CN115250969A - 一种大鳞结鱼的人工繁殖方法 - Google Patents
一种大鳞结鱼的人工繁殖方法 Download PDFInfo
- Publication number
- CN115250969A CN115250969A CN202210800907.0A CN202210800907A CN115250969A CN 115250969 A CN115250969 A CN 115250969A CN 202210800907 A CN202210800907 A CN 202210800907A CN 115250969 A CN115250969 A CN 115250969A
- Authority
- CN
- China
- Prior art keywords
- pond
- real
- vox
- time
- value
- 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 44
- 241000157862 Dicamptodontidae Species 0.000 title claims description 11
- 238000009360 aquaculture Methods 0.000 claims abstract description 59
- 244000144974 aquaculture Species 0.000 claims abstract description 59
- 241000251468 Actinopterygii Species 0.000 claims abstract description 56
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 56
- 230000006698 induction Effects 0.000 claims description 42
- 230000001105 regulatory effect Effects 0.000 claims description 25
- 230000001276 controlling effect Effects 0.000 claims description 11
- 230000033228 biological regulation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 235000014676 Phragmites communis Nutrition 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 150000002367 halogens Chemical class 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000001850 reproductive effect Effects 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims 3
- 230000035939 shock Effects 0.000 claims 2
- 241001596954 Larimichthys Species 0.000 claims 1
- 241000277334 Oncorhynchus Species 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 230000001939 inductive effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract 1
- 238000009395 breeding Methods 0.000 description 23
- 230000001488 breeding effect Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 10
- 230000009191 jumping Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 241001282153 Scopelogadus mizolepis Species 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 210000002149 gonad Anatomy 0.000 description 1
- 230000026109 gonad development Effects 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000024121 nodulation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K61/00—Culture of aquatic animals
- A01K61/10—Culture of aquatic animals of fish
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Agronomy & Crop Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Zoology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Artificial Intelligence (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明属于人工繁殖技术领域，本发明公开了一种大鳞结鱼的人工繁殖方法，首先在养殖池塘中布置自适应控制系统，从自适应控制系统获取目标参数，通过各个传感器在养殖鱼塘中获得实时参数，根据实时参数和目标参数获得繁殖诱导值，然后结合各个养殖池塘的繁殖诱导值计算第一系数，最后根据第一系数对养殖池塘进行实时调控。利用了大数据对养殖池塘的环境进行调整，提高诱导性人工繁殖的容错率。同时，克服了不同的养殖池塘在运作过程中存在许多的差异，导致最终实现的大鳞结鱼诱导性人工繁殖的效果趋近相同，有效节约了整个养殖系统的运营成本。
Description
技术领域
本发明属于人工繁殖技术、智能养殖技术领域，具体涉及一种大鳞结鱼的人工繁殖方法。
背景技术
大鳞结鱼在我国范围内的数量并不算多，许多人工养殖场所会选择培育大鳞结鱼做食用鱼；但是野生的大鳞结鱼仅仅分布在澜沧江和怒江水系，但是随着人们的过度捕捞，大鳞结鱼的数量越来越少，大鳞结鱼也成为了澜沧江珍稀濒危土著鱼，然而人工繁殖大鳞结鱼时，由于很难根据经验完全模仿出澜沧江独特的水文条件和繁殖环境，大鳞结鱼的亲鱼的繁殖率和子鱼存活率并不高，孵化率低下；因此，目前相关的产业中一般是通过计算机自动控制，智能的模拟澜沧江的大鳞结鱼繁殖环境，从而提高大鳞结鱼的繁殖率与生存率，为这种澜沧江珍稀濒危土著鱼留住根。
现有的技术一般是在大鳞结鱼的养殖池塘中布置环境自动控制系统,模拟出澜沧江的温度、灯光、水流或者水位的等水文环境，促使大鳞结鱼进行高效繁殖，在大鳞结鱼诱导性人工繁殖的过程中，自动控制系统需要模拟出促使大鳞结鱼性腺发育生长的环境，然而现有的自动控制系统中一般都是去测量澜沧江的温度、灯光、水流或者水位的各项物理指标，然后对应对系统进行设置，然而在实际的人工繁殖场景中，亲鱼对于水质的变化很敏感，由于温度、气候、地理位置等变化导致水质环境存在许多不确定的差异，从而导致自动控制系统的模拟效果并不理想，容错率低下。
发明内容
本发明的目的在于提出一种大鳞结鱼的人工繁殖方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，根据本发明的一方面，提供一种大鳞结鱼的人工繁殖方法，所述方法包括以下步骤：
S100，在养殖池塘中布置自适应控制系统；
S200，从自适应控制系统获取目标参数；
S300，通过各个传感器在养殖鱼塘中获得实时参数；
S400，根据实时参数和目标参数获得繁殖诱导值；
S500，结合各个养殖池塘的繁殖诱导值计算第一系数；
S600，根据第一系数对养殖池塘进行实时调控。
进一步地，在步骤S100中，在养殖池塘中布置自适应控制系统的方法是，自适应控制系统包括大数据运算模型和感知模型，其中感知模型由各个养殖池塘中的环境感知节点构成；在大鳞结鱼的养殖池塘中，均匀地布置环境感知节点，所述环境感知节点包括多个传感器，传感器包含亮度传感器、温度传感器和/或水位传感器；环境感知节点中的亮度传感器、温度传感器和/或水位传感器在各个采集时刻实时采集的各个数据构成一个序列作为第一池塘状态序列；养殖鱼塘中大鳞结鱼的投入时间、鱼的数目或天气数据作为第二池塘状态序列；由第一池塘状态序列和第二池塘状态序列共同构成池塘状态序列；所述大数据运算模型为已经训练好的深度学习网络模型，采集时刻为环境感知节点中各个传感器采集数据的时刻。
进一步地，在步骤S200中，从自适应控制系统获取目标参数的方法是：当池塘状态序列送入大数据运算模型，可获得目标参数，所述目标参数包括温度、亮度或者水位，以温度、亮度或者水位作为可调物理量，将各个可调物理量的集合作为可调物理量集合。
进一步地，在步骤S300中，通过各个传感器在养殖鱼塘中获得实时参数的方法是，当计算获得目标参数后，环境感知节点包括的多个传感器实时地采集并获得一个或者多个实时参数, 所述实时参数包括温度、亮度或者水位数据，实时参数的选择应该与目标参数一一对应，当测量并获得的是多个实时参数，即存在多个传感器时，则计算其算术平均值作为养殖池塘的实时参数。
进一步地，在步骤S400中，根据实时参数和目标参数获得繁殖诱导值的方法是：
从可调物理量集合中依次获取各个元素的目标参数TN和实时参数RN；
由最近一个自然日内各个采集时刻的实时参数RN构成观察序列fcList，fcList＝[RNi]，i∈[1，N1]；N1为最近一个自然日内采集时刻的数量，RNi为fcList中第i个元素；
从最近一个采集时刻开始搜索fcList，当首次搜索到存在RNi的值为RNi+1＜RNi＜RNi+2时，计算获得环境下降量Edown, Edown＝|RNi+1－RNi|；当首次搜索到存在RNi的值为RNi+1＞RNi＞RNi+2，计算获得环境提升量Eup, Eup＝|RNi－RNi+2|；计算繁殖诱导值VOX，
其中，p为环境变次率，p= A1/A2；A1为fcList中所有的RNi的值符合RNi+1＜RNi＜RNi+2的数量，A2为fcList中所有的RNi的值符合RNi+1＞RNi＞RNi+2的数量，i为累加变量。（通过繁殖诱导值可以计量一个水域中一个物理参值的变化速度，以一个时间段作为特征去分析含参值的变化，提高自动控制系统的模拟效果，保证容错率）。
为了进一步的避免了局部数据异常导致的错误判断，提高水质变化监控的敏感度，本发明还提供了另一个更优选的计算繁殖诱导值的方法如下：
优选地，在步骤S400中，根据实时参数和目标参数获得繁殖诱导值的方法是：
分别选择各个可调物理量作为目标参数TN和实时参数RN；以目标参数RN×1.05的值作为目标参数上标TN_up，以目标参数TN×0.95的值作为目标参数下标TN_dw，设定一个区间作为目标参数范围cZone，cZone∈[TN_dw，TN_up]；以在24小时内实时参数RN不在目标参数范围内的数量作为溢出度of_tms；设定一个变量作为溢出周期ofPrd，如果of_tms≥2，ofPrd＝24×60/of_tms，如果of_tms＜2，ofPrd＝24×60；构建一个时间序列作为观察序列fcList，fcList＝[RNi1]，i1∈[1，ofPrd]；设置一个变量作为提升量vup，设置一个变量作为下降量vdw，设置一个变量作为提升次tsup，设置一个变量作为下降次tsdw，初始化提升量vup、提升次tsup、下降次tsdw和下降量vdw的值为0；设置一个变量作为迭代序号i2，初始化i2的值为1，跳转到步骤S401；
S401，当i2＜ofPrd，跳转到步骤S402；当i2≥ofPrd，跳转到步骤S403；
S402，如果fcList[i2]＜fcList[i2＋1]，则为下降次tsdw的值加1，计算获得子下降量sub_vdw,sub_vdw＝fcList[i2＋1]－fcList[i2]，将下降量vdw的值更新为现有的下降量vdw的值与子下降量sub_vdw的值的和，将i2的值加1，跳转到步骤S401；如果fcList[i2]＝fcList[i2＋1]，将i2的值加1，跳转到步骤S401；如果fcList[i2]＞fcList[i2＋1]，则为提升次tsup的值加1，计算获得子提升量sub_vup,sub_vup＝fcList[i2]－fcList[i2＋1]，将提升量vup的值更新为现有的提升量vup的值与子提升量sub_vup的值的和，将i2的值加1，跳转到步骤S401；其中fcList[i2]和fcList[i2＋1]分别代表观察序列中的第i2和第i2＋1个元素；
S403，以tsup和tsdw中的较小值作为陡变次值vs，较大值作为缓变次值ss,计算频变比值pvv,pvv＝ss/vs；计算提升概率R_up，R_up＝tsup÷ofPrd，计算下降概率R_dw, R_dw＝tsdw÷ofPrd；计算均提升量Evup，Evup＝vup÷tsup，计算均下降量Evdw，Evdw＝vdw÷tsdw；计算波动折损度fd，fd＝(R_up×Evup)÷(R_dw×Evdw),计算繁殖诱导值VOX，
其中i3为累加变量，fcList[i3]代表观察序列中的第i3个元素；结束。（通过以上繁殖诱导值可以进一步的避免了局部数据异常导致的错误判断，提高水质变化监控的敏感度，对需求水平进行分析，以获得全局性的需求系统的调节，简化了需求调节难度，保证了池塘中环境的稳定性）。
进一步地，在步骤S500中，结合各个养殖池塘的繁殖诱导值计算第一系数的方法是：通过各个时刻的繁殖诱导值构建骤变序列VList，VList＝[VOXi4]，i4∈[1，N2]；N2为最近24小时内的繁殖诱导值，VOXi4为VList中第i4个元素；
在当前时刻各个养殖池塘均可获得其骤变序列VList，由每个养殖池塘的骤变序列VList作为矩阵的每行构成矩阵，将矩阵作为需求调节模型NXMDL，
其中NC代表养殖池塘的数量，VOXNC,N2为NXMDL中第NC行第N2个元素，代表在第N2个时刻第NC个养殖池塘获得的繁殖诱导值；
计算统一同向系数Saidx：统计各个养殖池塘中的满足条件1的繁殖诱导值VOXi5,i6的总量为同向系数aidx：所述条件1为：VOXi5，i6＜VOXi5,i6+1并且VOXi5,i6+1＜VOXi5,i6+2，或者，满足VOXi5,i6＞VOXi5,i6+1并且VOXi5,i6+1＞VOXi5,i6+2；将获得的各个同向系数aidx中的最大值作为统一同向系数Saidx；其中，i5为取值范围为[1，NC]的变量，i6为取值范围为[1，N2]的变量；VOXi5,i6为NXMDL中第i5行第i6个元素；
分别计算各个养殖池塘的第一系数OSN：令m为养殖池塘的序号，则计算第m个养殖池塘的第一系数OSN(m)的方法如下：
其中i7为累加变量，NXMDL(m,1)和NXMDL(m,i7)分别代表需求调节模型NXMDL中第m行的第1个元素和第i7个元素。（本步骤中获得的需求系数反映了各个水域中一个物理量的需求水平，对需求水平进行分析，以获得全局性的需求系统的调节，简化了需求调节难度，提高了对整个养殖池塘群的需求控制效果，并且降低了局部水域测得信息不对称导致的需求偏差。）
进一步地，在步骤S600中，根据第一系数对养殖池塘进行实时调控的方法是：对各个养殖池塘，分别根据其所得的各个第一系数对可调物理量进行调控；以温度控制装置、亮度调节装置和/或水位控制装置任意一种或多种作为调节装置；其中温度控制装置可以为水温控制器、数字自动温控仪或者加热棒，亮度调节装置可以为亮度可调节的卤素灯、PL灯或日光灯，水位控制装置为干簧管水位控制器、浮球磁性开关液位控制器或者电极式水位控制器；每个可调物理量选用相应的调节装置进行调控，即温度控制装置用于调节温度，亮度调节装置用于调节亮度，水位控制装置用于调节水位，当养殖池塘中可调物理量的OSN≤KN×0.2则提高其调节装置的当前功率的20%；当养殖池塘中可调物理量的OSN∈(0.2×KN,0.5×KN]则提高其调节装置的当前功率的10%；当养殖池塘中可调物理量的OSN∈(0.5×KN, 0.8×KN]则维持当前的调节装置的当前功率的；当养殖池塘中可调物理量的OSN∈(0.8×KN,KN]则降低其调节装置的当前功率的10%，当养殖池塘中可调物理量的OSN＞KN则降低其调节装置的当前功率的20%。
其中，KN为预设的阈值或者KN设置为所有养殖池塘的第一系数的平均值。
本发明还提供了一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统，所述一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种大鳞结鱼的人工繁殖方法中的步骤，所述一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
系统布置单元，用于在养殖池塘中布置自适应控制系统；
目标计量单元，用于从自适应控制系统获取目标参数；
实时测量单元，用于通过各个传感器在养殖鱼塘中获得实时参数；
变化计算单元，用于根据实时参数和目标参数获得繁殖诱导值；
控制预测单元，用于结合各个养殖池塘的繁殖诱导值计算第一系数；
实时调控单元，用于根据第一系数对养殖池塘进行实时调控。
本发明的有益效果为：本发明提供一种大鳞结鱼的人工繁殖方法，结合大数据可以科学地选择适合于促进大鳞结鱼的性腺发育的自然环境，并且通过控制环境中的变量诱导大鳞结鱼的性腺提早、加快发育，科学动态地调节避免了自然因素等不确定因素带来的负面效果，大大提高大鳞结鱼养殖的质量和效率。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，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，在附图中：
图1所示为一种大鳞结鱼的人工繁殖方法的流程图；
图2所示为一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种大鳞结鱼的人工繁殖方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种大鳞结鱼的人工繁殖方法，所述方法包括以下步骤：
S100，在养殖池塘中布置自适应控制系统；
S200，从自适应控制系统获取目标参数；
S300，通过各个传感器在养殖鱼塘中获得实时参数；
S400，根据实时参数和目标参数获得繁殖诱导值；
S500，结合各个养殖池塘的繁殖诱导值计算第一系数；
S600，根据第一系数对养殖池塘进行实时调控。
进一步地，在步骤S100中，在养殖池塘中布置自适应控制系统的方法是，自适应控制系统包括大数据运算模型和感知模型，其中感知模型由各个养殖池塘中的环境感知节点构成；在大鳞结鱼的养殖池塘中，均匀地布置环境感知节点，所述环境感知节点包含亮度传感器、温度传感器和/或水位传感器；环境感知节点中的亮度传感器、温度传感器和/或水位传感器实时采集的各个数据构成一个序列（在每个数据采集的时刻获得亮度传感器、温度传感器和/或水位传感器采集的亮度值、温度值、和/或水位值这三个值构成的一个序列）作为第一池塘状态序列；养殖鱼塘中大鳞结鱼的投入时间、鱼的数目或天气数据作为第二池塘状态序列；由第一池塘状态序列和第二池塘状态序列共同构成池塘状态序列；所述大数据运算模型为已经训练好的深度学习网络模型，深度学习网络模型包括LeNet-5网络、ResNet网络或GAN网络中任意一种。
进一步地，在步骤S200中，从自适应控制系统获取目标参数的方法是：当池塘状态序列送入大数据运算模型，可获得目标参数，所述目标参数包括温度、亮度或者水位，以温度、亮度或者水位作为可调物理量，将各个可调物理量的集合作为可调物理量集合。
进一步地，在步骤S300中，通过各个传感器在养殖鱼塘中获得实时参数的方法是，当计算获得目标参数后，环境感知节点包括的多个传感器实时地采集并获得一个或者多个实时参数, 所述实时参数包括温度、亮度或者水位数据，实时参数的选择应该与目标参数一一对应，当测量并获得的是多个实时参数，即存在多个传感器时，则计算其算术平均值作为养殖池塘的实时参数。
进一步地，在步骤S400中，根据实时参数和目标参数获得繁殖诱导值的方法是：
从可调物理量集合中依次获取各个元素的目标参数TN和实时参数RN；
由最近一个自然日内各个采集时刻的实时参数RN构成观察序列fcList，fcList＝[RNi]，i∈[1，N1]；N1为最近一个自然日内采集时刻的数量，RNi为fcList中第i个元素；
从最近一个采集时刻开始搜索fcList，当首次搜索到存在RNi的值为RNi+1＜RNi＜RNi+2时，计算获得环境下降量Edown, Edown＝|RNi+1－RNi|；当首次搜索到存在RNi的值为RNi+1＞RNi＞RNi+2，计算获得环境提升量Eup, Eup＝|RNi－RNi+2|；计算繁殖诱导值VOX，
其中，p为环境变次率，p= A1/A2；A1为fcList中符合RNi+1＜RNi＜RNi+2的所有的RNi的值数量，A2为fcList中符合RNi+1＞RNi＞RNi+2的所有的RNi的值数量，i为累加变量。（通过繁殖诱导值可以计量一个水域中一个物理参值的变化速度，以一个时间段作为特征去分析含参值的变化，提高自动控制系统的模拟效果，保证容错率）。
为了进一步的避免了局部数据异常导致的错误判断，提高水质变化监控的敏感度，本发明还提供了另一个更优选的计算繁殖诱导值的方法如下：
优选地，在步骤S400中，根据实时参数和目标参数获得繁殖诱导值的方法是：
分别选择各个可调物理量作为目标参数TN和实时参数RN；以目标参数RN×1.05的值作为目标参数上标TN_up，以目标参数TN×0.95的值作为目标参数下标TN_dw，设定一个区间作为目标参数范围cZone，cZone∈[TN_dw，TN_up]；以在24小时内实时参数RN不在目标参数范围内的数量作为溢出度of_tms；设定一个变量作为溢出周期ofPrd，如果of_tms≥2，ofPrd＝24×60/of_tms，如果of_tms＜2，ofPrd＝24×60；构建一个时间序列作为观察序列fcList，fcList＝[RNi1]，i1∈[1，ofPrd]；设置一个变量作为提升量vup，设置一个变量作为下降量vdw，设置一个变量作为提升次tsup，设置一个变量作为下降次tsdw，初始化提升量vup、提升次tsup、下降次tsdw和下降量vdw的值为0；设置一个变量作为迭代序号i2，初始化i2的值为1，跳转到步骤S401；
S401，当i2＜ofPrd，跳转到步骤S402；当i2≥ofPrd，跳转到步骤S403；
S402，如果fcList[i2]＜fcList[i2＋1]，则为下降次tsdw的值加1，计算获得子下降量sub_vdw,sub_vdw＝fcList[i2＋1]－fcList[i2]，将下降量vdw的值更新为现有的下降量vdw的值与子下降量sub_vdw的值的和，将i2的值加1，跳转到步骤S401；如果fcList[i2]＝fcList[i2＋1]，将i2的值加1，跳转到步骤S401；如果fcList[i2]＞fcList[i2＋1]，则为提升次tsup的值加1，计算获得子提升量sub_vup,sub_vup＝fcList[i2]－fcList[i2＋1]，将提升量vup的值更新为现有的提升量vup的值与子提升量sub_vup的值的和，将i2的值加1，跳转到步骤S401；其中fcList[i2]和fcList[i2＋1]分别代表观察序列中的第i2和第i2＋1个元素；
S403，以tsup和tsdw中的较小值作为陡变次值vs，较大值作为缓变次值ss,计算频变比值pvv,pvv＝ss/vs；计算提升概率R_up，R_up＝tsup÷ofPrd，计算下降概率R_dw, R_dw＝tsdw÷ofPrd；计算均提升量Evup，Evup＝vup÷tsup，计算均下降量Evdw，Evdw＝vdw÷tsdw；计算波动折损度fd，fd＝(R_up×Evup)÷(R_dw×Evdw),计算繁殖诱导值VOX，
其中i3为累加变量，fcList[i3]代表观察序列中的第i3个元素；结束。（通过以上繁殖诱导值可以进一步的避免了局部数据异常导致的错误判断，提高水质变化监控的敏感度，对需求水平进行分析，以获得全局性的需求系统的调节，简化了需求调节难度，保证了池塘中环境的稳定性）。
进一步地，在步骤S500中，结合各个养殖池塘的繁殖诱导值计算第一系数的方法是：通过各个时刻的繁殖诱导值构建骤变序列VList，VList＝[VOXi4]，i4∈[1，N2]；N2为最近24小时内的繁殖诱导值，VOXi4为VList中第i4个元素；
在当前时刻各个养殖池塘均可获得其骤变序列VList，由每个养殖池塘的骤变序列VList作为矩阵的每行构成矩阵，将矩阵作为需求调节模型NXMDL，
其中NC代表养殖池塘的数量，VOXNC,N2为其第NC行第N2个元素，代表在第N2个时刻第NC个养殖池塘获得的繁殖诱导值；
计算统一同向系数Saidx：统计各个养殖池塘中的满足条件1的繁殖诱导值VOXi5,i6的总量为同向系数aidx：所述条件1为：VOXi5，i6＜VOXi5,i6+1并且VOXi5,i6+1＜VOXi5,i6+2，或者，满足VOXi5,i6＞VOXi5,i6+1并且VOXi5,i6+1＞VOXi5,i6+2；将获得的各个同向系数aidx中的最大值作为统一同向系数Saidx；其中，i5为取值范围为[1，NC]的变量，i6为取值范围为[1，N2]的变量；VOXi5,i6为NXMDL中第i5行第i6个元素；
分别计算各个养殖池塘的第一系数OSN：令m为养殖池塘的序号，则计算第m个养殖池塘的第一系数OSN(m)的方法如下：
其中i7为累加变量，NXMDL(m,1)和NXMDL(m,i7)分别代表需求调节模型NXMDL中第m行的第1个元素和第i7个元素。（本步骤中获得的需求系数反映了各个水域中一个物理量的需求水平，对需求水平进行分析，以获得全局性的需求系统的调节，简化了需求调节难度，提高了对整个大鳞结鱼养殖池塘群的需求控制效果，并且降低了局部水域测得信息不对称导致的需求偏差）。
进一步地，在步骤S600中，根据第一系数对养殖池塘进行实时调控的方法是：对各个养殖池塘，分别根据其所得的各个第一系数对可调物理量进行调控；以温度控制装置、亮度调节装置和/或水位控制装置任意一种或多种作为调节装置；其中温度控制装置可以为水温控制器、数字自动温控仪或者加热棒，亮度调节装置可以为亮度可调节的卤素灯、PL灯或日光灯，水位控制装置为干簧管水位控制器、浮球磁性开关液位控制器或者电极式水位控制器；每个可调物理量选用相应的调节装置进行调控，即温度控制装置用于调节温度，亮度调节装置用于调节亮度，水位控制装置用于调节水位，当养殖池塘中可调物理量的OSN≤KN×0.2则提高其调节装置的当前功率的20%；当养殖池塘中可调物理量的OSN∈(0.2×KN,0.5×KN]则提高其调节装置的当前功率的10%；当养殖池塘中可调物理量的OSN∈(0.5×KN, 0.8×KN]则维持当前的调节装置的当前功率的；当养殖池塘中可调物理量的OSN∈(0.8×KN,KN]则降低其调节装置的当前功率的10%，当养殖池塘中可调物理量的OSN＞KN则降低其调节装置的当前功率的20%。
其中，KN为预设的阈值或者KN设置为所有养殖池塘的第一系数的平均值。
本发明的实施例提供的一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统，如图2所示为本发明的一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统结构图，该实施例的一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统实施例中的步骤。
所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
系统布置单元，用于在养殖池塘中布置自适应控制系统；
目标计量单元，用于从自适应控制系统获取目标参数；
实时测量单元，用于通过各个传感器在养殖鱼塘中获得实时参数；
变化计算单元，用于根据实时参数和目标参数获得繁殖诱导值；
控制预测单元，用于结合各个养殖池塘的繁殖诱导值计算第一系数；
实时调控单元，用于根据第一系数对养殖池塘进行实时调控。
所述一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端服务器等计算设备中。所述一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统的示例，并不构成对一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统运行系统的控制中心，利用各种接口和线路连接整个一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种用于基于大数据的大鳞结鱼诱导性人工繁殖方法的系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (9)
1.一种大鳞结鱼的人工繁殖方法，其特征在于，所述方法包括以下步骤：
S100，在养殖池塘中布置自适应控制系统；
S200，从自适应控制系统获取目标参数；
S300，通过各个传感器在养殖鱼塘中获得实时参数；
S400，根据实时参数和目标参数获得繁殖诱导值；
S500，结合各个养殖池塘的繁殖诱导值计算第一系数；
S600，根据第一系数对养殖池塘进行实时调控。
2.根据权利要求1所述的一种大鳞结鱼的人工繁殖方法，其特征在于，在步骤S100中，在养殖池塘中布置自适应控制系统的方法是，自适应控制系统包括大数据运算模型和感知模型，其中感知模型由各个养殖池塘中的环境感知节点构成；在大鳞结鱼的养殖池塘中，均匀地布置环境感知节点，所述环境感知节点包括多个传感器，传感器包含亮度传感器、温度传感器和/或水位传感器；环境感知节点中的亮度传感器、温度传感器和/或水位传感器在各个采集时刻实时采集的各个数据构成一个序列作为第一池塘状态序列；养殖鱼塘中大鳞结鱼的投入时间、鱼的数目或天气数据作为第二池塘状态序列；由第一池塘状态序列和第二池塘状态序列共同构成池塘状态序列；所述大数据运算模型为已经训练好的深度学习网络模型，采集时刻为环境感知节点中各个传感器采集数据的时刻。
3.根据权利要求1所述的一种大鳞结鱼的人工繁殖方法，其特征在于，在步骤S200中，从自适应控制系统获取目标参数的方法是：当池塘状态序列送入大数据运算模型，可获得目标参数，所述目标参数包括温度、亮度或者水位，以温度、亮度或者水位作为可调物理量，将各个可调物理量的集合作为可调物理量集合。
4.根据权利要求1所述的一种大鳞结鱼的人工繁殖方法，其特征在于，在步骤S300中，通过各个传感器在养殖鱼塘中获得实时参数的方法是，当计算获得目标参数后，环境感知节点包括的多个传感器实时地采集并获得一个或者多个实时参数, 所述实时参数包括温度、亮度或者水位数据，当测量并获得的是多个实时参数，即存在多个传感器时，则计算其算术平均值作为养殖池塘的实时参数。
5.根据权利要求1所述的一种大鳞结鱼的人工繁殖方法，其特征在于，在步骤S400中，根据实时参数和目标参数获得繁殖诱导值的方法是：
从可调物理量集合中依次获取各个元素的目标参数TN和实时参数RN；
由最近一个自然日内各个采集时刻的实时参数RN构成观察序列fcList，fcList＝[RNi]，i∈[1，N1]；N1为最近一个自然日内采集时刻的数量，RNi为fcList中第i个元素；
从最近一个采集时刻开始搜索fcList，当首次搜索到存在RNi的值为RNi+1＜RNi＜RNi+2时，计算获得环境下降量Edown, Edown＝|RNi+1－RNi|；当首次搜索到存在RNi的值为RNi+1＞RNi＞RNi+2，计算获得环境提升量Eup, Eup＝|RNi－RNi+2|；计算繁殖诱导值VOX，
其中，p为环境变次率，p=A1/A2；A1为fcList中所有的RNi的值符合RNi+1＜RNi＜RNi+2的数量，A2为fcList中所有的RNi的值符合RNi+1＞RNi＞RNi+2的数量，i为累加变量。
6.根据权利要求1所述的一种大鳞结鱼的人工繁殖方法，其特征在于，在步骤S500中，结合各个养殖池塘的繁殖诱导值计算第一系数的方法是：通过各个时刻的繁殖诱导值构建骤变序列VList，VList＝[VOXi4]，i4∈[1，N2]；N2为最近24小时内的繁殖诱导值，VOXi4为VList中第i4个元素；
在当前时刻各个养殖池塘均可获得其骤变序列VList，由每个养殖池塘的骤变序列VList作为矩阵的每行构成矩阵，将矩阵作为需求调节模型NXMDL，以NC代表养殖池塘的数量，VOXNC,N2为其第NC行第N2个元素，代表在第N2个时刻第NC个养殖池塘获得的繁殖诱导值；
计算统一同向系数Saidx：统计各个养殖池塘中的满足条件1的繁殖诱导值VOXi5,i6的总量为同向系数aidx：所述条件1为：VOXi5，i6＜VOXi5,i6+1并且VOXi5,i6+1＜VOXi5,i6+2，或者，满足VOXi5,i6＞VOXi5,i6+1并且VOXi5,i6+1＞VOXi5,i6+2；将获得的各个同向系数aidx中的最大值作为统一同向系数Saidx；其中，i5为取值范围为[1，NC]的变量，i6为取值范围为[1，N2]的变量；VOXi5,i6为NXMDL中第i5行第i6个元素；
分别计算各个养殖池塘的第一系数OSN：令m为养殖池塘的序号，则计算第m个养殖池塘的第一系数OSN(m)的方法如下：
其中i7为累加变量，NXMDL(m,1)和NXMDL(m,i7)分别代表需求调节模型NXMDL中第m行的第1个元素和第i7个元素。
7.根据权利要求1所述的一种大鳞结鱼的人工繁殖方法，其特征在于，在步骤S600中，根据第一系数对养殖池塘进行实时调控的方法是：对各个养殖池塘，分别根据其所得的各个第一系数对可调物理量进行调控；以温度控制装置、亮度调节装置和/或水位控制装置任意一种或多种作为调节装置；每个可调物理量选用相应的调节装置进行调控，当养殖池塘中可调物理量的OSN≤KN×0.2则提高其调节装置的当前功率的20%；当养殖池塘中可调物理量的OSN∈(0.2×KN,0.5×KN]则提高其调节装置的当前功率的10%；当养殖池塘中可调物理量的OSN∈(0.5×KN, 0.8×KN]则维持当前的调节装置的当前功率的；当养殖池塘中可调物理量的OSN∈(0.8×KN,KN]则降低其调节装置的当前功率的10%，当养殖池塘中可调物理量的OSN＞KN则降低其调节装置的当前功率的20%。
8.根据权利要求2所述的一种大鳞结鱼的人工繁殖方法，其特征在于，深度学习网络模型包括LeNet-5网络、ResNet网络或GAN网络中任意一种。
9.根据权利要求7所述的一种大鳞结鱼的人工繁殖方法，其特征在于，其中温度控制装置可以为水温控制器、数字自动温控仪或者加热棒，亮度调节装置可以为亮度可调节的卤素灯、PL灯或日光灯，水位控制装置为干簧管水位控制器、浮球磁性开关液位控制器或者电极式水位控制器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210800907.0A CN115250969B (zh) | 2022-07-08 | 2022-07-08 | 一种大鳞结鱼的人工繁殖方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210800907.0A CN115250969B (zh) | 2022-07-08 | 2022-07-08 | 一种大鳞结鱼的人工繁殖方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115250969A true CN115250969A (zh) | 2022-11-01 |
| CN115250969B CN115250969B (zh) | 2023-06-02 |
Family
ID=83765116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210800907.0A Active CN115250969B (zh) | 2022-07-08 | 2022-07-08 | 一种大鳞结鱼的人工繁殖方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115250969B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070233397A1 (en) * | 2006-03-20 | 2007-10-04 | Sensis Corporation | System for detection and prediction of water quality events |
| US20090139456A1 (en) * | 2007-12-03 | 2009-06-04 | Lin Ping-Liang | System and method for maintaining environmental optimum of aquarium |
| KR100923243B1 (ko) * | 2009-04-24 | 2009-10-27 | 주식회사 프로봇 | 급이로봇을 이용한 자동화 양식 시스템 |
| NO20111284A1 (no) * | 2011-09-22 | 2013-03-25 | Scantrawl As | Sortering under fiske |
| CN106803209A (zh) * | 2017-01-13 | 2017-06-06 | 浙江求是人工环境有限公司 | 实时数据库和先进控制算法的作物培育模式分析优化方法 |
| CN107423853A (zh) * | 2017-07-25 | 2017-12-01 | 中国农业科学院农业信息研究所 | 一种单产‑气象变化系数的确定方法及系统 |
| KR20180078420A (ko) * | 2016-12-29 | 2018-07-10 | 주식회사 글로비트 | IoT 기반의 해수펌프 제어를 통한 양식장 전력 감축 시스템 |
| CN108450382A (zh) * | 2018-02-05 | 2018-08-28 | 浙江大学 | 一种基于深度学习的智能投饲系统 |
| CN110384057A (zh) * | 2019-08-20 | 2019-10-29 | 西双版纳云博水产养殖开发有限公司 | 一种大鳞四须鲃的人工繁殖方法 |
| CN111838027A (zh) * | 2020-07-22 | 2020-10-30 | 盐城师范学院 | 一种纯氧供应水产养殖系统及方法 |
| CN113075945A (zh) * | 2020-01-05 | 2021-07-06 | 重庆城市管理职业学院 | 一种基于环境信息反馈的养鱼池环境监控系统 |
| CN113331090A (zh) * | 2021-07-08 | 2021-09-03 | 西双版纳云博水产养殖开发有限公司 | 一种大鳞结鱼的人工繁殖方法 |
| TWI743903B (zh) * | 2020-07-27 | 2021-10-21 | 台灣鯛科技股份有限公司 | 養殖水域環境監測系統 |
| CN114077931A (zh) * | 2021-11-30 | 2022-02-22 | 中国水产科学研究院渔业机械仪器研究所 | 一种养殖池塘中溶解氧含量的预测方法 |
-
2022
- 2022-07-08 CN CN202210800907.0A patent/CN115250969B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070233397A1 (en) * | 2006-03-20 | 2007-10-04 | Sensis Corporation | System for detection and prediction of water quality events |
| US20090139456A1 (en) * | 2007-12-03 | 2009-06-04 | Lin Ping-Liang | System and method for maintaining environmental optimum of aquarium |
| KR100923243B1 (ko) * | 2009-04-24 | 2009-10-27 | 주식회사 프로봇 | 급이로봇을 이용한 자동화 양식 시스템 |
| NO20111284A1 (no) * | 2011-09-22 | 2013-03-25 | Scantrawl As | Sortering under fiske |
| KR20180078420A (ko) * | 2016-12-29 | 2018-07-10 | 주식회사 글로비트 | IoT 기반의 해수펌프 제어를 통한 양식장 전력 감축 시스템 |
| CN106803209A (zh) * | 2017-01-13 | 2017-06-06 | 浙江求是人工环境有限公司 | 实时数据库和先进控制算法的作物培育模式分析优化方法 |
| CN107423853A (zh) * | 2017-07-25 | 2017-12-01 | 中国农业科学院农业信息研究所 | 一种单产‑气象变化系数的确定方法及系统 |
| CN108450382A (zh) * | 2018-02-05 | 2018-08-28 | 浙江大学 | 一种基于深度学习的智能投饲系统 |
| CN110384057A (zh) * | 2019-08-20 | 2019-10-29 | 西双版纳云博水产养殖开发有限公司 | 一种大鳞四须鲃的人工繁殖方法 |
| CN113075945A (zh) * | 2020-01-05 | 2021-07-06 | 重庆城市管理职业学院 | 一种基于环境信息反馈的养鱼池环境监控系统 |
| CN111838027A (zh) * | 2020-07-22 | 2020-10-30 | 盐城师范学院 | 一种纯氧供应水产养殖系统及方法 |
| TWI743903B (zh) * | 2020-07-27 | 2021-10-21 | 台灣鯛科技股份有限公司 | 養殖水域環境監測系統 |
| CN113331090A (zh) * | 2021-07-08 | 2021-09-03 | 西双版纳云博水产养殖开发有限公司 | 一种大鳞结鱼的人工繁殖方法 |
| CN114077931A (zh) * | 2021-11-30 | 2022-02-22 | 中国水产科学研究院渔业机械仪器研究所 | 一种养殖池塘中溶解氧含量的预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 曾文辉等: "水产养殖水质监测温度补偿系统", 中国农学通报, vol. 32, no. 11, pages 17 - 21 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115250969B (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sattar et al. | A smart metaheuristic algorithm for solving engineering problems | |
| Chew et al. | Multiscale digital Arabidopsis predicts individual organ and whole-organism growth | |
| Simons et al. | Model sensitivity and robustness in the estimation of larval transport: a study of particle tracking parameters | |
| Ayllón et al. | InSTREAM-Gen: Modelling eco-evolutionary dynamics of trout populations under anthropogenic environmental change | |
| Cresswell et al. | Understanding the evolution of migration through empirical examples | |
| CN107092786B (zh) | 一种考虑河流不同状态的生态基流量计算方法及系统 | |
| Thyholdt | The importance of temperature in farmed salmon growth: regional growth functions for Norwegian farmed salmon | |
| Love et al. | Will the expansion of Northern Snakehead negatively affect the fishery for Largemouth Bass in the Potomac River (Chesapeake Bay)? | |
| Cox et al. | Baseline demographics of a non‐native lake trout population and inferences for suppression from sensitivity‐elasticity analyses | |
| CN113016450A (zh) | 一种温室作物灌溉方法及系统 | |
| Maldonado-Chaparro et al. | Can individual variation in phenotypic plasticity enhance population viability? | |
| Bevelhimer | A bioenergetics model for white sturgeon Acipenser transmontanus: assessing differences in growth and reproduction among Snake River reaches. | |
| Power et al. | Modeling the dynamics of smolt production in Atlantic salmon | |
| CN115250969A (zh) | 一种大鳞结鱼的人工繁殖方法 | |
| Fielder | Mortality, exploitation, movement, and stock size of Saginaw Bay Walleyes, 1981–2011; 31 years of tag return analysis | |
| CN115316314B (zh) | 一种叉尾鲇的人工繁殖方法 | |
| Sánchez‐Hernández et al. | Use of a growth model to assess the suboptimal growth of Atlantic salmon parr in a subarctic river | |
| CN114530214A (zh) | 一种蔬菜营养液自维护方法及系统 | |
| Vanoverbeke et al. | Within season short-term hatching delays suggest risk-spreading behaviour in populations of the freshwater cladoceran Daphnia | |
| KR20220144218A (ko) | 딥러닝 예측 모델을 이용하여 농작물의 누적 수확량을 예측하기 위한 장치 및 그 방법 | |
| CN115250970B (zh) | 一种中国结鱼的人工繁殖方法及系统 | |
| CN111627495B (zh) | 一种种群的种用价值的判断方法 | |
| CN115191384B (zh) | 一种双孔鱼的人工繁殖方法 | |
| Eby et al. | Influence of sea ice concentration, sex and chick age on foraging flexibility and success in an Arctic seabird | |
| Morilla et al. | Study of Cloud-based Monitoring and Feeding System for Smart Aquaculture Farming in Infanta, Quezon |
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 |