CN110751323A - 一种基于动态建模的渔场渔情预测方法 - Google Patents
一种基于动态建模的渔场渔情预测方法 Download PDFInfo
- Publication number
- CN110751323A CN110751323A CN201910974694.1A CN201910974694A CN110751323A CN 110751323 A CN110751323 A CN 110751323A CN 201910974694 A CN201910974694 A CN 201910974694A CN 110751323 A CN110751323 A CN 110751323A
- Authority
- CN
- China
- Prior art keywords
- fishing
- data
- situation
- fishing ground
- ground
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000011835 investigation Methods 0.000 claims abstract description 12
- 230000007774 longterm Effects 0.000 claims abstract description 6
- 241000251468 Actinopterygii Species 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 235000015097 nutrients Nutrition 0.000 claims description 6
- 150000003839 salts Chemical class 0.000 claims description 6
- 229910002651 NO3 Inorganic materials 0.000 claims description 3
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 3
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 claims description 3
- 229910019142 PO4 Inorganic materials 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 229930002868 chlorophyll a Natural products 0.000 claims description 3
- 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 claims description 3
- 229910001385 heavy metal Inorganic materials 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- NBIIXXVUZAFLBC-UHFFFAOYSA-K phosphate Chemical compound [O-]P([O-])([O-])=O NBIIXXVUZAFLBC-UHFFFAOYSA-K 0.000 claims description 3
- 239000010452 phosphate Substances 0.000 claims description 3
- 239000002904 solvent Substances 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mechanical Means For Catching Fish (AREA)
Abstract
本发明提出一种基于动态建模的渔场渔情预测方法,包括以下步骤:S1,对预测渔场进行长期性侦查,获得渔情观测数据和渔场环境数据;S2,对渔情观测数据和渔场环境数据进行动态建模,建立模型方程;S3,根据渔场环境的变化的,取舍渔场环境数据求解模型方程,获取渔情预测数据。本发明对渔场数据进行动态建模,根据数据的随机性和系统的非线性,动态建模能自适应地调配模型参数,因而能更客观、更准确地实现精确渔场渔情预测的目的。
Description
技术领域
本发明涉及渔情预测技术领域,尤其是涉及一种基于动态建模的渔场渔情预测方法。
背景技术
我国渔场已濒临绝境,渔场振兴工程的实施势在必行,而且刻不容缓。为了实现这一目标,就必须全面、深入了解岛群海域重要生物资源及其生存的生态环境信息,集成现有的海洋生态环境监测技术和监测手段,构建海洋渔情预测模型并开发有效的渔情预报系统,为恢复我国渔业资源、实行渔业资源科学管理以及渔业可持续发展提供可能。目前已有中国专利公开号为CN107766974A的一种融合多种数据的海洋渔情预测方法,采用统计的方法进行预测,在假设条件的基础上对渔情进行预测,预测不准确。
渔情预报是对未来一定时期和一定水域内水产资源状况各要素进行预报。准确的渔情预报不仅为渔业主管部门和生产单位如何进行鱼汛生产管理等提供必要的科学依据,同时还大大提高渔业的生产效率,降低生产成本。它还能为海洋渔业资源实行科学管理提供可能,不但渔业管理部门可以将预报结果作为制订渔业政策的参考信息,渔业生产企业也可以根据这些预报信息合理安排捕捞努力量,适应负责任捕捞和渔业可持续发展的要求。随着我国远洋渔业的不断发展,努力构建精确的渔情预报模型和开发渔情预报系统,并不断提高渔情预报的准确性和鲁棒性具有重大的意义。
发明内容
本发明解决了现有技术中渔情预测不准确的问题,提出一种基于动态建模的渔场渔情预测方法,对渔场数据进行动态建模,根据数据的随机性和系统的非线性,动态建模能自适应地调配模型参数,因而能更客观、更准确地实现精确渔场渔情预测的目的。
为实现上述目的,本发明提供以下的技术方案:
一种基于动态建模的渔场渔情预测方法,包括以下步骤:
S1,对预测渔场进行长期性侦查,获得渔情观测数据和渔场环境数据;
S2,对渔情观测数据和渔场环境数据进行动态建模,建立模型方程;
S3,根据渔场环境的变化的,取舍渔场环境数据求解模型方程,获取渔情预测数据。
对预测渔场进行长期性侦查,记录每天获得渔情观测数据和渔场环境数据,由于渔场环境是实时变化的,因此每天获得的渔情观测数据和渔场环境数据也是每天变化,当记录数据量足够时,可以利用数据建立模型方程,此时模型方程代表渔场环境与渔情的关系,而渔场环境又是实时变化的,可以根据变化后的渔场环境数据,通过取舍渔场环境数据求解模型方程,得出渔情预测数据,此过程数据的随机性和非线性,同时新记录的渔情观测数据和渔场环境数据将加入到模型之中,时间越长,所记录的数据越多,而且记录的数据都是实际获取的,整个模型将随时间的推移而更加完善,同时解出的渔情预测数据也更加准确。
作为优选,所述渔情观测数据包括经济鱼类的种类、质量和分布密度。
作为优选,采用随机抽样和试捕侦查相结合的方式获得渔情观测数据,所述随机抽样为渔场试捕位置随机抽取,所述试捕侦查捕捞获得的鱼在记录完数据后放回渔场。采用随机抽样可以保证数据的随机性,使渔情预测更加准确,捕获的鱼放回渔场是为了避免人为因素影响预测的精度。
作为优选,所述对渔情观测数据和渔场环境数据进行动态建模,建立模型方程,其过程包括:
S201:以时间为坐标轴,将渔情观测数据和渔场环境数据映射到坐标轴上构成了一系列的时间序列变量;
S202:用曲线连接时间序列变量,获得渔情变化曲线和渔场环境变化曲线;
S203:拟合渔情变化曲线和渔场环境变化曲线,获得渔情随环境变化曲线;
S204:根据渔情随环境变化曲线建立模型方程。
作为优选,所述渔场环境数据包括海洋水文气象参数、水质生物状态参数和物理化学参数。
作为优选,所述海洋水文气象参数包括温度、湿度、风速风向、水流速流向;
所述水质生物状态参数包括PH值、叶绿素a含量、盐度、溶剂氧;
所述物理化学参数包括各种重金属、营养盐和放射性,营养盐包括磷酸盐、硝酸盐、亚硝酸盐。
作为优选,所述渔情预测数据包括中心渔场位置、渔期、鱼群数量、种类和质量。
作为优选,渔期包括渔汛始末和旺汛时间。
本发明有以下有益效果:采用随机抽样可以保证数据的随机性,使渔情预测更加准确,捕获的鱼放回渔场是为了避免人为因素影响预测的精度;新记录的渔情观测数据和渔场环境数据将加入到模型之中,时间越长,所记录的数据越多,而且记录的数据都是实际获取的,整个模型将随时间的推移而更加完善,同时解出的渔情预测数据也更加准确。
附图说明
图1是实施例的流程图。
具体实施方式
实施例:
本实施例提出一种基于动态建模的渔场渔情预测方法,参考图1,包括以下步骤:
S1,对预测渔场进行长期性侦查,获得渔情观测数据和渔场环境数据,渔情观测数据包括经济鱼类的种类、质量和分布密度。渔场环境数据包括海洋水文气象参数、水质生物状态参数和物理化学参数。其中海洋水文气象参数包括温度、湿度、风速风向、水流速流向;水质生物状态参数包括PH值、叶绿素a含量、盐度、溶剂氧;物理化学参数包括各种重金属、营养盐和放射性,营养盐包括磷酸盐、硝酸盐、亚硝酸盐。
S2,对渔情观测数据和渔场环境数据进行动态建模,建立模型方程,其过程包括:
S201:以时间为坐标轴,将渔情观测数据和渔场环境数据映射到坐标轴上构成了一系列的时间序列变量;
S202:用曲线连接时间序列变量,获得渔情变化曲线和渔场环境变化曲线;
S203:拟合渔情变化曲线和渔场环境变化曲线,获得渔情随环境变化曲线;
S204:根据渔情随环境变化曲线建立模型方程。
S3,根据渔场环境的变化的,取舍渔场环境数据求解模型方程,获取渔情预测数据。
对预测渔场进行长期性侦查,记录每天获得渔情观测数据和渔场环境数据,由于渔场环境是实时变化的,因此每天获得的渔情观测数据和渔场环境数据也是每天变化,当记录数据量足够时,可以利用数据建立模型方程,此时模型方程代表渔场环境与渔情的关系,而渔场环境又是实时变化的,可以根据变化后的渔场环境数据,通过取舍渔场环境数据求解模型方程,得出渔情预测数据,此过程数据的随机性和非线性,同时新记录的渔情观测数据和渔场环境数据将加入到模型之中,时间越长,所记录的数据越多,而且记录的数据都是实际获取的,整个模型将随时间的推移而更加完善,同时解出的渔情预测数据也更加准确。
采用随机抽样和试捕侦查相结合的方式获得渔情观测数据,随机抽样为渔场试捕位置随机抽取,试捕侦查捕捞获得的鱼在记录完数据后放回渔场。采用随机抽样可以保证数据的随机性,使渔情预测更加准确,捕获的鱼放回渔场是为了避免人为因素影响预测的精度。
渔情预测数据包括中心渔场位置、渔期、鱼群数量、种类和质量,渔期包括渔汛始末和旺汛时间。
本发明有以下优势:采用随机抽样可以保证数据的随机性,使渔情预测更加准确,捕获的鱼放回渔场是为了避免人为因素影响预测的精度;新记录的渔情观测数据和渔场环境数据将加入到模型之中,时间越长,所记录的数据越多,而且记录的数据都是实际获取的,整个模型将随时间的推移而更加完善,同时解出的渔情预测数据也更加准确。
Claims (8)
1.一种基于动态建模的渔场渔情预测方法,其特征是,包括以下步骤:
S1,对预测渔场进行长期性侦查,获得渔情观测数据和渔场环境数据;
S2,对渔情观测数据和渔场环境数据进行动态建模,建立模型方程;
S3,根据渔场环境的变化的,取舍渔场环境数据求解模型方程,获取渔情预测数据。
2.根据权利要求1所述的一种基于动态建模的渔场渔情预测方法,其特征是,所述渔情观测数据包括经济鱼类的种类、质量和分布密度。
3.根据权利要求2所述的一种基于动态建模的渔场渔情预测方法,其特征是,采用随机抽样和试捕侦查相结合的方式获得渔情观测数据,所述随机抽样为渔场试捕位置随机抽取,所述试捕侦查捕捞获得的鱼在记录完数据后放回渔场。
4.根据权利要求1所述的一种基于动态建模的渔场渔情预测方法,其特征是,所述对渔情观测数据和渔场环境数据进行动态建模,建立模型方程,其过程包括:
S201:以时间为坐标轴,将渔情观测数据和渔场环境数据映射到坐标轴上构成了一系列的时间序列变量;
S202:用曲线连接时间序列变量,获得渔情变化曲线和渔场环境变化曲线;
S203:拟合渔情变化曲线和渔场环境变化曲线,获得渔情随环境变化曲线;
S204:根据渔情随环境变化曲线建立模型方程。
5.根据权利要求1所述的一种基于动态建模的渔场渔情预测方法,其特征是,所述渔场环境数据包括海洋水文气象参数、水质生物状态参数和物理化学参数。
6.根据权利要求5所述的一种基于动态建模的渔场渔情预测方法,其特征是,
所述海洋水文气象参数包括温度、湿度、风速风向、水流速流向;
所述水质生物状态参数包括PH值、叶绿素a含量、盐度、溶剂氧;
所述物理化学参数包括各种重金属、营养盐和放射性,营养盐包括磷酸盐、硝酸盐、亚硝酸盐。
7.根据权利要求1所述的一种基于动态建模的渔场渔情预测方法,其特征是,所述渔情预测数据包括中心渔场位置、渔期、鱼群数量、种类和质量。
8.根据权利要求7所述的一种基于动态建模的渔场渔情预测方法,其特征是,所述渔期包括渔汛始末和旺汛时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910974694.1A CN110751323B (zh) | 2019-10-14 | 2019-10-14 | 一种基于动态建模的渔场渔情预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910974694.1A CN110751323B (zh) | 2019-10-14 | 2019-10-14 | 一种基于动态建模的渔场渔情预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751323A true CN110751323A (zh) | 2020-02-04 |
CN110751323B CN110751323B (zh) | 2023-06-23 |
Family
ID=69278267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910974694.1A Active CN110751323B (zh) | 2019-10-14 | 2019-10-14 | 一种基于动态建模的渔场渔情预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751323B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308287A (zh) * | 2020-09-24 | 2021-02-02 | 上海海洋大学 | 基于灰色系统理论的海洋鱼类旺汛期预测方法及其应用 |
CN112772474A (zh) * | 2021-03-10 | 2021-05-11 | 南开大学 | 基于大泷六线鱼种群动态deb-ibm模型以及建模方法 |
CN112308287B (zh) * | 2020-09-24 | 2024-05-31 | 上海海洋大学 | 基于灰色系统理论的海洋鱼类旺汛期预测方法及其应用 |
Citations (9)
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 |
JP2004187649A (ja) * | 2002-12-13 | 2004-07-08 | Fisheries Research Agency | 浮魚資源現存量の区間推定方法、そのためのプログラム及び記録媒体 |
CN103053450A (zh) * | 2012-12-24 | 2013-04-24 | 上海海洋大学 | 一种西南大西洋阿根廷滑柔鱼资源补充量预测方法 |
CN105354752A (zh) * | 2015-10-19 | 2016-02-24 | 上海海洋大学 | 基于gwr的柔鱼资源与海洋环境因素关系的分析方法 |
CN106056240A (zh) * | 2016-05-26 | 2016-10-26 | 上海海洋大学 | 基于sar识别茎柔鱼空间分布及海洋环境影响的方法 |
WO2018014658A1 (zh) * | 2016-07-22 | 2018-01-25 | 上海海洋大学 | 一种柔鱼类的中心渔场预测方法 |
CN107766974A (zh) * | 2017-09-30 | 2018-03-06 | 浙江海洋大学 | 一种融合多种数据的海洋渔情预测方法 |
ES2665583A1 (es) * | 2016-10-26 | 2018-04-26 | Balfegó & Balfegó S.L. | Procedimiento para la determinación de biomasa de atunes en una zona de agua y sistema correspondiente |
CN108665104A (zh) * | 2018-05-14 | 2018-10-16 | 华际卫星通信有限公司 | 一种基于lstm的渔场预报方法 |
-
2019
- 2019-10-14 CN CN201910974694.1A patent/CN110751323B/zh active Active
Patent Citations (10)
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 |
JP2004187649A (ja) * | 2002-12-13 | 2004-07-08 | Fisheries Research Agency | 浮魚資源現存量の区間推定方法、そのためのプログラム及び記録媒体 |
CN103053450A (zh) * | 2012-12-24 | 2013-04-24 | 上海海洋大学 | 一种西南大西洋阿根廷滑柔鱼资源补充量预测方法 |
CN105354752A (zh) * | 2015-10-19 | 2016-02-24 | 上海海洋大学 | 基于gwr的柔鱼资源与海洋环境因素关系的分析方法 |
CN106056240A (zh) * | 2016-05-26 | 2016-10-26 | 上海海洋大学 | 基于sar识别茎柔鱼空间分布及海洋环境影响的方法 |
WO2018014658A1 (zh) * | 2016-07-22 | 2018-01-25 | 上海海洋大学 | 一种柔鱼类的中心渔场预测方法 |
US20190230913A1 (en) * | 2016-07-22 | 2019-08-01 | Shanghai Ocean University | Method of Predicting Central Fishing Ground of Flying Squid Family Ommastrephidae |
ES2665583A1 (es) * | 2016-10-26 | 2018-04-26 | Balfegó & Balfegó S.L. | Procedimiento para la determinación de biomasa de atunes en una zona de agua y sistema correspondiente |
CN107766974A (zh) * | 2017-09-30 | 2018-03-06 | 浙江海洋大学 | 一种融合多种数据的海洋渔情预测方法 |
CN108665104A (zh) * | 2018-05-14 | 2018-10-16 | 华际卫星通信有限公司 | 一种基于lstm的渔场预报方法 |
Non-Patent Citations (12)
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308287A (zh) * | 2020-09-24 | 2021-02-02 | 上海海洋大学 | 基于灰色系统理论的海洋鱼类旺汛期预测方法及其应用 |
CN112308287B (zh) * | 2020-09-24 | 2024-05-31 | 上海海洋大学 | 基于灰色系统理论的海洋鱼类旺汛期预测方法及其应用 |
CN112772474A (zh) * | 2021-03-10 | 2021-05-11 | 南开大学 | 基于大泷六线鱼种群动态deb-ibm模型以及建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110751323B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kruse et al. | Treeline dynamics in Siberia under changing climates as inferred from an individual-based model for Larix | |
CN103310286A (zh) | 一种具有时间序列特性的产品订单预测方法及装置 | |
Dickey et al. | Introduction to the Limnology and Oceanography special issue on autonomous and Lagrangian platforms and sensors (ALPS) | |
CN111275065B (zh) | 一种基于海洋环境多属性的水产养殖空间分区方法 | |
CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
Liu et al. | Prediction of dissolved oxygen content in aquaculture of Hyriopsis cumingii using Elman neural network | |
CN109544038A (zh) | 一种基于生命周期分析的生物质碳排放估算系统和方法 | |
CN107590549A (zh) | 一种日本鱿冬生群资源丰度预测方法 | |
CN114881544B (zh) | 一种水库流量调控方法、装置、电子设备及存储介质 | |
Ting et al. | Management of CO2 in a tomato greenhouse using WSN and BPNN techniques | |
CN114564883B (zh) | 融合机理与ML的湖泊叶绿素a短期集合预报方法及系统 | |
CN110751323A (zh) | 一种基于动态建模的渔场渔情预测方法 | |
Subbotin et al. | Factor analysis of environmental impact of manure utilization | |
Sorayya et al. | A self organizing map (SOM) guided rule based system for freshwater tropical algal analysis and prediction | |
Li et al. | Thermal Equilibrium Analysis of Small-to-Medium River Ecosystems in Northern China under Multi-Factor Coupling and Decision-Making for Ecological Restoration. | |
CN107330541A (zh) | 一种中西太平洋鲣鱼中心渔场预报方法 | |
Srilatha et al. | Prediction of Algal Bloom and Its Effects on Aquaculture in Coastal Area Using Modis Dataset and Machine Learning Techniques | |
Mufidah et al. | Monitoring and Prediction of Water Quality in Catfish Biofloc Ponds at SEIN Farm using IoT and Linear Regression | |
Chen et al. | Basic Principles and Methods of Fisheries Forecasting | |
Nortoshev et al. | THE STATE OF WATER RESOURCES USES IN UZBEKISTAN AND USE OF ARTIFICIAL INTELLIGENCE IN IRRIGATION | |
LU500398B1 (en) | A method for evaluating the wave dissipating effect of multi-layer enclosure | |
Zanon et al. | Periphytic algae traits are mainly lognormally distributed in a neotropical floodplain tributary | |
CN105675049B (zh) | 一种海-岛环境健康监测方法 | |
Ricotta et al. | Limited evidence of local phylogenetic clustering in the urban flora of Brussels | |
CN117434235A (zh) | 基于水质监测的水华预警方法、装置、设备及介质 |
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 |