CN115100414B - 一种基于数据分析的藻类培养方法、系统及介质 - Google Patents
一种基于数据分析的藻类培养方法、系统及介质 Download PDFInfo
- Publication number
- CN115100414B CN115100414B CN202210874947.XA CN202210874947A CN115100414B CN 115100414 B CN115100414 B CN 115100414B CN 202210874947 A CN202210874947 A CN 202210874947A CN 115100414 B CN115100414 B CN 115100414B
- Authority
- CN
- China
- Prior art keywords
- data
- algae
- pond
- information
- aquatic
- 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
- 241000195493 Cryptophyta Species 0.000 title claims abstract description 240
- 238000007405 data analysis Methods 0.000 title claims abstract description 40
- 238000012364 cultivation method Methods 0.000 title claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 97
- 230000005791 algae growth Effects 0.000 claims abstract description 91
- 230000009286 beneficial effect Effects 0.000 claims abstract description 65
- 230000007613 environmental effect Effects 0.000 claims abstract description 26
- 230000033228 biological regulation Effects 0.000 claims abstract description 25
- 230000012010 growth Effects 0.000 claims abstract description 23
- 238000009360 aquaculture Methods 0.000 claims abstract description 15
- 244000144974 aquaculture Species 0.000 claims abstract description 15
- 230000002265 prevention Effects 0.000 claims abstract description 4
- 230000005764 inhibitory process Effects 0.000 claims description 46
- 239000000126 substance Substances 0.000 claims description 34
- 238000012937 correction Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 18
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 16
- 229910052760 oxygen Inorganic materials 0.000 claims description 16
- 239000001301 oxygen Substances 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 11
- 230000029219 regulation of pH Effects 0.000 claims description 8
- 241000894007 species Species 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000036541 health Effects 0.000 abstract description 3
- 241000196324 Embryophyta Species 0.000 description 25
- 238000009395 breeding Methods 0.000 description 7
- 230000001488 breeding effect Effects 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 6
- 238000012351 Integrated analysis Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- ZKQDCIXGCQPQNV-UHFFFAOYSA-N Calcium hypochlorite Chemical compound [Ca+2].Cl[O-].Cl[O-] ZKQDCIXGCQPQNV-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 241000238557 Decapoda Species 0.000 description 2
- 240000003826 Eichhornia crassipes Species 0.000 description 2
- 244000207740 Lemna minor Species 0.000 description 2
- 235000006439 Lemna minor Nutrition 0.000 description 2
- 244000273256 Phragmites communis Species 0.000 description 2
- 235000014676 Phragmites communis Nutrition 0.000 description 2
- 235000001855 Portulaca oleracea Nutrition 0.000 description 2
- 235000004224 Typha angustifolia Nutrition 0.000 description 2
- 240000001398 Typha domingensis Species 0.000 description 2
- 239000003674 animal food additive Substances 0.000 description 2
- 239000007844 bleaching agent Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 229910000365 copper sulfate Inorganic materials 0.000 description 2
- ARUVKPQLZAKDPS-UHFFFAOYSA-L copper(II) sulfate Chemical compound [Cu+2].[O-][S+2]([O-])([O-])[O-] ARUVKPQLZAKDPS-UHFFFAOYSA-L 0.000 description 2
- 238000012258 culturing Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000011790 ferrous sulphate Substances 0.000 description 2
- 235000003891 ferrous sulphate Nutrition 0.000 description 2
- BAUYGSIQEAFULO-UHFFFAOYSA-L iron(2+) sulfate (anhydrous) Chemical compound [Fe+2].[O-]S([O-])(=O)=O BAUYGSIQEAFULO-UHFFFAOYSA-L 0.000 description 2
- 229910000359 iron(II) sulfate Inorganic materials 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000012286 potassium permanganate Substances 0.000 description 2
- 230000001850 reproductive effect Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 241000199924 Dictyota Species 0.000 description 1
- 208000035240 Disease Resistance Diseases 0.000 description 1
- 241000223115 Limacina Species 0.000 description 1
- 241000192701 Microcystis Species 0.000 description 1
- 241001560086 Pachyrhizus Species 0.000 description 1
- 241000736199 Paeonia Species 0.000 description 1
- 241000264279 Sargassum fusiforme Species 0.000 description 1
- 241000196294 Spirogyra Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000001651 autotrophic effect Effects 0.000 description 1
- 230000000975 bioactive effect Effects 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 210000003467 cheek Anatomy 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
- 238000012136 culture method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000002816 gill Anatomy 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000018102 proteins Nutrition 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- 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)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Multimedia (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据分析的藻类培养方法、系统及介质。通过获取水产池塘图像数据与水产池塘环境数据，分析其中水产池塘中的图像数据，本发明根据图像数据中的色彩特征值，能够精准判断出当前池塘中的有益藻类和有害藻类的生长状况。通过在藻类生长模拟模型中导入历史天气数据和藻类生长信息，分析出有益藻类与有害藻类的模拟生长预测数据，根据模拟生长预测数据实现对有益藻类与有害藻类的精准调控培养与有效防治，有效改善水产养殖的水体环境，实现了改善水产生物健康状况与提高水产养殖经济效益的目的。
Description
技术领域
本发明涉及数据分析领域，更具体的，涉及一种基于数据分析的藻类培养方法、系统及介质。
背景技术
藻类是生活在海洋中的一类含有叶绿素的低等单细胞自养植物，作为海洋中无机物的天然富集者和有机物的初级生产者，其因富含糖类、脂类、蛋白质、维生素、矿物质、微量元素及多种生物活性物质，而具有较高的营养价值。此外，藻类还具有较高的药用价值，在多种医学典籍、历代本草和沿海地方府县志均有记载其药用价值和使用方法。因此，将藻类作为饲料添加剂应用于水产养殖中，不仅可以满足水产动物的营养需求，还能够提高水产动物自身的抗病能力，并且藻类营养丰富、成本较低，作为饲料原料和饲料添加剂有着巨大的开发潜力。
但是，藻类的生长繁殖也有利有弊，在水产养殖中，存在一些有害藻类，比如水网藻、水绵、青泥苔、微囊藻。若有害藻类繁殖过多，一方面会大量消耗水中养料，使池水极度贫瘠，浮游生物不能大量繁殖，影响淡水养殖动物的生长；另一方面因其附着在虾、蟹等养殖动物的鳃、颊、额等处，使其活动困难，摄食减少，严重时使养殖动物窒息死亡。所以，如何合理地在水产养殖中培养藻类，成为了水产养殖的一大难题，因此，现在亟需一种合理高效培养藻类的方法。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于数据分析的藻类培养方法、系统及介质。
本发明第一方面提供了一种基于数据分析的藻类培养方法，包括：
获取水产池塘图像数据与水产池塘环境数据；
将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息；
获取历史天气数据，将历史天气数据和藻类生长信息导入藻类生长模拟模型进行数据模拟，得到总体模拟数据；
根据总体模拟数据进行水产池塘中的藻类调控培养。
本方案中，所述将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息，具体为：
将水产池塘图像数据进行降噪、平滑预处理，并选取清晰度大于预设清晰阈值的图像数据，得到预处理图像数据；
将所述预处理图像数据进行图像色彩区域划分并计算出图像数据的色彩平均度；
结合色彩平均度，将预处理图像数据进行色彩特征值提取。
本方案中，所述将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值中，色彩特征值提取的具体公式为：
其中，
为色彩特征值，
为红色通道修正系数，
为绿色通道修正系数，
蓝色通道修正系数，
，
，
分别表示第i个像素点的红色、绿色、蓝色通道数值，E为
色彩修正系数，AG为色彩平均度，T为像素点的总个数。
本方案中，所述将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息，之前包括：
构建藻类图像数据库，获取历史水产池塘图像数据中的有益藻类池塘图像数据与有害藻类池塘图像数据；
将有益藻类池塘图像数据与有害藻类池塘图像数据导入藻类数据特征数据库；
从大数据中获取有益藻类对比池塘图像数据与有害藻类对比池塘图像数据并将所述图像数据导入藻类图像数据库。
本方案中，所述将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息，具体为：
提取藻类图像数据库中图像数据的色彩对比特征值，将水产池塘图像数据中的色彩特征值与对比色彩特征值进行特征值对比分析，得到有益藻类信息和有害藻类信息；
获取水产池塘环境数据中的历史池塘溶氧量信息和历史池塘温度信息；
根据所述历史池塘溶氧量信息和历史池塘温度信息，结合有益藻类信息和有害藻类信息，得到藻类状态信息；
将有益藻类信息、有害藻类信息和藻类状态信息进行信息数据融合得到藻类生长信息。
本方案中，所述获取历史天气数据，将历史天气数据和藻类生长信息导入藻类生长模拟模型进行数据模拟，得到总体模拟数据，具体为：
藻类生长模拟模型根据历史天气数据与水产池塘环境数据进行数据预测分析，得到池塘预测环境数据；
结合池塘预测环境数据与藻类生长信息，通过藻类生长模拟模型进行数据模拟分析，得到有益藻类繁殖模拟数据与有害藻类繁殖模拟数据；
将池塘预测环境数据、有益藻类繁殖模拟数据与有害藻类繁殖模拟数据进行数据整理得到总体模拟数据。
本方案中，所述根据总体模拟数据进行水产池塘中的藻类调控培养，具体为：
获取有益藻类繁殖模拟数据中的藻类生长趋势数据，将藻类生长趋势数据与预设藻类生长趋势数据进行数据对比分析，得到藻类生长修正信息；
获取池塘预测环境数据中的PH值预测数据与盐度预测数据，结合藻类生长修正信息，得到PH调控信息和盐度调控信息；
将PH调控信息，盐度调控信息进行数据整理得到有益藻类定向培养方案，并将所述方案发送至预设显示设备进行显示。
本方案中，所述根据总体模拟数据进行水产池塘中的藻类调控培养，还包括：
获取有害藻类繁殖模拟数据中的有害藻的种类，从大数据中检索有害藻的种类信息，并得到相应的抑制繁殖化学溶液信息与抑制繁殖水生植物信息；
获取有害藻类繁殖模拟数据中的藻类生长趋势数据，根据所述生长趋势数据进行数据分析，得到有害藻类防治预测数据；
根据有害藻类防治预测数据、抑制繁殖化学溶液信息与抑制繁殖水生植物信息得到化学溶液抑制方案信息和水生植物抑制方案信息；
将化学溶液抑制方案信息和水生植物抑制方案信息进行数据整理得到有害藻类防治方案，并将所述方案发送至预设显示设备进行显示。
本发明第二方面还提供了一种基于数据分析的藻类培养系统，该系统包括：存储器、处理器，所述存储器中包括基于数据分析的藻类培养方法程序，所述基于数据分析的藻类培养方法程序被所述处理器执行时实现如下步骤：
获取水产池塘图像数据与水产池塘环境数据；
将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息；
获取历史天气数据，将历史天气数据和藻类生长信息导入藻类生长模拟模型进行数据模拟，得到总体模拟数据；
根据总体模拟数据进行水产池塘中的藻类调控培养。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于数据分析的藻类培养方法程序，所述基于数据分析的藻类培养方法程序被处理器执行时，实现如上述任一项所述的基于数据分析的藻类培养方法的步骤。
本发明公开了一种基于数据分析的藻类培养方法、系统及介质。通过获取水产池塘图像数据与水产池塘环境数据，分析其中水产池塘中的图像数据，本发明根据图像数据中的色彩特征值，能够精准判断出当前池塘中的有益藻类和有害藻类的生长状况。通过在藻类生长模拟模型中导入历史天气数据和藻类生长信息，分析出有益藻类与有害藻类的模拟生长预测数据，根据模拟生长预测数据实现对有益藻类与有害藻类的精准调控培养与有效防治，有效改善水产养殖的水体环境，实现了改善水产生物健康状况与提高水产养殖经济效益的目的。
附图说明
图1示出了本发明一种基于数据分析的藻类培养方法的流程图；
图2示出了本发明获取藻类生长信息流程图；
图3示出了本发明获取总体模拟数据流程图；
图4示出了本发明一种基于数据分析的藻类培养系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于数据分析的藻类培养方法的流程图。
如图1所示，本发明第一方面提供了一种基于数据分析的藻类培养方法，包括：
S102，获取水产池塘图像数据与水产池塘环境数据；
S104，将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息；
S106，获取历史天气数据，将历史天气数据和藻类生长信息导入藻类生长模拟模型进行数据模拟，得到总体模拟数据；
S108，根据总体模拟数据进行水产池塘中的藻类调控培养。
根据本发明实施例，所述将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息，具体为：
将水产池塘图像数据进行降噪、平滑预处理，并选取清晰度大于预设清晰阈值的图像数据，得到预处理图像数据；
将所述预处理图像数据进行图像色彩区域划分并计算出图像数据的色彩平均度；
结合色彩平均度，将预处理图像数据进行色彩特征值提取。
需要说明的是，所述水产池塘图像数据进行降噪、平滑预处理能够有效增强水产池塘图像的特征，提高后续提取特征值的效率。所述预处理图像数据进行图像色彩区域划分并计算出图像数据的色彩平均度中，所述色彩平均度为一个图像数据的总体色彩平均度。
根据本发明实施例，所述图像色彩区域划分过程具体为：
获取预处理图像数据，将所述图像数据划分为N×M个图像矩形区域；
获取每个图像矩形区域中的像素色彩平均度与预处理图像的总体色彩平均度；
将图像矩形区域的像素色彩平均度与预处理图像的总体色彩平均度进行差值处理，得到平均色彩差值；
选取平均色彩差值小于预设色彩阈值的图像矩形区域，得到优选图像矩形区域；
将所述优选图像矩形区域进行图像合并得到优选图像数据，并将优选图像数据对预处理图像数据进行数据更新，得到更新后的预处理图像数据。
需要说明的是，所述N与M的大小由图像数据的大小决定，图像数据越大，划分的区域就越多，N与M的值越大。N与M的大小范围为20至500。
根据本发明实施例，所述将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值中，色彩特征值提取的具体公式为：
其中，
为色彩特征值，
为红色通道修正系数，
为绿色通道修正系数，
蓝色通道修正系数，
，
，
分别表示第i个像素点的红色、绿色、蓝色通道数值，E为
色彩修正系数，AG为色彩平均度，T为像素点的总个数。
根据本发明实施例，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息，之前包括：
构建藻类图像数据库，获取历史水产池塘图像数据中的有益藻类池塘图像数据与有害藻类池塘图像数据；
将有益藻类池塘图像数据与有害藻类池塘图像数据导入藻类数据特征数据库；
从大数据中获取有益藻类对比池塘图像数据与有害藻类对比池塘图像数据并将所述图像数据导入藻类图像数据库。
需要说明的是，所述历史水产池塘图像数据包括有益藻类池塘图像数据与有害藻类池塘图像数据，所述图像数据均为历史已有的有益藻类繁殖图像数据和有害藻类繁殖图像数据。
图2示出了本发明获取藻类生长信息流程图。
根据本发明实施例，所述将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息，具体为：
S202，提取藻类图像数据库中图像数据的色彩对比特征值，将水产池塘图像数据中的色彩特征值与对比色彩特征值进行特征值对比分析，得到有益藻类信息和有害藻类信息；
S204，获取水产池塘环境数据中的历史池塘溶氧量信息和历史池塘温度信息；
S206，根据所述历史池塘溶氧量信息和历史池塘温度信息，结合有益藻类信息和有害藻类信息，得到藻类状态信息；
S208，将有益藻类信息、有害藻类信息和藻类状态信息进行信息数据融合得到藻类生长信息。
需要说明的是，所述有益藻类信息和有害藻类信息包括水产池塘中的有益藻类和有害藻类的种类信息，藻类生长信息包括水产池塘中的有益藻类和有害藻类的繁殖数量，繁殖速率等信息。所述历史池塘溶氧量信息和历史池塘温度信息中，通过获取历史池塘溶氧量信息和历史池塘温度信息，能够计算分析出当前藻类生长的具体状况，所述历史池塘溶氧量信息和历史池塘温度信息具体为当前一个月内池塘每天的溶氧量数值和温度数值集合。
图3示出了本发明获取总体模拟数据流程图。
根据本发明实施例，所述获取历史天气数据，将历史天气数据和藻类生长信息导入藻类生长模拟模型进行数据模拟，得到总体模拟数据，具体为：
S302，藻类生长模拟模型根据历史天气数据与水产池塘环境数据进行数据预测分析，得到池塘预测环境数据；
S304，结合池塘预测环境数据与藻类生长信息，通过藻类生长模拟模型进行数据模拟分析，得到有益藻类繁殖模拟数据与有害藻类繁殖模拟数据；
S306，将池塘预测环境数据、有益藻类繁殖模拟数据与有害藻类繁殖模拟数据进行数据整理得到总体模拟数据。
需要说明的是，池塘预测环境数据包括池塘温度预测数据、PH值预测数据、盐度预测数据，所述预测数据均为未来20天内的预测数据。所述有益藻类繁殖模拟数据与有害藻类繁殖模拟数据均包括对应藻类的生长趋势数据、生长速率数据。
根据本发明实施例，所述根据总体模拟数据进行水产池塘中的藻类调控培养，具体为：
获取有益藻类繁殖模拟数据中的藻类生长趋势数据，将藻类生长趋势数据与预设藻类生长趋势数据进行数据对比分析，得到藻类生长修正信息；
获取池塘预测环境数据中的PH值预测数据与盐度预测数据，结合藻类生长修正信息，得到PH调控信息和盐度调控信息；
将PH调控信息，盐度调控信息进行数据整理得到有益藻类定向培养方案，并将所述方案发送至预设显示设备进行显示。
需要说明的是，所述藻类生长趋势数据包括有益藻类模拟繁殖数量趋势和模拟繁殖生长速率。所述预设藻类生长趋势数据包括较佳的藻类繁殖数量和繁殖速率，具有较佳的对比参考意义。
根据本发明实施例，所述根据总体模拟数据进行水产池塘中的藻类调控培养，还包括：
获取有害藻类繁殖模拟数据中的有害藻的种类，从大数据中检索有害藻的种类信息，并得到相应的抑制繁殖化学溶液信息与抑制繁殖水生植物信息；
获取有害藻类繁殖模拟数据中的藻类生长趋势数据，根据所述生长趋势数据进行数据分析，得到有害藻类防治预测数据；
根据有害藻类防治预测数据、抑制繁殖化学溶液信息与抑制繁殖水生植物信息得到化学溶液抑制方案信息和水生植物抑制方案信息；
将化学溶液抑制方案信息和水生植物抑制方案信息进行数据整理得到有害藻类防治方案，并将所述方案发送至预设显示设备进行显示。
需要说明的是，所述化学溶液包括硫酸铜溶液、二价铜系金属盐类、漂白粉、高锰酸钾、硫酸亚铁等。所述水生植物包括凤眼莲、芦苇、狭叶香蒲、多穗尾藻、丽藻、浮萍等。所述得到化学溶液抑制方案信息和水生植物抑制方案信息为根据不同的有害藻类选取不同的化学溶液和对应的抑制水生植物，其对有害藻类均有有效的抑制作用。所述化学溶液抑制方案信息包括化学溶液的种类、浓度、泼洒频率等信息。所述水生植物抑制方案信息包括水生植物的栽培数量、栽培密度等信息。
图4示出了本发明一种基于数据分析的藻类培养系统的框图。
本发明第二方面还提供了一种基于数据分析的藻类培养系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于数据分析的藻类培养方法程序，所述基于数据分析的藻类培养方法程序被所述处理器执行时实现如下步骤：
获取水产池塘图像数据与水产池塘环境数据；
将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息；
获取历史天气数据，将历史天气数据和藻类生长信息导入藻类生长模拟模型进行数据模拟，得到总体模拟数据；
根据总体模拟数据进行水产池塘中的藻类调控培养。
根据本发明实施例，所述将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息，具体为：
将水产池塘图像数据进行降噪、平滑预处理，并选取清晰度大于预设清晰阈值的图像数据，得到预处理图像数据；
将所述预处理图像数据进行图像色彩区域划分并计算出图像数据的色彩平均度；
结合色彩平均度，将预处理图像数据进行色彩特征值提取。
需要说明的是，所述水产池塘图像数据进行降噪、平滑预处理能够有效增强水产池塘图像的特征，提高后续提取特征值的效率。所述预处理图像数据进行图像色彩区域划分并计算出图像数据的色彩平均度中，所述色彩平均度为一个图像数据的总体色彩平均度。
根据本发明实施例，所述图像色彩区域划分过程具体为：
获取预处理图像数据，将所述图像数据划分为N×M个图像矩形区域；
获取每个图像矩形区域中的像素色彩平均度与预处理图像的总体色彩平均度；
将图像矩形区域的像素色彩平均度与预处理图像的总体色彩平均度进行差值处理，得到平均色彩差值；
选取平均色彩差值小于预设色彩阈值的图像矩形区域，得到优选图像矩形区域；
将所述优选图像矩形区域进行图像合并得到优选图像数据，并将优选图像数据对预处理图像数据进行数据更新，得到更新后的预处理图像数据。
需要说明的是，所述N与M的大小由图像数据的大小决定，图像数据越大，划分的区域就越多，N与M的值越大。N与M的大小范围为20至500。
根据本发明实施例，所述将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值中，色彩特征值提取的具体公式为：
其中，
为色彩特征值，
为红色通道修正系数，
为绿色通道修正系数，
蓝色通道修正系数，
，
，
分别表示第i个像素点的红色、绿色、蓝色通道数值，E为
色彩修正系数，AG为色彩平均度，T为像素点的总个数。
根据本发明实施例，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息，之前包括：
构建藻类图像数据库，获取历史水产池塘图像数据中的有益藻类池塘图像数据与有害藻类池塘图像数据；
将有益藻类池塘图像数据与有害藻类池塘图像数据导入藻类数据特征数据库；
从大数据中获取有益藻类对比池塘图像数据与有害藻类对比池塘图像数据并将所述图像数据导入藻类图像数据库。
需要说明的是，所述历史水产池塘图像数据包括有益藻类池塘图像数据与有害藻类池塘图像数据，所述图像数据均为历史已有的有益藻类繁殖图像数据和有害藻类繁殖图像数据。
根据本发明实施例，所述将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息，具体为：
提取藻类图像数据库中图像数据的色彩对比特征值，将水产池塘图像数据中的色彩特征值与对比色彩特征值进行特征值对比分析，得到有益藻类信息和有害藻类信息；
获取水产池塘环境数据中的历史池塘溶氧量信息和历史池塘温度信息；
根据所述历史池塘溶氧量信息和历史池塘温度信息，结合有益藻类信息和有害藻类信息，得到藻类状态信息；
将有益藻类信息、有害藻类信息和藻类状态信息进行信息数据融合得到藻类生长信息。
需要说明的是，所述有益藻类信息和有害藻类信息包括水产池塘中的有益藻类和有害藻类的种类信息，藻类生长信息包括水产池塘中的有益藻类和有害藻类的繁殖数量，繁殖速率等信息。所述历史池塘溶氧量信息和历史池塘温度信息中，通过获取历史池塘溶氧量信息和历史池塘温度信息，能够计算分析出当前藻类生长的具体状况，所述历史池塘溶氧量信息和历史池塘温度信息具体为当前一个月内池塘每天的溶氧量数值和温度数值集合。
根据本发明实施例，所述获取历史天气数据，将历史天气数据和藻类生长信息导入藻类生长模拟模型进行数据模拟，得到总体模拟数据，具体为：
藻类生长模拟模型根据历史天气数据与水产池塘环境数据进行数据预测分析，得到池塘预测环境数据；
结合池塘预测环境数据与藻类生长信息，通过藻类生长模拟模型进行数据模拟分析，得到有益藻类繁殖模拟数据与有害藻类繁殖模拟数据；
将池塘预测环境数据、有益藻类繁殖模拟数据与有害藻类繁殖模拟数据进行数据整理得到总体模拟数据。
需要说明的是，池塘预测环境数据包括池塘温度预测数据、PH值预测数据、盐度预测数据，所述预测数据均为未来20天内的预测数据。所述有益藻类繁殖模拟数据与有害藻类繁殖模拟数据均包括对应藻类的生长趋势数据、生长速率数据。
根据本发明实施例，所述根据总体模拟数据进行水产池塘中的藻类调控培养，具体为：
获取有益藻类繁殖模拟数据中的藻类生长趋势数据，将藻类生长趋势数据与预设藻类生长趋势数据进行数据对比分析，得到藻类生长修正信息；
获取池塘预测环境数据中的PH值预测数据与盐度预测数据，结合藻类生长修正信息，得到PH调控信息和盐度调控信息；
将PH调控信息，盐度调控信息进行数据整理得到有益藻类定向培养方案，并将所述方案发送至预设显示设备进行显示。
需要说明的是，所述藻类生长趋势数据包括有益藻类模拟繁殖数量趋势和模拟繁殖生长速率。所述预设藻类生长趋势数据包括较佳的藻类繁殖数量和繁殖速率，具有较佳的对比参考意义。
根据本发明实施例，所述根据总体模拟数据进行水产池塘中的藻类调控培养，还包括：
获取有害藻类繁殖模拟数据中的有害藻的种类，从大数据中检索有害藻的种类信息，并得到相应的抑制繁殖化学溶液信息与抑制繁殖水生植物信息；
获取有害藻类繁殖模拟数据中的藻类生长趋势数据，根据所述生长趋势数据进行数据分析，得到有害藻类防治预测数据；
根据有害藻类防治预测数据、抑制繁殖化学溶液信息与抑制繁殖水生植物信息得到化学溶液抑制方案信息和水生植物抑制方案信息；
将化学溶液抑制方案信息和水生植物抑制方案信息进行数据整理得到有害藻类防治方案，并将所述方案发送至预设显示设备进行显示。
需要说明的是，所述化学溶液包括硫酸铜溶液、二价铜系金属盐类、漂白粉、高锰酸钾、硫酸亚铁等。所述水生植物包括凤眼莲、芦苇、狭叶香蒲、多穗尾藻、丽藻、浮萍等。所述得到化学溶液抑制方案信息和水生植物抑制方案信息为根据不同的有害藻类选取不同的化学溶液和对应的抑制水生植物，其对有害藻类均有有效的抑制作用。所述化学溶液抑制方案信息包括化学溶液的种类、浓度、泼洒频率等信息。所述水生植物抑制方案信息包括水生植物的栽培数量、栽培密度等信息。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于数据分析的藻类培养方法程序，所述基于数据分析的藻类培养方法程序被处理器执行时，实现如上述任一项所述的基于数据分析的藻类培养方法的步骤。
本发明公开了一种基于数据分析的藻类培养方法、系统及介质。通过获取水产池塘图像数据与水产池塘环境数据，分析其中水产池塘中的图像数据，本发明根据图像数据中的色彩特征值，能够精准判断出当前池塘中的有益藻类和有害藻类的生长状况。通过在藻类生长模拟模型中导入历史天气数据和藻类生长信息，分析出有益藻类与有害藻类的模拟生长预测数据，根据模拟生长预测数据实现对有益藻类与有害藻类的精准调控培养与有效防治，有效改善水产养殖的水体环境，实现了改善水产生物健康状况与提高水产养殖经济效益的目的。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于数据分析的藻类培养方法，其特征在于，包括：
获取水产池塘图像数据与水产池塘环境数据；
将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息；
获取历史天气数据，将历史天气数据和藻类生长信息导入藻类生长模拟模型进行数据模拟，得到总体模拟数据；
根据总体模拟数据进行水产池塘中的藻类调控培养。
2.根据权利要求1所述的一种基于数据分析的藻类培养方法，其特征在于，所述将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息，具体为：
将水产池塘图像数据进行降噪、平滑预处理，并选取清晰度大于预设清晰阈值的图像数据，得到预处理图像数据；
将所述预处理图像数据进行图像色彩区域划分并计算出图像数据的色彩平均度；
结合色彩平均度，将预处理图像数据进行色彩特征值提取。
3.根据权利要求1所述的一种基于数据分析的藻类培养方法，其特征在于，所述将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值中，色彩特征值提取的具体公式为：
其中，
为色彩特征值，
为红色通道修正系数，
为绿色通道修正系数，
蓝
色通道修正系数，
，
，
分别表示第i个像素点的红色、绿色、蓝色通道数值，E为色彩修
正系数，AG为色彩平均度，T为像素点的总个数。
4.根据权利要求1所述的一种基于数据分析的藻类培养方法，其特征在于，所述将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息，之前包括：
构建藻类图像数据库，获取历史水产池塘图像数据中的有益藻类池塘图像数据与有害藻类池塘图像数据；
将有益藻类池塘图像数据与有害藻类池塘图像数据导入藻类数据特征数据库；
从大数据中获取有益藻类对比池塘图像数据与有害藻类对比池塘图像数据并将所述图像数据导入藻类图像数据库。
5.根据权利要求1所述的一种基于数据分析的藻类培养方法，其特征在于，所述将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息，具体为：
提取藻类图像数据库中图像数据的色彩对比特征值，将水产池塘图像数据中的色彩特征值与对比色彩特征值进行特征值对比分析，得到有益藻类信息和有害藻类信息；
获取水产池塘环境数据中的历史池塘溶氧量信息和历史池塘温度信息；
根据所述历史池塘溶氧量信息和历史池塘温度信息，结合有益藻类信息和有害藻类信息，得到藻类状态信息；
将有益藻类信息、有害藻类信息和藻类状态信息进行信息数据融合得到藻类生长信息。
6.根据权利要求1所述的一种基于数据分析的藻类培养方法，其特征在于，所述获取历史天气数据，将历史天气数据和藻类生长信息导入藻类生长模拟模型进行数据模拟，得到总体模拟数据，具体为：
藻类生长模拟模型根据历史天气数据与水产池塘环境数据进行数据预测分析，得到池塘预测环境数据；
结合池塘预测环境数据与藻类生长信息，通过藻类生长模拟模型进行数据模拟分析，得到有益藻类繁殖模拟数据与有害藻类繁殖模拟数据；
将池塘预测环境数据、有益藻类繁殖模拟数据与有害藻类繁殖模拟数据进行数据整理得到总体模拟数据。
7.根据权利要求1所述的一种基于数据分析的藻类培养方法，其特征在于，所述根据总体模拟数据进行水产池塘中的藻类调控培养，具体为：
获取有益藻类繁殖模拟数据中的藻类生长趋势数据，将藻类生长趋势数据与预设藻类生长趋势数据进行数据对比分析，得到藻类生长修正信息；
获取池塘预测环境数据中的PH值预测数据与盐度预测数据，结合藻类生长修正信息，得到PH调控信息和盐度调控信息；
将PH调控信息，盐度调控信息进行数据整理得到有益藻类定向培养方案，并将所述方案发送至预设显示设备进行显示。
8.根据权利要求1所述的一种基于数据分析的藻类培养方法，其特征在于，所述根据总体模拟数据进行水产池塘中的藻类调控培养，还包括：
获取有害藻类繁殖模拟数据中的有害藻的种类，从大数据中检索有害藻的种类信息，并得到相应的抑制繁殖化学溶液信息与抑制繁殖水生植物信息；
获取有害藻类繁殖模拟数据中的藻类生长趋势数据，根据所述生长趋势数据进行数据分析，得到有害藻类防治预测数据；
根据有害藻类防治预测数据、抑制繁殖化学溶液信息与抑制繁殖水生植物信息得到化学溶液抑制方案信息和水生植物抑制方案信息；
将化学溶液抑制方案信息和水生植物抑制方案信息进行数据整理得到有害藻类防治方案，并将所述方案发送至预设显示设备进行显示。
9.一种基于数据分析的藻类培养系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于数据分析的藻类培养方法程序，所述基于数据分析的藻类培养方法程序被所述处理器执行时实现如下步骤：
获取水产池塘图像数据与水产池塘环境数据；
将水产池塘图像数据进行图像预处理与色彩特征提取，得到色彩特征值，将色彩特征值与水产池塘环境数据进行综合分析得到藻类生长信息；
获取历史天气数据，将历史天气数据和藻类生长信息导入藻类生长模拟模型进行数据模拟，得到总体模拟数据；
根据总体模拟数据进行水产池塘中的藻类调控培养。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于数据分析的藻类培养方法程序，所述基于数据分析的藻类培养方法程序被处理器执行时，实现如权利要求1至8中任一项所述的基于数据分析的藻类培养方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210874947.XA CN115100414B (zh) | 2022-07-25 | 2022-07-25 | 一种基于数据分析的藻类培养方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210874947.XA CN115100414B (zh) | 2022-07-25 | 2022-07-25 | 一种基于数据分析的藻类培养方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115100414A CN115100414A (zh) | 2022-09-23 |
| CN115100414B true CN115100414B (zh) | 2022-12-23 |
Family
ID=83299356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210874947.XA Active CN115100414B (zh) | 2022-07-25 | 2022-07-25 | 一种基于数据分析的藻类培养方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100414B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117092100B (zh) * | 2023-08-22 | 2024-03-22 | 华南理工大学 | 一种基于图像处理的水环境间歇抽样检测方法及相关装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010059598A1 (en) * | 2008-11-18 | 2010-05-27 | LiveFuels, Inc. | Methods for producing fish with high lipid content |
| CN108522364A (zh) * | 2018-03-30 | 2018-09-14 | 内江市润宏泽凯生物科技有限公司 | 一种草鱼的高效养殖方法 |
| CN109001407A (zh) * | 2018-09-12 | 2018-12-14 | 叶福达 | 一种湖水水质分析系统 |
| CN110476839A (zh) * | 2019-07-24 | 2019-11-22 | 中国农业大学 | 一种基于鱼类生长的优化调控方法及系统 |
| WO2022071546A1 (ja) * | 2020-10-02 | 2022-04-07 | 株式会社ノベルジェン | 藻類培養環境調整方法及び藻類培養環境調整サーバ |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2501101B (en) * | 2012-04-12 | 2014-06-11 | Seagrass Ag Sa Ltd | Method of culturing algae |
| US10387977B2 (en) * | 2014-02-25 | 2019-08-20 | Pioneer Hi-Bred International, Inc. | Environmental management zone modeling and analysis |
| CN108038351B (zh) * | 2017-12-06 | 2020-06-09 | 武汉大学 | 一种基于遥感影像和水生态模型的叶绿素计算方法 |
| CN108665106A (zh) * | 2018-05-15 | 2018-10-16 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
| CN112130596A (zh) * | 2020-09-25 | 2020-12-25 | 创新奇智(青岛)科技有限公司 | 养殖场环境调节方法、装置、电子设备及可读存储介质 |
| CN114708506B (zh) * | 2022-04-07 | 2024-05-14 | 河北科技师范学院 | 一种板栗病害监控系统 |
-
2022
- 2022-07-25 CN CN202210874947.XA patent/CN115100414B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010059598A1 (en) * | 2008-11-18 | 2010-05-27 | LiveFuels, Inc. | Methods for producing fish with high lipid content |
| CN108522364A (zh) * | 2018-03-30 | 2018-09-14 | 内江市润宏泽凯生物科技有限公司 | 一种草鱼的高效养殖方法 |
| CN109001407A (zh) * | 2018-09-12 | 2018-12-14 | 叶福达 | 一种湖水水质分析系统 |
| CN110476839A (zh) * | 2019-07-24 | 2019-11-22 | 中国农业大学 | 一种基于鱼类生长的优化调控方法及系统 |
| WO2022071546A1 (ja) * | 2020-10-02 | 2022-04-07 | 株式会社ノベルジェン | 藻類培養環境調整方法及び藻類培養環境調整サーバ |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115100414A (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lovatelli et al. | Advances in sea cucumber aquaculture and management | |
| El‐Sayed et al. | From Africa to the world—The journey of Nile tilapia | |
| Bouwman et al. | Global hindcasts and future projections of coastal nitrogen and phosphorus loads due to shellfish and seaweed aquaculture | |
| Fitzsimmons | Tilapia aquaculture in Mexico | |
| Williams | The transition in the contribution of living aquatic resources to food security | |
| Massa et al. | Aquaculture in the Mediterranean and the Black Sea: a Blue Growth perspective | |
| Tavares et al. | Systems and techniques used in the culture of soft‐shell swimming crabs | |
| Green et al. | The good, the bad and the recovery in an assisted migration | |
| CN115100414B (zh) | 一种基于数据分析的藻类培养方法、系统及介质 | |
| Andersen et al. | The status of striped bass, Morone saxatilis, as a commercially ready species for US marine aquaculture | |
| Maszczyk et al. | Body size, maturation size, and growth rate of crustaceans | |
| Jones | Ecology of rocky reef fish of northeastern New Zealand: 50 years on | |
| Vieira et al. | Field caging transplants of fish for assessment and monitoring in aquatic toxicology | |
| Soe | Trends of development of Myanmar fisheries: with references to Japanese experiences | |
| Costa-Pierce | Ocean Food Systems and Hybrid Seafood Production: Transdisciplinary Case Studies of Cod, Eels, Salmon, and Lobster | |
| Chakraborty | Culture of soft shell Mangrove crab, Scylla spp. production in the Southwest region of Bangladesh | |
| Muruganandam et al. | Myths, perceptions and knowledge of farmers on basics of fishes and fish farming in western Himalayas: A review of realities | |
| Astriana | Evaluation of the Potential of Integrated Multi-trophic Aquaculture (IMTA) using Oyster (Crassostrea sp.) and Seaweed (Gracilaria sp.) for Shrimp (Penaeus monodon) Farms to Reduce Negative Impacts on Environment and to Improve Coastal Economy in Nusa Tenggara Barat, Indonesia | |
| Wilson et al. | A mathematical programming approach to production decisions in the emerging aquaculture industry | |
| Mbaka et al. | Aquaculture in Africa: Aquatic Animal Welfare, Impact on the Environment and the Sustainability of the Sector | |
| Koester | Trying to grow like a weed: the impact of partial harvests on Alaria esculenta yield, quality, and cost | |
| Lopes | Fisheries Management and Ecosystem Sustainability | |
| Koniyo | Domestication of manggabai fish (Glossogobius giuris) through adaptation to different types of feed and aquaculture containers | |
| Kim et al. | Fish farm monitoring report for outdoor aquaculture of far eastern catfish Silurus asotus in Korea | |
| Sarker et al. | Cost-benefit ratio analysis of freshwater aquaculture in selected area of southern Bangladesh. |
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 |