱼池数据输入水质实时分析判断模型，确定当前水质情况。
步骤14，显示当前水质情况。
基于本发明上述实施例提供的渔业水质分析监测方法，通过构建水质实时分析判断模型，只要将鱼池的实时数据输入，就可以得到对于当前水质情况分析判断，给予养殖户鱼池及时的提示，由此养殖户可根据本发明上述实施例的数据指标指导对水进行调优，从而保证了水产在最适合的环境下生长。
在本发明的一个实施例中，所述根据历史数据构建决策树的步骤可以包括：通过随机森林算法，采用随机采样方式，随机选取样本和属性，重复生成多个决策树。
在本发明的一个具体实施例中，所述根据历史数据构建决策树的步骤可以包括：
步骤111，从样本集中随机选取n个样本。
步骤112，从所有属性中随机选取K个属性，选择最佳分割属性作为节点建立决策树。
步骤113，重复步骤111和步骤112两个步骤m次，即建立了m棵决策树。
在本发明的一个实施例中，在生成多个决策树的情况下，图1实施例的步骤可以包括：对于多个决策树形成随机森林，通过投票表决结果，决定数据属于哪一类(投票机制有一票否决制、少数服从多数、加权多数)。
在本发明的一个实施例中，在生成多个决策树的情况下，图1实施例的步骤可以包括：将当前鱼池数据输入所述多个决策树投票，选择占多数的投票结果作为最终的判断结果，即，将投票数最高的水质情况作为当前水质情况。例如：对于包含10棵决策树的随机森林，如果有1棵认为当前情况为正常，2棵认为指标异常，7棵认为可能发生鱼病，那么最终的判断结果为可能发生鱼病。
本发明上述实施例针对现代化水产养殖企业引入水质监测设备后所面临的监测数据未得到充分利用的问题，提出了通过对大量数据的采集，并通过机器学习等相关算法分析，得到水产养殖的周期性规律，以此为指导进行水产养殖系统的建设及生产，从而达到灾害及时预警、优化养殖流程等目的。
本发明上述实施例可以通过机器学习模型分析，提前预警鱼池可能存在异常(病害、污染、设备故障等)；并可以提供数据指标指导以便养殖户对水进行调优，以保证水产在最适合的环境下生长。
申请人发现：当前很多养殖场仍存在如下问题：
监测设备价格昂贵，要是每个鱼池都要布放所有类型的监测设备，成本过高。由于检测设备价格较高，如果要在每个鱼池都布放所有设备，进行全面指标测试，成本很高；如果只做少量指标监测，又会造成部分指标的缺失，尤其一些高经济价值的鱼类可能对各项指标要求都较为严格。
针对该问题，申请人发现：
鱼池监测数据的不同指标之间的相关性。例如：图4a和图4b为本发明一个实施例中同一时间段内采集的溶解氧、PH值两个指标的折线图。通过对比图4a和图4b可知，溶解氧和PH值在极强的相关性。
实际上，申请人通过大量数据的分析发现，水体中的各项指标基本都是相关的，一项指标变化往往会引起其他指标的相应变化。通过统计不同指标之间的相关关系，可以实现根据某些已知指标推算未知指标范围。
图5为一个实施例中获取当前鱼池数据的示意图。如图5所示，图1实施例的步骤12，即所述获取当前鱼池数据的步骤可以包括：
步骤121，在鱼池设置关键监测设备；或者，仅在重要鱼池布放所有设备，其它鱼池仅布放关键监测设备。
在本发明的一个实施例中，对于鱼池来说，关键监测设备可以是监测溶氧、PH值的设备，这些指标一旦超出范围容易导致鱼在短期内出现死亡的情况。而其它如氨氮、亚硝酸盐等的指标(非关键指标)异常也会导致鱼容易生病等问题，但一般短期内不容易发生严重问题，这些指标可以通过推算其大致范围，不需要太精确的值。
步骤122，从关键监测设备获取关键指标监测数据。
步骤123，基于关键指标和非关键指标的相关性，根据关键指标监测数据确定非关键指标数据。
本发明上述实施例通过对大量水产养殖监测设备数据的采集与分析，发现了水产养殖的两个规律性：不同指标之间的相关性、以及水产养殖的周期性规律。本发明上述实施例利用上述两个规律极大地提升了水产养殖的效率。
本发明上述实施例可以根据需要，只布放关键监测设备，或仅在重要鱼池布放所有设备，其它鱼池仅布放关键监测设备，从而减少了设备布放，降低了系统建设成本。
本发明上述实施例可以利用水质指标的相关性实现对未监测指标范围的预测，从而减少设备布放。
本发明上述实施例针对目前现代化水产养殖企业引入水质监测设备后所面临的设备成本高、监测数据未得到充分利用等问题，提出了通过对大量数据的采集，并通过机器学习等相关算法分析，得到水产养殖的周期性规律，以此为指导进行水产养殖系统的建设及生产，从而达到减少设备布放，灾害及时预警，优化养殖流程等目的。
图6为本发明渔业水质分析监测装置一个实施例的示意图。如图6所示，所述渔业水质分析监测装置可以包括模型构建模块61、鱼池数据获取模块62、水质情况确定模块63和水质情况显示模块64，其中：
模型构建模块61，用于根据历史数据构建水质实时分析判断模型，其中历史数据包括历史鱼池数据和历史水质情况，所述水质实时分析判断模型的输入为鱼池数据，所述水质实时分析判断模型的输出为水质情况。
在本发明的一个实施例中，所述鱼池数据包括水质监测数据、天气、鱼种类、养殖阶段、不同鱼池间数据横向比较中的至少一项；
所述水质情况包括正常、指标异常、病虫害、污染、设备故障中的至少一项。
在本发明的一个实施例中，模型构建模块61可以用于根据历史数据确定历史数据的周期性规律，其中，所述周期性规律包括每日、每月、每年不同时间段指标值的变化情况、不同天气情况下指标值的变化情况、不同水体指标值的变化情况、不同养殖鱼类在鱼的不同发育时期的指标值变化情况中的至少一项；根据历史数据和历史数据的周期性规律构建水质实时分析判断模型。
在本发明的一个实施例中，模型构建模块61可以用于根据历史数据构建决策树，其中，决策树的每个内部节点表示一种属性上的测试，所述属性为鱼池数据或周期性规律，每个分支代表一个测试输出，每个叶节点代表一种类别的测试结果。
鱼池数据获取模块62，用于获取当前鱼池数据。
水质情况确定模块63，用于将当前鱼池数据输入水质实时分析判断模型，确定当前水质情况。
水质情况显示模块64，用于显示当前水质情况。
基于本发明上述实施例提供的渔业水质分析监测方法，通过构建水质实时分析判断模型，只要将鱼池的实时数据输入，就可以得到对于当前水质情况分析判断，给予养殖户鱼池及时的提示，由此养殖户可根据本发明上述实施例的数据指标指导对水进行调优，从而保证了水产在最适合的环境下生长。
在本发明的一个实施例中，模型构建模块61可以用于采用随机采样方式，随机选取样本和属性，重复生成多个决策树；水质情况确定模块63可以用于将当前鱼池数据输入所述多个决策树投票，将投票数最高的水质情况作为当前水质情况。
本发明上述实施例针对现代化水产养殖企业引入水质监测设备后所面临的监测数据未得到充分利用的问题，提出了通过对大量数据的采集，并通过机器学习等相关算法分析，得到水产养殖的周期性规律，以此为指导进行水产养殖系统的建设及生产，从而达到灾害及时预警、优化养殖流程等目的。
本发明上述实施例可以通过机器学习模型分析，提前预警鱼池可能存在异常(病害、污染、设备故障等)；并可以提供数据指标指导以便养殖户对水进行调优，以保证水产在最适合的环境下生长。
在本发明的一个实施例中，鱼池数据获取模块62可以用于在鱼池设置关键监测设备；从关键监测设备获取关键指标监测数据；基于关键指标和非关键指标的相关性，根据关键指标监测数据确定非关键指标数据。
本发明上述实施例通过对大量水产养殖监测设备数据的采集与分析，发现了水产养殖的两个规律性：不同指标之间的相关性、以及水产养殖的周期性规律。本发明上述实施例利用上述两个规律极大地提升了水产养殖的效率。
本发明上述实施例可以根据需要，只布放关键监测设备，或仅在重要鱼池布放所有设备，其它鱼池仅布放关键监测设备，从而减少了设备布放，降低了系统建设成本。
本发明上述实施例可以利用水质指标的相关性实现对未监测指标范围的预测，从而减少设备布放。
本发明上述实施例针对目前现代化水产养殖企业引入水质监测设备后所面临的设备成本高、监测数据未得到充分利用等问题，提出了通过对大量数据的采集，并通过机器学习等相关算法分析，得到水产养殖的周期性规律，以此为指导进行水产养殖系统的建设及生产，从而达到减少设备布放，灾害及时预警，优化养殖流程等目的。
图7为本发明渔业水质分析监测系统一个实施例的示意图。如图7所示，所述渔业水质分析监测系统可以包括关键监测设备71和渔业水质分析监测装置72，其中：
关键监测设备71，用于采集关键指标监测数据。
渔业水质分析监测装置72，用于根据历史数据构建水质实时分析判断模型；从关键监测设备获取关键指标监测数据；基于关键指标和非关键指标的相关性，根据关键指标监测数据确定非关键指标数据；将当前鱼池数据输入水质实时分析判断模型，确定当前水质情况；以及显示当前水质情况。
在本发明的一个实施例中，渔业水质分析监测装置72可以为如上述任一实施例所述的渔业水质分析监测装置。
基于本发明上述实施例提供的渔业水质分析监测系统，针对目前现代化水产养殖企业引入水质监测设备后所面临的设备成本高、监测数据未得到充分利用等问题，提出了通过对大量数据的采集，并通过机器学习等相关算法分析，得到水产养殖的周期性规律，以此为指导进行水产养殖系统的建设及生产，从而达到减少设备布放，灾害及时预警，优化养殖流程等目的。
本发明上述实施例通过对大量水产养殖监测设备数据的采集与分析，发现了水产养殖的两个规律性：不同指标之间的相关性、以及水产养殖的周期性规律。本发明上述实施例利用上述两个规律极大地提升了水产养殖的效率。
本发明上述实施例可以根据需要，只布放关键监测设备，或仅在重要鱼池布放所有设备，其它鱼池仅布放关键监测设备，从而减少了设备布放，降低了系统建设成本。本发明上述实施例可以利用水质指标的相关性实现对未监测指标范围的预测，从而减少设备布放。
本发明上述实施例可以通过构建水质实时分析判断模型，只要将鱼池的实时数据输入，就可以得到对于当前水质情况分析判断，给予养殖户鱼池及时的提示，由此养殖户可根据本发明上述实施例的数据指标指导对水进行调优，从而保证了水产在最适合的环境下生长。
在上面所描述的渔业水质分析监测装置可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
至此，已经详细描述了本发明。为了避免遮蔽本发明的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本发明的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (13)
1.一种渔业水质分析监测方法，其特征在于，包括：
根据历史数据构建水质实时分析判断模型，其中历史数据包括历史鱼池数据和历史水质情况，所述水质实时分析判断模型的输入为鱼池数据，所述水质实时分析判断模型的输出为水质情况；
获取当前鱼池数据；
将当前鱼池数据输入水质实时分析判断模型，确定当前水质情况；
显示当前水质情况。
2.根据权利要求1所述的方法，其特征在于，
所述鱼池数据包括水质监测数据、天气、鱼种类、养殖阶段、不同鱼池间数据横向比较中的至少一项；
所述水质情况包括正常、指标异常、病虫害、污染、设备故障中的至少一项。
3.根据权利要求2所述的方法，其特征在于，所述根据历史数据构建水质实时分析判断模型包括：
根据历史数据确定历史数据的周期性规律，其中，所述周期性规律包括每日、每月、每年不同时间段指标值的变化情况、不同天气情况下指标值的变化情况、不同水体指标值的变化情况、不同养殖鱼类在鱼的不同发育时期的指标值变化情况中的至少一项；
根据历史数据和历史数据的周期性规律构建水质实时分析判断模型。
4.根据权利要求3所述的方法，其特征在于，所述根据历史数据构建水质实时分析判断模型包括：
根据历史数据构建决策树，其中，决策树的每个内部节点表示一种属性上的测试，所述属性为鱼池数据或周期性规律，每个分支代表一个测试输出，每个叶节点代表一种类别的测试结果。
5.根据权利要求4所述的方法，其特征在于，所述根据历史数据构建决策树包括：
采用随机采样方式，随机选取样本和属性，重复生成多个决策树；
所述将当前鱼池数据输入水质实时分析判断模型，确定当前水质情况包括：
将当前鱼池数据输入所述多个决策树投票，将投票数最高的水质情况作为当前水质情况。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述获取当前鱼池数据包括：
在鱼池设置关键监测设备；
从关键监测设备获取关键指标监测数据；
基于关键指标和非关键指标的相关性，根据关键指标监测数据确定非关键指标数据。
7.一种渔业水质分析监测装置，其特征在于，包括：
模型构建模块，用于根据历史数据构建水质实时分析判断模型，其中历史数据包括历史鱼池数据和历史水质情况，所述水质实时分析判断模型的输入为鱼池数据，所述水质实时分析判断模型的输出为水质情况；
鱼池数据获取模块，用于获取当前鱼池数据；
水质情况确定模块，用于将当前鱼池数据输入水质实时分析判断模型，确定当前水质情况；
水质情况显示模块，用于显示当前水质情况。
8.根据权利要求7所述的装置，其特征在于，
所述鱼池数据包括水质监测数据、天气、鱼种类、养殖阶段、不同鱼池间数据横向比较中的至少一项；
所述水质情况包括正常、指标异常、病虫害、污染、设备故障中的至少一项。
9.根据权利要求8所述的装置，其特征在于，
模型构建模块用于根据历史数据确定历史数据的周期性规律，其中，所述周期性规律包括每日、每月、每年不同时间段指标值的变化情况、不同天气情况下指标值的变化情况、不同水体指标值的变化情况、不同养殖鱼类在鱼的不同发育时期的指标值变化情况中的至少一项；根据历史数据和历史数据的周期性规律构建水质实时分析判断模型。
10.根据权利要求9所述的装置，其特征在于，
模型构建模块用于根据历史数据构建决策树，其中，决策树的每个内部节点表示一种属性上的测试，所述属性为鱼池数据或周期性规律，每个分支代表一个测试输出，每个叶节点代表一种类别的测试结果。
11.根据权利要求10所述的装置，其特征在于，
模型构建模块用于采用随机采样方式，随机选取样本和属性，重复生成多个决策树；
水质情况确定模块用于将当前鱼池数据输入所述多个决策树投票，将投票数最高的水质情况作为当前水质情况。
12.根据权利要求7-11中任一项所述的装置，其特征在于，
鱼池数据获取模块用于在鱼池设置关键监测设备；从关键监测设备获取关键指标监测数据；基于关键指标和非关键指标的相关性，根据关键指标监测数据确定非关键指标数据。
13.一种渔业水质分析监测系统，其特征在于，包括关键监测设备以及如权利要求7-12中任一项所述的渔业水质分析监测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711010423.1A CN109711590B (zh) | 2017-10-26 | 2017-10-26 | 渔业水质分析监测方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711010423.1A CN109711590B (zh) | 2017-10-26 | 2017-10-26 | 渔业水质分析监测方法、装置和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109711590A true CN109711590A (zh) | 2019-05-03 |
| CN109711590B CN109711590B (zh) | 2021-06-18 |
Family
ID=66253309
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711010423.1A Active CN109711590B (zh) | 2017-10-26 | 2017-10-26 | 渔业水质分析监测方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109711590B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110487980A (zh) * | 2019-06-27 | 2019-11-22 | 江苏亚寰环保科技股份有限公司 | 一种基于人工智能与机器学习算法的水环境监测分析系统 |
| CN113409167A (zh) * | 2021-08-19 | 2021-09-17 | 中国环境监测总站 | 一种水质异常分析方法及装置 |
| CN115200647A (zh) * | 2022-09-13 | 2022-10-18 | 北京生泰尔科技股份有限公司 | 一种水产养殖环境监测管理方法及系统 |
| CN117994064A (zh) * | 2024-04-07 | 2024-05-07 | 中国水产科学研究院南海水产研究所 | 基于水质智能感知的鲫鱼繁育全流程监测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101923083A (zh) * | 2009-06-17 | 2010-12-22 | 复旦大学 | 基于支持向量机和神经网络的污水化学需氧量软测量方法 |
| CN103018418A (zh) * | 2012-12-16 | 2013-04-03 | 天津大学 | 景观水体水质在线预警系统 |
| CN103886397A (zh) * | 2014-04-17 | 2014-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种分治法与水质周期性结合的水质预测方法 |
| US20160340206A1 (en) * | 2015-05-18 | 2016-11-24 | Shane Antos | System and method of predicting water quality in a decentralized treatment system |
| CN106991437A (zh) * | 2017-03-20 | 2017-07-28 | 浙江工商大学 | 基于随机森林预测污水水质数据的方法及系统 |
| CN107132266A (zh) * | 2017-06-21 | 2017-09-05 | 佛山科学技术学院 | 一种基于随机森林的水质分类方法及系统 |
-
2017
- 2017-10-26 CN CN201711010423.1A patent/CN109711590B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101923083A (zh) * | 2009-06-17 | 2010-12-22 | 复旦大学 | 基于支持向量机和神经网络的污水化学需氧量软测量方法 |
| CN103018418A (zh) * | 2012-12-16 | 2013-04-03 | 天津大学 | 景观水体水质在线预警系统 |
| CN103886397A (zh) * | 2014-04-17 | 2014-06-25 | 中国科学院重庆绿色智能技术研究院 | 一种分治法与水质周期性结合的水质预测方法 |
| US20160340206A1 (en) * | 2015-05-18 | 2016-11-24 | Shane Antos | System and method of predicting water quality in a decentralized treatment system |
| CN106991437A (zh) * | 2017-03-20 | 2017-07-28 | 浙江工商大学 | 基于随机森林预测污水水质数据的方法及系统 |
| CN107132266A (zh) * | 2017-06-21 | 2017-09-05 | 佛山科学技术学院 | 一种基于随机森林的水质分类方法及系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110487980A (zh) * | 2019-06-27 | 2019-11-22 | 江苏亚寰环保科技股份有限公司 | 一种基于人工智能与机器学习算法的水环境监测分析系统 |
| CN113409167A (zh) * | 2021-08-19 | 2021-09-17 | 中国环境监测总站 | 一种水质异常分析方法及装置 |
| CN115200647A (zh) * | 2022-09-13 | 2022-10-18 | 北京生泰尔科技股份有限公司 | 一种水产养殖环境监测管理方法及系统 |
| CN117994064A (zh) * | 2024-04-07 | 2024-05-07 | 中国水产科学研究院南海水产研究所 | 基于水质智能感知的鲫鱼繁育全流程监测方法及系统 |
| CN117994064B (zh) * | 2024-04-07 | 2024-07-05 | 中国水产科学研究院南海水产研究所 | 基于水质智能感知的鲫鱼繁育全流程监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109711590B (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711590A (zh) | 渔业水质分析监测方法、装置和系统 | |
| CN107480775B (zh) | 一种基于数据修复的池塘溶解氧预测方法 | |
| Iknayan et al. | Detecting diversity: emerging methods to estimate species diversity | |
| Le Rouzic et al. | Evolutionary time-series analysis reveals the signature of frequency-dependent selection on a female mating polymorphism | |
| Morris et al. | Global sensitivity analysis of an end-to-end marine ecosystem model of the North Sea: Factors affecting the biomass of fish and benthos | |
| Kell et al. | Evaluation of the prediction skill of stock assessment using hindcasting | |
| CN107133960A (zh) | 基于深度卷积神经网络的图像裂缝分割方法 | |
| Punt et al. | How well can FMSY and BMSY be estimated using empirical measures of surplus production? | |
| CN114637351A (zh) | 一种设施作物温室环境调控方法及系统 | |
| CN112685950A (zh) | 一种海洋时序观测数据的异常检测方法、系统和设备 | |
| WO2024174616A1 (zh) | 一种孵前种蛋受精信息无损分拣方法及装置 | |
| CN110334845A (zh) | 一种基于gru溶解氧长时间预测方法 | |
| Zhu et al. | Knowledge graph and deep learning based pest detection and identification system for fruit quality | |
| Fraker et al. | Temporal scope influences ecosystem driver-response relationships: A case study of Lake Erie with implications for ecosystem-based management | |
| Uoc et al. | A novel automatic detecting system for cucumber disease based on the convolution neural network algorithm | |
| Mathew et al. | Determining the region of apple leaf affected by disease using YOLO V3 | |
| CN102550455A (zh) | 一种大黄鱼刺激隐核虫病害程度的判别方法 | |
| CN106954563A (zh) | 一种土禽蛋的识别方法及其识别装置 | |
| Jebari et al. | Poultry-Edge-AI-IoT System for Real-Time Monitoring and Predicting by Using Artificial Intelligence. | |
| CN111968003B (zh) | 一种基于农作物本体概念响应的农作物病害预测方法 | |
| Sánchez-Ochoa et al. | Quantifying phenological diversity: a framework based on Hill numbers theory | |
| Wei et al. | Soft-sensor software design of dissolved oxygen in aquaculture | |
| Patil et al. | Pre and Post Harvesting using Deep Learning Techniques: A comprehensive study | |
| Zou et al. | Stage-mediated priority effects and season lengths shape long-term competition dynamics | |
| Recknagel | Cyberinfrastructure for sourcing and processing ecological data |
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 |