CN113537639A - 一种养殖环境参数-鱼类生长预测模型建立方法及系统 - Google Patents
一种养殖环境参数-鱼类生长预测模型建立方法及系统 Download PDFInfo
- Publication number
- CN113537639A CN113537639A CN202110934941.2A CN202110934941A CN113537639A CN 113537639 A CN113537639 A CN 113537639A CN 202110934941 A CN202110934941 A CN 202110934941A CN 113537639 A CN113537639 A CN 113537639A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- data
- fish
- parameter
- culture
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000009395 breeding Methods 0.000 claims abstract description 40
- 230000001488 breeding effect Effects 0.000 claims abstract description 40
- 230000008901 benefit Effects 0.000 claims abstract description 33
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 238000009360 aquaculture Methods 0.000 claims abstract description 9
- 244000144974 aquaculture Species 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 13
- 239000003181 biological factor Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 10
- 238000009372 pisciculture Methods 0.000 claims description 10
- 230000036571 hydration Effects 0.000 claims description 9
- 238000006703 hydration reaction Methods 0.000 claims description 9
- 241000894007 species Species 0.000 claims description 9
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- JVMRPSJZNHXORP-UHFFFAOYSA-N ON=O.ON=O.ON=O.N Chemical compound ON=O.ON=O.ON=O.N JVMRPSJZNHXORP-UHFFFAOYSA-N 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000009290 primary effect Effects 0.000 claims description 4
- 230000009291 secondary effect Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 241000252230 Ctenopharyngodon idella Species 0.000 description 20
- 241000252228 Ctenopharyngodon Species 0.000 description 13
- 230000004044 response Effects 0.000 description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000003134 recirculating effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000000556 factor analysis Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 235000019553 satiation Nutrition 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000004584 weight gain Effects 0.000 description 2
- 235000019786 weight gain Nutrition 0.000 description 2
- 241000252233 Cyprinus carpio Species 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 1
- 229930002868 chlorophyll a Natural products 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
- 239000000306 component Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012800 visualization Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Farming Of Fish And Shellfish (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种养殖环境参数‑鱼类生长预测模型建立方法及系统，属于工厂化水产养殖技术领域，首先采集鱼类养殖数据；对鱼类养殖数据进行分类；对分类后的鱼类养殖数据进行相关性分析，得到鱼类生长指标与各养殖环境参数之间的函数关系式；根据函数关系式，建立参数预测模型；对参数预测模型进行参数求解，得到可决系数；根据可决系数对参数预测模型进行修正，得到优化后的参数预测模型；对优化后的参数预测模型进行验证，并将养殖环境参数数据输入至优化后的参数预测模型中，输出鱼类生长效益指标数据，可对鱼类的生长进行精准预测，有利于鱼类养殖企业寻求最佳生产负荷和养殖规模，提高养殖企业的经济效益。
Description
技术领域
本发明涉及工厂化水产养殖技术领域，特别是涉及一种基于数据分析的养殖环境参数-鱼类生长预测模型建立方法及系统。
背景技术
近年来，工厂化循环水鱼类养殖是一种现代工业化生产方式，主要依赖机械设备对水体进行调控，其核心组成是高效生物过滤装置和养殖用水自动监测系统，可以实现养殖环境高度可控。目前生物过滤器主要指标如氨氮负荷率通常设置在不合理的较高水平，这很大程度上增加了能源消耗，而能源消耗问题是制约工厂化循环水养殖盈利的主要原因之一。工厂化循环水养殖的发展趋势之一是进行工程经济性分析，运用工程学、经济学、统计学等方法，寻找最佳的生产负荷和养殖规模，系统地建立养殖环境参数-鱼类生长指标的响应预测数学模型，探求鱼类如何从生长策略上对养殖环境参数的变化做出响应，模型的建立对于促进养殖系统的优化和养殖效益的提高具有重要意义。
目前对鱼类生长的预测大多使用统计学方法进行研究，并集中在回归分析法和数据拟合法两种技术手段上。其中，回归分析法偏重于相关性的探究，它可以依托于现有的数据建立回归模型，从而进行相关性分析，如分析鱼生长效率和不同水环境因子之间的相关性，但其预测能力有很大的局限性，预测精度低。而数据拟合法虽然具有较强的预测能力，但数据拟合法中常用的特殊VonBertalanffy生长方程、一般VonBertalanffy生长方程、Logistic生长方程、Gompertz生长方程、Brody生长方程、指数生长方程等6个动物生长模型并不适用于鱼类生长效益与养殖环境参数关系的研究，无法通过养殖环境参数的变化对鱼类生长进行预测。因此，如何通过养殖环境参数对鱼类的生长进行精准预测是本领域亟需解决的问题。
发明内容
本发明的目的是提供一种养殖环境参数-鱼类生长预测模型建立方法及系统，将鱼类生长对养殖环境参数变化的响应以函数关系式的形式表现出来，通过构建参数预测模型对鱼类生长进行预测和验证，提高了预测精度，为工厂化循环水养殖系统的优化提供理论数据，可用于工厂化循环水养殖系统寻求最佳生产负荷和养殖规模，提高养殖企业的经济效益。
为实现上述目的，本发明提供了如下方案：
一种养殖环境参数-鱼类生长预测模型建立方法，包括：
采集鱼类养殖数据；所述鱼类养殖数据包括养殖环境参数数据和鱼类生长指标数据；
对所述鱼类养殖数据进行分类；
对分类后的所述鱼类养殖数据进行相关性分析，得到鱼类生长指标与各养殖环境参数之间的函数关系式；
根据所述函数关系式，建立参数预测模型；
对所述参数预测模型进行参数求解，得到可决系数；
根据所述可决系数对所述参数预测模型进行修正，得到优化后的参数预测模型；
对所述优化后的参数预测模型进行验证，并将待预测的所述养殖环境参数数据输入至所述优化后的参数预测模型中，输出鱼类生长效益指标数据。
可选的，所述采集鱼类养殖数据，具体包括：
采集所述养殖环境参数数据和所述鱼类生长指标数据，并建立数据库；
所述养殖环境参数数据包括水化因子指标数据和生物因子指标数据；所述水化因子指标数据包括养殖温度、氨氮和亚硝态氮；所述生物因子指标数据包括养殖种类、养殖模式、投喂方式、养殖密度和养殖鱼体质量；所述鱼类生长指标数据包括特定生长率。
可选的，所述对所述鱼类养殖数据进行分类，具体包括：
对所述养殖种类、所述养殖模式和所述投喂方式进行统一，基于此对其它的所述养殖环境参数数据和所述鱼类生长指标数据进行分类。
可选的，所述对分类后的所述鱼类养殖数据进行相关性分析，得到鱼类生长指标与各养殖环境参数之间的函数关系式，具体包括：
选择任意种类下的所有所述鱼类养殖数据，将该种类下的所述鱼类生长指标作为因变量，各个所述养殖环境参数作为自变量，分别绘制散点图，并进行数据初步拟合，得到所述鱼类生长指标与各养殖环境参数之间的函数关系式。
可选的，所述根据所述函数关系式，建立参数预测模型，具体包括：
对所述函数关系式添加系数和扰动项，得到所述鱼类生长指标与所有所述养殖环境参数的总函数关系式，初步建立含有多个未知参数的所述参数预测模型。
可选的，所述对所述参数预测模型进行参数求解，得到可决系数，具体包括：
将分类后的所述鱼类养殖数据分为拟合集和验证集，所述拟合集用于所述参数预测模型的参数求解和模型修正，所述验证集用于模型验证；
采用1stOpt软件使用拟合集数据对所述参数预测模型的参数进行求解，优化算法采用LM算法以及全局优化算法，迭代求解后得到所述可决系数。
可选的，所述拟合集和所述验证集的样本比例为3：1。
可选的，所述根据所述可决系数对所述参数预测模型进行修正，得到优化后的参数预测模型，具体包括：
根据所述可决系数的大小，对所述参数预测模型进行反馈修正，添加相应自变量的一次效应、二次效应，或者所述自变量之间的交互效应；
采用1stOpt软件使用所述拟合集对修正后的所述参数预测模型的参数进行求解，优化算法采用LM算法以及全局优化算法，迭代求解后得到最佳可决系数；
将所述最佳可决系数下的所述参数预测模型作为所述优化后的参数预测模型。
可选的，所述对所述优化后的参数预测模型进行验证，并将待预测的所述养殖环境参数数据输入至所述优化后的参数预测模型中，输出鱼类生长效益指标数据，具体包括：
通过Matlab软件将所述验证集中相应的所述养殖环境参数数据的数值代入到所述优化后的参数预测模型中，得到相应的特定生长率；
将所述特定生长率与实际特定生长率进行对比，验证所述优化后的参数预测模型的适用性；
将待预测的所述养殖环境参数数据输入至所述优化后的参数预测模型中，输出相应的所述鱼类生长效益指标数据，根据所述鱼类生长效益指标数据调节所述养殖环境参数数据，对养殖系统进行合理优化。
一种养殖环境参数-鱼类生长预测模型建立系统，包括：
鱼类养殖数据采集模块，用于采集鱼类养殖数据；所述鱼类养殖数据包括养殖环境参数数据和鱼类生长指标数据；
鱼类养殖数据分类模块，用于对所述鱼类养殖数据进行分类；
函数关系式获取模块，用于对分类后的所述鱼类养殖数据进行相关性分析，得到鱼类生长指标与各养殖环境参数之间的函数关系式；
参数预测模型构建模块，用于根据所述函数关系式，建立参数预测模型；
参数预测模型求解模块，用于对所述参数预测模型进行参数求解，得到可决系数；
参数预测模型修正模块，用于根据所述可决系数对所述参数预测模型进行修正，得到优化后的参数预测模型；
参数预测模型验证和输出模块，用于对所述优化后的参数预测模型进行验证，并将待预测的所述养殖环境参数数据输入至所述优化后的参数预测模型中，输出鱼类生长效益指标数据。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种养殖环境参数-鱼类生长预测模型建立方法及系统，采集鱼类养殖数据；鱼类养殖数据包括养殖环境参数指标数据和鱼类生长指标数据；对鱼类养殖数据进行分类；对分类后的鱼类养殖数据进行相关性分析，得到鱼类生长指标与各养殖环境参数之间的函数关系式；根据函数关系式，建立参数预测模型；对参数预测模型进行参数求解，得到可决系数；根据可决系数对参数预测模型进行修正，得到优化后的参数预测模型；利用该优化后的参数预测模型，可对鱼类的生长进行精准预测，解决现有鱼类生长预测方法存在的预测精度低的问题。最终对优化后的参数预测模型进行验证，并将养殖环境参数数据输入至优化后的参数预测模型中，输出鱼类生长效益指标数据。鱼类效益指标数据就是预测出来的鱼类生长性能相关数据，根据鱼类效益指标数据调节养殖环境参数数据，有利于鱼类养殖企业寻求最佳生产负荷和养殖规模，为指导养殖企业对养殖系统现状进行合理优化和改善提供了理论数据，可有效提高养殖企业的经济效益。
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1提供的一种养殖环境参数-鱼类生长预测模型建立方法的流程图；
图2为本发明实施例1提供的草鱼特定生长率对初始养殖密度的响应曲线图；
图3为本发明实施例1提供的草鱼特定生长率对初始鱼体质量的响应曲线图；
图4为本发明实施例1提供的草鱼特定生长率对养殖温度的响应曲线图；
图5为本发明实施例1提供的参数预测模型的适用性验证的结果示意图；
图6为本发明实施例2提供的一种养殖环境参数-鱼类生长预测模型建立系统的结构框图。
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。
本发明的目的是提供一种养殖环境参数-鱼类生长预测模型的建立方法及系统，在寻找数据之间相关性的同时，通过严谨的数学计算得到一种鱼类生长对养殖环境参数响应的预测模型，将鱼类生长对养殖环境参数变化的响应以数学关系式的形式表现出来以实现相关性可视化。根据养殖环境参数数据和鱼类生长指标数据构建参数预测模型，用于鱼类养殖过程中的生长预测，对养殖系统进行合理优化，有助于鱼类的生长发育，为养殖企业带来效益。
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。
实施例1
如图1所示，本实施例示出了一种养殖环境参数-鱼类生长预测模型建立方法，该方法具体包括以下步骤：
步骤S1、采集鱼类养殖数据；所述鱼类养殖数据包括养殖环境参数数据和鱼类生长指标数据；所述养殖环境参数数据包括水化因子指标数据和生物因子指标数据，具体包括：
采集所述养殖环境参数数据和所述鱼类生长指标数据，并建立数据库；在建立数据库时，利用各种可以收集鱼类生长以及相应养殖环境参数数据的方法来对数据库进行补充和丰富，数据来源包括且不限于目前已有文献、实地调查和科学实验获取等等。
所述水化因子指标数据包括但不限于养殖温度、氨氮和亚硝态氮；所述生物因子指标数据包括但不限于养殖种类、养殖模式、投喂方式、养殖密度和养殖鱼体质量；所述鱼类生长指标数据包括但不限于特定生长率，还可以为增重率、饵料系数、食物转化效率和肥满度等。
需要说明的是，本实施例中选择的养殖温度、初始养殖密度和初始鱼体质量这三个养殖环境参数指标数据，以及特定生长率这一个鱼类生长指标数据，是优选出来的对鱼生长影响较大的几种养殖环境参数因子。实际上，养殖环境参数指标还可以包括溶解氧、总氮、氨氮、硝态氮、亚硝酸盐氮、总磷、可溶性活性磷、叶绿素a和化学需氧量等指标。鱼类生长指标包括很多种，如特定生长率、增重率、饵料系数、食物转化效率和肥满度等。本申请选择最具有代表性的特定生长率，特定生长率可直接反映出鱼类生长速度的快慢。因此，本实施例设置的养殖环境参数和鱼类生长指标仅仅是优选的其中几种，并不是固定的、唯一的，不应作为对本发明保护范围的限制，还可以包括其他参数因子，可根据实际情况自行设定，任何通过本发明的方法对养殖环境参数和鱼类生长指标的设定都应在本发明的保护范围之内。
下面以草鱼为例进行详细举例说明：
本实施例中，通过查阅文献采集草鱼养殖数据共142组并建立数据库，根据养殖数据得到草鱼的特定生长率(SGR)，另外分析养殖环境参数数据，发现各组数据间差异较大的为养殖温度、初始养殖密度、初始鱼体质量三项指标，其他指标如氨氮、亚硝态氮等水平处于安全浓度范围内，未对草鱼生长造成明显影响，故本实施例不加考虑。则有：
SGR＝(lnW末-lnW初)/t×100％
其中，SGR表示特定生长率，W末表示测量周期末的鱼质量，W初表示测量周期初的鱼质量；t表示一个测量周期的天数。
步骤S2、对所述鱼类养殖数据进行分类；具体包括：
对所述养殖种类、所述养殖模式和所述投喂方式进行统一，基于此对其它的所述养殖环境参数数据和所述鱼类生长指标数据进行分类。
应说明的是，影响鱼类生长效益的因素除了水化因子之外，还有养殖模式、投喂方式以及养殖种类等生物因子因素，为提高建模的成功率，本实施例对数据库中的草鱼养殖数据进行分类，对养殖种类、养殖模式以及投喂方式等进行统一，即控制养殖种类、养殖模式以及投喂方式这三种变量因素保持不变，对包括养殖密度、养殖鱼体质量、养殖温度、氨氮和亚硝态氮等养殖环境参数数据以及包括特定生长率的鱼类生长指标数据进行分类，在此前提下再进行数据建模。例如，按照投喂方式可分有饱食投喂、定量投喂等，进行这种分类的目的在于，因为鱼的不同投喂方式会对鱼类生长产生较大的影响，为消除这种影响而进行分类，比如类别之一为饱食投喂下的草鱼，此类中的具体数据有草鱼生长指标以及对应的养殖环境参数，以此数据分析得到的模型只适用于对饱食投喂下的草鱼的生长情况进行预测，而不适用于其他种类和投喂方式的鱼的生长情况。本实施例中主要考虑养殖密度、养殖鱼体质量、养殖温度这几种对鱼生长影响较大的指标。本发明在对影响鱼类生长情况预测的部分变量因素进行统一后，对水化因子指标数据、生物因子指标数据和鱼类生长指标数据进行分类和分析，而有效地消除了变量因素对预测结果的影响，保证最终预测结果的准确性，提升了预测精度。
步骤S3、对分类后的所述鱼类养殖数据进行相关性分析，得到鱼类生长指标与各养殖环境参数指标之间的函数关系式；具体包括：
选择任意种类下的所有所述鱼类养殖数据，将该种类下的所述鱼类生长指标作为因变量，各个所述养殖环境参数指标作为自变量，分别绘制散点图，并进行数据初步拟合，得到鱼类生长指标与各养殖环境参数指标之间的函数关系式。
本实施例中，对数据库中的数据分类后，以草鱼生长指标如特定生长率为因变量，养殖温度、初始养殖密度等养殖环境参数指标作为自变量，分别绘制出散点图，散点图就是如图2-图4所示的响应曲线图，曲线两侧的散点分布，并进行数据初步拟合，得到特定生长率与各个养殖环境参数之间的函数关系式及拟合优度。步骤S3的关键点在于进行单养殖环境参数因子分析前，应对其它养殖环境参数进行变量范围控制以获得较高的拟合优度，从而提高模型预测的准确性。其中，变量范围控制即降低其它养殖环境参数对图形的干扰，比如在获得特定生长率和养殖温度之间的散点图时，应保证所选数据中其它因素如初始养殖密度、氨氮浓度等在较小的波动范围区间。
如图2所示，对特定生长率和初始养殖密度进行分析，养殖温度控制在25～27℃，草鱼的初始鱼体质量为0～10g，得到草鱼的特定生长率对初始养殖密度的响应：
SGR＝1.3852ρ-0.308，R2＝0.5824
其中，SGR表示特定生长率，ρ表示草鱼的初始养殖密度，R2表示可决系数，可决系数是度量拟合优度的统计量。
如图3所示，对特定生长率和草鱼的初始鱼体质量进行分析，养殖温度控制在25～27℃，初始养殖密度为0～4.2g/L，得到草鱼的特定生长率对初始鱼体质量的响应：
SGR＝2.9515M-0.192，R2＝0.5149
其中，SGR表示特定生长率，M表示草鱼的初始鱼体质量，R2表示可决系数。
如图4所示，对特定生长率和养殖期间内平均养殖温度进行分析，草鱼的初始鱼体质量为0～10g，初始养殖密度为0～4.2g/L，得到草鱼的特定生长率对养殖温度的响应：
SGR＝0.0017e0.2552T，R2＝0.6122
其中，SGR表示特定生长率，T表示草鱼的平均养殖温度，e为自然常数，R2表示可决系数。
通过上述步骤得到草鱼的特定生长率与初始养殖密度、初始鱼体质量、养殖温度三项指标之间的相关性以及函数关系式。
步骤S4、根据所述函数关系式，建立参数预测模型；具体包括：
对所述函数关系式添加系数和扰动项，得到所述鱼类生长指标与所有所述养殖环境参数指标的总函数关系式，初步建立含有多个未知参数的所述参数预测模型。
通过上述步骤可以得到特定生长率和各个养殖环境参数之间的数学函数关系。养殖环境参数中水化因子和生物因子通过综合效应影响鱼类的生长，即互作效应。基于互作效应原理对特定生长率与各个养殖之间的函数关系式进行组合，此过程中应将函数关系式中的参数以不同字母的形式表示，并添加系数和扰动项等要素初步构成包含特定生长率以及所有养殖环境参数的函数关系式，从而得到参数预测模型，总函数关系式为：
其中，SGR表示特定生长率，T表示草鱼的平均养殖温度，M表示草鱼的初始鱼体质量，ρ表示草鱼的初始养殖密度，e为自然常数，a、b、c、d、f为参数。
本实施例中，在步骤S3中，可以选取养殖环境参数中关键影响因子进行后续的步骤S4的分析，参照初步拟合结果，并结合相关性分析，选取相关性较高的关键养殖环境参数进行后续建模过程。并且，若养殖环境参数较多，还可以采用主成分分析法或因子分析法对其进行降维，从而更容易确定关键的养殖环境参数，简化计算过程，减少计算量。
步骤S5、对所述参数预测模型进行参数求解，得到可决系数；具体包括：
步骤S5.1、将分类后的所述鱼类养殖数据分为拟合集和验证集，所述拟合集用于所述参数预测模型的参数求解和模型修正，所述验证集用于模型验证。
本实施例中，所述拟合集和所述验证集的样本比例为3：1，实际可根据具体情况自行设定拟合集和验证集的比例以及具体数量。
本实施例中，将鱼类养殖数据分为拟合集和验证集，是指将鱼类养殖数据中对应的每一种指标数据都按照比例分为拟合集和验证集，鱼类养殖数据划分完成后，其中拟合集为107组数据，约占总数据量的75％，验证集为35组数据，约占总数据量的25％。同时，为方便对养殖数据进行处理，可对养殖数据进行标准化，以消除各个数据间的量纲的影响，进一步提升模型预测的准确性。
步骤S5.2、采用1stOpt软件使用拟合集数据对所述参数预测模型的参数进行求解，优化算法采用LM算法以及全局优化算法，迭代求解后得到所述可决系数。
本实施例中，迭代28次达到收敛判断标准后，得到可决系数R2的结果：
将上述参数代入前述涉及可决系数的公式中，经计算得到可决系数R2＝0.4。
本实施例中，由于参数预测模型中的参数较多且为非线性函数，因此应将非线性最小二乘问题转换成线性最小二乘问题，并进行迭代求解。此类函数逼近法常用优化方法为莱文博格-马夸特算法(Levenberg–Marquardt算法，简称LM算法)，通过1stOpt软件使用拟合集数据对模型参数进行求解并得到模型的可决系数，利用1stOpt软件独特的全局优化算法可以在使用迭代法的同时，使给定合适的初始值成为非必需，方便实用。
步骤S6、根据所述可决系数对所述参数预测模型进行修正，得到优化后的参数预测模型；具体包括：
步骤S6.1、根据所述可决系数的大小，对所述参数预测模型进行反馈修正，添加相应自变量的一次效应、二次效应，或者所述自变量之间的交互效应；
本实施例中的模型拟合效果不佳，则需要对其进行修正，考虑变量可能会存在一次效应，故对其添加一次项：
其中：SGR表示特定生长率，T表示草鱼的平均养殖温度，M表示草鱼的初始鱼体质量，ρ表示草鱼的初始养殖密度，e为自然常数，a、b、c、d、f、g、h为参数。
步骤S6.2、再次采用1stOpt软件使用所述拟合集对修正后的所述参数预测模型的参数进行求解，优化算法采用LM算法以及全局优化算法，迭代求解后得到最佳可决系数；
本实施例中，在28次迭代的基础上再次进行迭代，在迭代29次达到收敛判断标准后，计算结束：
其中：SGR表示特定生长率，T表示草鱼的平均养殖温度，M表示草鱼的初始鱼体质量，ρ表示草鱼的初始养殖密度，e为自然常数。
经过步骤S6修正过程后，得到最佳的可决系数R2＝0.79，可决系数R2达到0.79，表明参数预测模型的拟合效果较好。
步骤S6.3、将所述最佳可决系数下的所述参数预测模型作为所述优化后的参数预测模型。应说明，拟合集中数据的准确性以及模型修正的合理性直接影响到步骤S6的成功率。
步骤S7、对所述优化后的参数预测模型进行验证，并将待预测的所述养殖环境参数数据输入至所述优化后的参数预测模型中，输出鱼类生长效益指标数据。具体包括：
步骤S7.1、通过Matlab软件将所述验证集中相应的所述养殖环境参数数据的数值代入到所述优化后的参数预测模型中，得到相应的特定生长率；
步骤S7.2、将所述特定生长率与实际特定生长率进行对比，验证所述优化后的参数预测模型的适用性；
步骤S7.3、将待预测的所述养殖环境参数数据输入至所述优化后的参数预测模型中，输出相应的所述鱼类生长效益指标数据，根据所述鱼类生长效益指标数据调节所述养殖环境参数数据，对养殖系统进行合理优化。
需要说明的是，通过拟合集得到的优化后的参数预测模型虽具有较好的拟合优度，但还需要对其适用性进行验证。各个参数的数值在步骤S6中已经确定，只需将验证集中相应的养殖环境参数数值代入到优化后的参数预测模型的公式中，即可得到相应的特定生长率，将其与实际特定生长率进行对比，例如将计算得到的特定生长率和实际的特定生长率通过图像进行对比观察，以此来评价参数预测模型的适用性。
如图5所示，x轴表示通过模型拟合得到的SGR值，y轴表示数据库中与之对应的SGR真实值，即实际特定生长率。图5中验证集35组数据均匀地分布在对角线y＝x周围，说明模型拟合能力较好，优化后的参数预测模型具有较好的适用性，且并没有出现过拟合现象。通过本发明的方法，最终得到了精确的养殖环境参数-草鱼生长预测模型，利用该预测模型可为工厂化循环水养殖寻找最佳的生产负荷和养殖规模。
还应该说明，本实施例将鱼类设置为草鱼，以及养殖数据的选取，养殖数据的分类以及拟合集和验证集的分组，初始养殖温度、养殖密度和初始鱼体质量的具体范围，以及其他具体参数的设置等等，仅仅是列举一个实例进行说明，并不是对本发明保护范围的限制，均可根据实际情况自行进行设定。例如，鱼类不仅仅局限于草鱼，还可以是其他任意一种养殖鱼类。同时，养殖环境参数的变化对鱼类生长非常重要，养殖过程中鱼类的生长效益不仅仅被养殖密度、养殖温度等影响，而是受到养殖环境中多种因子综合效应的影响。在收集更多的数据之后，可在本发明参数预测模型的基础上进行补充完善，若变量过多难以操作，还可以通过降维的方法减少自变量，具体可参考主成分分析法或因子分析法，将自变量降维到较少数量后，再进行建模分析，更加简单、方便，计算量更少，预测结果更加准确、可靠。
实施例2
如图6所示，本实施例提供了一种养殖环境参数-鱼类生长预测模型建立系统，该系统具体包括：
鱼类养殖数据采集模块M1，用于采集鱼类养殖数据；所述鱼类养殖数据包括养殖环境参数数据和鱼类生长指标数据；
鱼类养殖数据分类模块M2，用于对所述鱼类养殖数据进行分类；
函数关系式获取模块M3，用于对分类后的所述鱼类养殖数据进行相关性分析，得到鱼类生长指标与各养殖环境参数之间的函数关系式；
参数预测模型构建模块M4，用于根据所述函数关系式，建立参数预测模型；
参数预测模型求解模块M5，用于对所述参数预测模型进行参数求解，得到可决系数；
参数预测模型修正模块M6，用于根据所述可决系数对所述参数预测模型进行修正，得到优化后的参数预测模型；
参数预测模型验证和输出模块M7，用于对所述优化后的参数预测模型进行验证，并将待预测的所述养殖环境参数数据输入至所述优化后的参数预测模型中，输出鱼类生长效益指标数据。
本发明依托于统计学方法，对数据进行收集及深度挖掘，将鱼类养殖过程中关键因素如养殖温度、初始养殖密度和初始鱼体质量等作为响应因子，以鱼类生长效益指标作为响应值进行数据分析，探究养殖环境因子(水质因子和生物因子)与鱼类生长效益之间的相关性，得到鱼类生长效益指标与养殖环境因子两者之间的函数关系式，并对模型进行准确性验证。基于此模型则可通过收集养殖环境因子来对相应鱼类生长效益进行预测。
本发明将鱼类生长对养殖环境参数变化的响应以数学关系式的形式表现出来，实现了根据养殖环境参数对鱼类生长效益的预测功能，由于存在验证集，参数预测模型的适用性也得到肯定，其准确性高、应用范围广，可为智慧渔业和数字渔业提供数据支持。参数预测模型的建立，可以为工厂化循环水养殖寻找最佳的生产负荷和养殖规模，降低水处理成本并掌握养殖和苗种生产中的适当放养密度，满足了不同用户和不同养殖对象的生产需求。另外，参数预测模型仅通过采集养殖环境参数即可对鱼类生长效益进行预测，这将极大提高工厂化循环水养殖的自动化水平，可以完善目前养殖过程中缺乏的生产预警机制与控制策略并降低养殖精准生产的数据信息采集难度，有利于我国水产养殖行业的发展。
本说明书中各个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。本说明书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)
1.一种养殖环境参数-鱼类生长预测模型建立方法，其特征在于，包括：
采集鱼类养殖数据；所述鱼类养殖数据包括养殖环境参数数据和鱼类生长指标数据；
对所述鱼类养殖数据进行分类；
对分类后的所述鱼类养殖数据进行相关性分析，得到鱼类生长指标与各养殖环境参数之间的函数关系式；
根据所述函数关系式，建立参数预测模型；
对所述参数预测模型进行参数求解，得到可决系数；
根据所述可决系数对所述参数预测模型进行修正，得到优化后的参数预测模型；
对所述优化后的参数预测模型进行验证，并将待预测的所述养殖环境参数数据输入至所述优化后的参数预测模型中，输出鱼类生长效益指标数据。
2.根据权利要求1所述的养殖环境参数-鱼类生长预测模型建立方法，其特征在于，所述采集鱼类养殖数据，具体包括：
采集所述养殖环境参数数据和所述鱼类生长指标数据，并建立数据库；
所述养殖环境参数数据包括水化因子指标数据和生物因子指标数据；所述水化因子指标数据包括养殖温度、氨氮和亚硝态氮；所述生物因子指标数据包括养殖种类、养殖模式、投喂方式、养殖密度和养殖鱼体质量；所述鱼类生长指标数据包括特定生长率。
3.根据权利要求2所述的养殖环境参数-鱼类生长预测模型建立方法，其特征在于，所述对所述鱼类养殖数据进行分类，具体包括：
对所述养殖种类、所述养殖模式和所述投喂方式进行统一，基于此对其它的所述养殖环境参数数据和所述鱼类生长指标数据进行分类。
4.根据权利要求1所述的养殖环境参数-鱼类生长预测模型建立方法，其特征在于，所述对分类后的所述鱼类养殖数据进行相关性分析，得到鱼类生长指标与各养殖环境参数之间的函数关系式，具体包括：
选择任意种类下的所有所述鱼类养殖数据，将该种类下的所述鱼类生长指标作为因变量，各个所述养殖环境参数作为自变量，分别绘制散点图，并进行数据初步拟合，得到所述鱼类生长指标与各养殖环境参数之间的函数关系式。
5.根据权利要求1所述的养殖环境参数-鱼类生长预测模型建立方法，其特征在于，所述根据所述函数关系式，建立参数预测模型，具体包括：
对所述函数关系式添加系数和扰动项，得到所述鱼类生长指标与所有所述养殖环境参数的总函数关系式，初步建立含有多个未知参数的所述参数预测模型。
6.根据权利要求1所述的养殖环境参数-鱼类生长预测模型建立方法，其特征在于，所述对所述参数预测模型进行参数求解，得到可决系数，具体包括：
将分类后的所述鱼类养殖数据分为拟合集和验证集，所述拟合集用于所述参数预测模型的参数求解和模型修正，所述验证集用于模型验证；
采用1stOpt软件使用拟合集数据对所述参数预测模型的参数进行求解，优化算法采用LM算法以及全局优化算法，迭代求解后得到所述可决系数。
7.根据权利要求6所述的养殖环境参数-鱼类生长预测模型建立方法，其特征在于，所述拟合集和所述验证集的样本比例为3：1。
8.根据权利要求6所述的养殖环境参数-鱼类生长预测模型建立方法，其特征在于，所述根据所述可决系数对所述参数预测模型进行修正，得到优化后的参数预测模型，具体包括：
根据所述可决系数的大小，对所述参数预测模型进行反馈修正，添加相应自变量的一次效应、二次效应，或者所述自变量之间的交互效应；
采用1stOpt软件使用所述拟合集对修正后的所述参数预测模型的参数进行求解，优化算法采用LM算法以及全局优化算法，迭代求解后得到最佳可决系数；
将所述最佳可决系数下的所述参数预测模型作为所述优化后的参数预测模型。
9.根据权利要求6所述的养殖环境参数-鱼类生长预测模型建立方法，其特征在于，所述对所述优化后的参数预测模型进行验证，并将待预测的所述养殖环境参数数据输入至所述优化后的参数预测模型中，输出鱼类生长效益指标数据，具体包括：
通过Matlab软件将所述验证集中相应的所述养殖环境参数数据的数值代入到所述优化后的参数预测模型中，得到相应的特定生长率；
将所述特定生长率与实际特定生长率进行对比，验证所述优化后的参数预测模型的适用性；
将待预测的所述养殖环境参数数据输入至所述优化后的参数预测模型中，输出相应的所述鱼类生长效益指标数据，根据所述鱼类生长效益指标数据调节所述养殖环境参数数据，对养殖系统进行合理优化。
10.一种养殖环境参数-鱼类生长预测模型建立系统，其特征在于，包括：
鱼类养殖数据采集模块，用于采集鱼类养殖数据；所述鱼类养殖数据包括养殖环境参数数据和鱼类生长指标数据；
鱼类养殖数据分类模块，用于对所述鱼类养殖数据进行分类；
函数关系式获取模块，用于对分类后的所述鱼类养殖数据进行相关性分析，得到鱼类生长指标与各养殖环境参数之间的函数关系式；
参数预测模型构建模块，用于根据所述函数关系式，建立参数预测模型；
参数预测模型求解模块，用于对所述参数预测模型进行参数求解，得到可决系数；
参数预测模型修正模块，用于根据所述可决系数对所述参数预测模型进行修正，得到优化后的参数预测模型；
参数预测模型验证和输出模块，用于对所述优化后的参数预测模型进行验证，并将待预测的所述养殖环境参数数据输入至所述优化后的参数预测模型中，输出鱼类生长效益指标数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110934941.2A CN113537639B (zh) | 2021-08-16 | 2021-08-16 | 一种养殖环境参数-鱼类生长预测模型建立方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110934941.2A CN113537639B (zh) | 2021-08-16 | 2021-08-16 | 一种养殖环境参数-鱼类生长预测模型建立方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113537639A true CN113537639A (zh) | 2021-10-22 |
| CN113537639B CN113537639B (zh) | 2023-02-10 |
Family
ID=78091109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110934941.2A Active CN113537639B (zh) | 2021-08-16 | 2021-08-16 | 一种养殖环境参数-鱼类生长预测模型建立方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537639B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114510098A (zh) * | 2022-01-28 | 2022-05-17 | 郑州信大捷安信息技术股份有限公司 | 一种生产环境调控方法与系统 |
| CN114741656A (zh) * | 2022-04-21 | 2022-07-12 | 鄂尔多斯市林业和草原事业发展中心 | 一种遗鸥与摇蚊关系用分析系统 |
| CN116227745A (zh) * | 2023-05-06 | 2023-06-06 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的涉渔船舶调查分析方法及系统 |
| CN116562469A (zh) * | 2023-07-10 | 2023-08-08 | 湖南师范大学 | 一种淡水鱼类病原传播预测方法、装置、设备及存储介质 |
| CN116843085A (zh) * | 2023-08-29 | 2023-10-03 | 深圳市明心数智科技有限公司 | 淡水鱼生长监控方法、装置、设备及存储介质 |
| CN117035164A (zh) * | 2023-07-10 | 2023-11-10 | 江苏省地质调查研究院 | 一种生态灾害物监测方法及系统 |
| CN118469534A (zh) * | 2024-05-16 | 2024-08-09 | 中国长江三峡集团有限公司中华鲟研究所 | 出苗时间和开口时间的预测方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101720682A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院水生生物研究所 | 湖泊鳜鱼规模化养殖方法 |
| CN101731172A (zh) * | 2010-01-22 | 2010-06-16 | 中国科学院水生生物研究所 | 一种长吻鮠养殖动态投饲表的建立方法 |
-
2021
- 2021-08-16 CN CN202110934941.2A patent/CN113537639B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101720682A (zh) * | 2008-10-24 | 2010-06-09 | 中国科学院水生生物研究所 | 湖泊鳜鱼规模化养殖方法 |
| CN101731172A (zh) * | 2010-01-22 | 2010-06-16 | 中国科学院水生生物研究所 | 一种长吻鮠养殖动态投饲表的建立方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王明德，王耿，吴勇主编: "《物理化学实验》", 30 September 2013, 西安交通大学出版社 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114510098A (zh) * | 2022-01-28 | 2022-05-17 | 郑州信大捷安信息技术股份有限公司 | 一种生产环境调控方法与系统 |
| CN114741656A (zh) * | 2022-04-21 | 2022-07-12 | 鄂尔多斯市林业和草原事业发展中心 | 一种遗鸥与摇蚊关系用分析系统 |
| CN116227745A (zh) * | 2023-05-06 | 2023-06-06 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的涉渔船舶调查分析方法及系统 |
| CN116227745B (zh) * | 2023-05-06 | 2023-08-04 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的涉渔船舶调查分析方法及系统 |
| CN116562469A (zh) * | 2023-07-10 | 2023-08-08 | 湖南师范大学 | 一种淡水鱼类病原传播预测方法、装置、设备及存储介质 |
| CN116562469B (zh) * | 2023-07-10 | 2023-09-19 | 湖南师范大学 | 一种淡水鱼类病原传播预测方法、装置、设备及存储介质 |
| CN117035164A (zh) * | 2023-07-10 | 2023-11-10 | 江苏省地质调查研究院 | 一种生态灾害物监测方法及系统 |
| CN117035164B (zh) * | 2023-07-10 | 2024-03-12 | 江苏省地质调查研究院 | 一种生态灾害物监测方法及系统 |
| CN116843085A (zh) * | 2023-08-29 | 2023-10-03 | 深圳市明心数智科技有限公司 | 淡水鱼生长监控方法、装置、设备及存储介质 |
| CN116843085B (zh) * | 2023-08-29 | 2023-12-01 | 深圳市明心数智科技有限公司 | 淡水鱼生长监控方法、装置、设备及存储介质 |
| CN118469534A (zh) * | 2024-05-16 | 2024-08-09 | 中国长江三峡集团有限公司中华鲟研究所 | 出苗时间和开口时间的预测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113537639B (zh) | 2023-02-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113537639B (zh) | 一种养殖环境参数-鱼类生长预测模型建立方法及系统 | |
| CN111476422A (zh) | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 | |
| CN114637351A (zh) | 一种设施作物温室环境调控方法及系统 | |
| CN117786584B (zh) | 基于大数据分析的畜牧业水源污染监测预警方法及系统 | |
| CN109921426A (zh) | 基于cv-kde的风电并网系统概率潮流计算方法 | |
| CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
| Wen et al. | MapReduce-based BP neural network classification of aquaculture water quality | |
| CN117610578A (zh) | 智能污水处理系统及方法 | |
| CN115879750B (zh) | 一种水产育苗环境监控管理系统及方法 | |
| CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
| CN117711521A (zh) | 一种人工智能模型预测堆肥氨氮含量的方法 | |
| CN117635361A (zh) | 一种基于集成学习的金枪鱼渔场预测方法及系统 | |
| CN112598050A (zh) | 生态环境数据质量控制方法 | |
| CN115935196A (zh) | 工艺与生产线的匹配度计算方法、优化方法和装置 | |
| Jiang et al. | Aquaculture Prediction Model Based on Improved Water Quality Parameter Data Prediction Algorithm under the Background of Big Data | |
| CN114066135A (zh) | 一种水质模型参数自动优化方法及系统 | |
| CN114444295A (zh) | 一种基于组合时序预测的NOx废气浓度预测方法 | |
| CN113111588A (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| CN112633581A (zh) | 基于用电数据的电力发展状况分析方法 | |
| Zheng et al. | Study on Feeding decision Model of Cynoglossus semilaevis based on BP neural network | |
| Ji et al. | An Active Learning based Latency Prediction Approach for Neural Network Architecture | |
| CN113204539B (zh) | 一种融合系统语义的大数据系统参数自动优化方法 | |
| Cristea et al. | The Use of Artificial Intelligence in Sturgeon Aquaculture | |
| Wang et al. | Phenotypic Parameters Prediction of Lettuce based on Computer Vision and Regression | |
| Mednis et al. | Automatic comparison of metabolites names: Impact of criteria thresholds |
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 |