CN116579504A - 基于机器学习的池塘海水养殖水温的预测方法 - Google Patents
基于机器学习的池塘海水养殖水温的预测方法 Download PDFInfo
- Publication number
- CN116579504A CN116579504A CN202310834687.8A CN202310834687A CN116579504A CN 116579504 A CN116579504 A CN 116579504A CN 202310834687 A CN202310834687 A CN 202310834687A CN 116579504 A CN116579504 A CN 116579504A
- Authority
- CN
- China
- Prior art keywords
- water temperature
- data
- pond
- mariculture
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 165
- 238000009364 mariculture Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000003066 decision tree Methods 0.000 description 13
- 241001465754 Metazoa Species 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000012010 growth Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000009360 aquaculture Methods 0.000 description 4
- 244000144974 aquaculture Species 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 241000238557 Decapoda Species 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 206010003497 Asphyxia Diseases 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 241000995704 Fenneropenaeus chinensis Species 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 101100533306 Mus musculus Setx gene Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000037323 metabolic rate 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
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (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机器学习的池塘海水养殖水温的预测方法,包括以下步骤:S1、创建池塘海水养殖水温预测模型:S2、调整参数对所述预测模型进行优化;S3、对优化后的所述预测模型进行评估确定;S4、在确定的所述预测模型中输入气象因子的预报数据,进行池塘海水养殖水温预报。本发明能够通过创建的预测模型对池塘海水养殖水温进行预测,从而有效指导池塘海水水产养殖生产管理,提高经济效益。
Description
技术领域
本发明属于养殖水温预测领域,尤其涉及一种基于机器学习的池塘海水养殖水温的预测方法。
背景技术
近年来,国内外有关水体的变化规律及预测大多集中在海域或内陆等水体,关于池塘水温预测的研究较少,尤其专项针对广东省池塘海水养殖行业的水温预测研究更少。而水温作为海水养殖中一个十分重要的水体环境因素,会直接影响到水生生物的生长、繁殖、代谢和免疫等方面。水温过高会降低水中溶解氧含量,导致生物窒息或缺氧;加剧水体富营养化和藻类暴发;增加养殖生物的新陈代谢和呼吸需求,从而消耗更多的能量和饲料;提前或延迟养殖生物的发育和繁殖周期等。水温过低会降低养殖生物的食欲和活动能力,影响其生长和摄食量;延迟或抑制其繁殖;增加养殖生物感染疾病的风险等。池塘海水养殖与滩涂贝类养殖、海上筏式养殖统称海水养殖业的三大主要养殖方式。我国的池塘海水养殖模式,是从20世纪70年代末中国对虾的大规模养殖开始的,池塘海水养殖关注点在于其生活水环境的各项指标,其中水温是影响养殖水产品摄食、生长、存活、繁育的重要水质指标之一。水温突变会造成水生动物抵抗力下降,引起疾病甚至会造成死亡,同时水体环境还可能发生物理化学反应,破坏养殖水环境。不同水生动物对水温的要求不同,同类水生动物在不同的生长阶段对水温的要求也有差异。在适温范围内,水生动物代谢作用增强,生长速度也会加快;反之,温度的迅速变化将会导致新陈代谢速度的改变和免疫系统功能低下等问题,从而引起水生动物的疾病或死亡。
因此,准确预测池塘海水水温变化,进而调整养殖动作,对于指导养殖生产和促进渔业现代化具有重要意义。
发明内容
为了解决现有技术存在的不足,本发明提供了一种基于机器学习的池塘海水养殖水温的预测方法,利用气象因子的选择及搭建梯度提升树模型,创建池塘海水养殖水温预测模型,对池塘海水养殖水温进行有效预测。
为了实现上述目的,本发明的一个实施方式的一种基于机器学习的池塘海水养殖水温的预测方法,其包括以下步骤:
S1、创建池塘海水养殖水温预测模型:
其中,表示预测水温,表示初始化学习器预测的水温,x表示气
象因子,气象因子具体为:气温因子、风速因子、相对湿度因子及气压因子;m表示回归树的
个数,j=1,2,…,,表示第m棵回归树叶子节点的个数;表示对叶子区域拟合最
佳残差;I(x∈Rm,j)表示指示函数,Rm,j表示第m棵回归树的第j个特征单元;表示第m
棵叶子区域预测的水温,所有树预测的水温和表示为:
S2、调整参数对所述预测模型进行优化;
S3、对优化后的所述预测模型进行评估确定;
S4、在所述预测模型中输入气象因子的预报数据,进行池塘海水养殖水温预报。
进一步地,所述步骤S1、创建池塘海水养殖水温预测模型,具体步骤为:
S11、建立水温数据和气象数据采集的来源渠道;
S12、采集和处理水温数据和气象数据;
S13、选择输入模型的气象因子;
S14、创建池塘海水养殖水温预测模型。
进一步地,所述步骤S12中采集水温数据和气象数据的方式为连续采集,并形成连续数据序列集。
进一步地,所述步骤S12中采集的气象数据包括气温数据、气压数据、相对湿度数据、降水数据及风速数据。
进一步地,所述步骤S12中处理水温数据和气象数据还包括以浮标站测得的电导率为依据去除异常数据。
进一步地,所述步骤S13、选择输入模型的气象因子,具体为:
S131、按类型对采集的气象数据逐一进行水温变化显著性检验;
S132、将通过显著性检验的气象因子作为输入模型的气象因子。
进一步地,所述步骤S14、创建池塘海水养殖水温预测模型,具体为:
S141、将通过显著性检验的气象因子与同时段的水温数据整合成数据集;
S142、按照7:3的比例划分为训练集和测试集;
S143、将训练集数据导入梯度提升树算法模型中,基于训练集数据训练得到池塘海水养殖水温预测模型:
其中,表示预测水温,表示初始化学习器预测的水温,x表示
气象因子,气象因子具体为:气温因子、风速因子、相对湿度因子及气压因子;m为回归树的
个数,j=1,2,…,,表示第m棵回归树叶子节点的个数;为对叶子区域拟合最
佳残差;I(x∈Rm,j)表示指示函数,Rm,j表示第m棵回归树的第j个特征单元;表示第m
棵叶子区域预测的水温,所有树预测的水温和表示为:
进一步地,所述步骤S2中的参数优化结果为:以迭代次数为100,学习率为0.1,损失函数采用平方损失ls,回归树的最大深度为6作为模型参数。
进一步地,所述步骤S3中对优化后的所述预测模型进行评估的方法为:通过决定
系数评价模型拟合的精确度,越大,模型拟合结果越准确,采用均方根误差RMSE来
是评价回归模型拟合结果与真实值差别大小的指标,均方根误差越小,模型拟合效果越好。
本发明的有益效果为:
1.本发明根据每个气象因子与水温变化的相关系数的绝对值来判断两者之
间的密切相关性,并进一步判读相关系数是否显著,将通过显著性检验的气象因子选
取为与水温变化具有密切相关的气象因子,得到能够输入模型的气象因子:气温因子、风速
因子、相对湿度因子及气压因子;
2.本发明利用梯度提升树算法构建水温预测模型,梯度提升树由多棵决策树组成,进行多次迭代,每次迭代在一棵决策树中产生一个结果,下一棵决策树在上一次的残差基础上进行训练,经过所有决策树后,累加每次拟合的数据,生成最终的结果。而每棵新的决策树建立的目的是使残差往梯度方向上减少,因此能够最终预测出最接近真实池塘海水水温结果的数据;
3、本发明的梯度提升树模型经过综合调参结果,以迭代次数为100,学习率0.1,损失函数采用平方损失ls,并采用参数搜寻的方式确定回归树的最大深度为6作为模型参数,有效提高了模型拟合的精确度和拟合效果。
附图说明
图1是本发明一种基于机器学习的池塘海水养殖水温的预测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更为清楚,下面结合附图和实施例作进一步说明。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
如附图1所示,本发明提供一种基于机器学习的池塘海水养殖水温的预测方法,其包括以下步骤:
S1、创建池塘海水养殖水温预测模型,具体步骤为:
S11、建立水温数据和气象数据采集的来源渠道;
选择广东省阳江市阳东区三丫村养殖场作为实验场地,根据三丫村养殖场池塘分布情况,选取一个有代表性的池塘作为目标试验池塘,在池塘中安装一套水质监测浮标设备,用于观测距离塘体表面50cm水深处(由于该设备为浮标站,漂浮于水体面,观测探头距离水体表面约50cm,故观测深度为50cm)包括水温在内的水质环境指标数据,采集频率为实时采集。并在目标试验池塘附近空旷无遮挡的地方安装一套气象自动观测站,用于观测气温、气压、相对湿度、降水、风速等气象数据,采集频率为逐5分钟采集。气象和水质设备于2021年8月19日投入试验,进行数据采集。
S12、采集和处理水温数据和气象数据;
气象数据和水温数据的采集和处理:通过连续采集目标试验池塘的水温数据和气象数据,并将数据通过无线传输方式传送到数据终端,形成连续数据序列集,包括水温、气温、气压、相对湿度、降水、风速。进一步对采集的气象和水温数据进行预处理,去除异常数据,(设备投放于养殖塘后不再移出,但当养殖结束即塘中无水时,测得的水质环境数据为异常数据,故需剔除,剔除方法为以浮标站测得电导率为依据,当电导率<1000us/cm,即塘中无水时,剔除此时数据)并且由于水温变化缓慢,因此统一将气象和水温数据处理为逐小时数据集,即每小时平均值作为构建水温预测模型的数据集,输出的预测水温也为逐小时。实际应用的预测水温时效由输入的气象因子的预报时效决定,当前气象部门预报要素一般为3天内为逐3小时预报,4—10天逐6小时预报,故水温预测也为3天内为逐3小时预报,4—10天逐6小时预报,且每日滚动更新未来10天预报。
S13、选择输入模型的气象因子;
气象因子的选择:根据相关性分析方法选取与水温变化具有密切相关的气象因子,相关系数绝对值越大,表示两者之间的关系越密切,进一步还需判读相关系数是否显著,通过显著性检验的气象因子认为具有普遍意义。
相关系数计算公式为:
其中表示气象因子,/>表示水温,/>表示气象因子的平均值,/>表示水温的平均值,n表示样本数,通过相关系数的计算可知每种气象因子与水温的相关性大小。
相关系数的显著性检验公式为:
其中r表示气象因子与水温的相关系数,n表示样本数,上式遵从自由度n-2的t分布,本发明规定显著性水平=0.01,显著性水平/>=0.01,说明某件事情的发生至少有99%的把握,统计语言描述为在0.01水平上显著。若求得/>,/>的数值通过查询t分布表,则认为相关系数是通过检验的。
在气象统计中,相关系数的概率密度函数是t分布的密度函数,因此本发明对相关系数的显著性检验使用t检验法来验证,本发明通过上述显著性检验的气象因子为气温因子、风速因子、相对湿度因子及气压因子。对通过显著性检验的4个气象因子作为模型输入因子,进而构建池塘养殖水温预测模型。
S14、创建池塘海水养殖水温预测模型。
创建梯度提升树模型:将通过显著性检验的气象因子与同时段的水温数据整合成数据集,按照7:3的比例划分为训练集和测试集。将训练集数据导入梯度提升树算法模型中,基于训练集数据构建池塘水温预测模型。
梯度提升树由多棵决策树组成,进行多次迭代,每次迭代在一棵决策树中产生一个结果,下一棵决策树在上一次的残差基础上进行训练,经过所有决策树后,累加每次拟合的数据,生成最终的结果。每棵新的决策树建立的目的是使残差往梯度方向上减少,以此最终预测出最接近真实结果的数据。
利用梯度提升树算法构建水温预测模型的具体算法流程为:
输入:训练数据集,x表示通过显著性检
验的气象因子:气温、风速、相对湿度、气压,y表示目标值,即真实水温,n表示样本的个数。
1)初始化弱学习器,得到一个初始预测的水温。
初始化时,c取值为所有训练样本观测水温的均值,对平方损失函数来说,初始化
的弱学习器,即初始学习器预测的水温。为损失函数,本发明
为平方损失函数,其中y为观测水温,F(x)为预测的水温。
2)构建M棵回归树m=1,2,...,M,下一棵决策树在上一次的残差基础上进行训练,在每棵树上拟合残差,使残差不断减小。
a.水温残差计算方法:
水温残差指的是观测水温与上一轮学习器(上一轮预测水温)的差
值,梯度提升树以损失函数负梯度作为残差的近似值。
对样本i=1,2,...,N,第m棵树第i个样本损失函数负梯度为:
b.水温残差作为下一棵树的真实水温,对树叶子区域计算最佳拟合水温残差:
将上步得到的残差作为下棵树真实水温,树的叶子节点,=1,
2,...,,为第m棵回归树叶子节点的个数,对叶子区域拟合最佳残差:
这里的为本轮的弱学习器,即为叶子区域预测的水温,这里上一棵决策
树的水温残差。
c.计算第m棵树强学习器,即预测水温:
为前一棵树的预测水温,表示第m棵叶子区域预测的水温。
3)经过所有决策树后,累加每棵树拟合的数据,生成最终预测水温。
其中,为初始化学习器预测的水温,所有树预测的水温和表示为:
S2、调整参数对池塘海水养殖水温预测模型进行优化;
对梯度提升树模型参数进行调整,包括弱学习器的最大迭代次数 (n-estimators)、损失函数(loss)、树的最大深度(max_depth)等参数,优化模型水温预测模型的模拟精度。
随着迭代次数的增加,模型的精度越来越高,学习率较小时需要更大的迭代次数才能使模型达到较高的精度。迭代次数过少会导致模型的欠拟合,过多会导致模型的过拟合。综合调参结果,以迭代次数为100,学习率0.1,损失函数采用平方损失(ls),并采用参数搜寻的方式确定回归树的最大深度为6作为模型参数。
S3、对优化后的池塘海水养殖水温预测模型进行评估确定;
将测试集数据导入水温预测模型中,输出水温预测值,通过决定系数()评价模型拟合的精确度,/>越大,模型拟合结果越准确,采用均方根误差RMSE(Root MeanSquared Error)来是评价回归模型拟合结果与真实值差别大小的指标,均方根误差越小,模型拟合效果越好。
决定系数(coefficient of determination),也称为拟合优度。拟合优度越大,自变量对因变量的解释程度越高,自变量引起的变动占总变动的百分比高。决定系数计算公式为:
其中,表示实际水温值,/>表示预测水温值,/>表示实际水温平均值,n表示样本数。
本发明通过决定系数()评价模型拟合的精确度,/>越大,模型拟合结果越准确,训练集和测试集的决定系数/>分别为0.95、0.92,证明本发明模型拟合结果准确度较高。
均方根误差是用来衡量预测值同真值之间的偏差,均方根误差计算公式为:
其中,表示实际水温值,/>表示预测水温值,n表示样本数。
本发明采用均方根误差RMSE(Root Mean Squared Error)来作为评价回归模型拟合结果与真实值差别大小的指标,均方根误差越小,模型拟合效果越好,对应的RMSE为1.7、2.0,证明本发明模型结果误差较小,模型拟合效果好。
因此,可以对优化后的本发明创建的池塘海水养殖水温预测模型进行确定。
S4、在确定的池塘海水养殖水温预测模型中输入气象因子的预报数据,进行池塘海水养殖水温预报。
利用广东省网格气象预报数据,将气象数据输入到构建的池塘养殖水温预报模型中,进一步将水温预报模型迁移至广东省,形成广东省格点池塘海水养殖水温预报数据。
本发明实施例基于广东省历史气象及水温数据,采用机器学习算法构建广东省池塘海水养殖水温预测模型,进一步利用广东省网格气象预报数据,输入水温预测模型,进行广东省池塘海水养殖水温预测,能够指导水产养殖生产管理,提高养殖经济效益。
使用效益说明:
2021年4月一2022年6月,主营池塘海水养殖的广东南湾水产有限公司养殖场共经历过不少于1次台风、不少于10次强降水、不少于5次强冷空气过程,高影响天气过程前后,该公司通过本发明提供的池塘海水养殖水温预测模型进行的水体环境(水温)预测、预警,配合其它水体环境预警(溶解氧、潮汐)、气象预警(高温、寒潮、暴雨、大风等)、台风精细化预报等服务产品来获取气象、水体环境的实况及预报预警信息。实时掌握几次高影响天气前后天气、水体(水温、溶解氧、潮汐)变化情况,提前做好对虾养殖高影响天气应对准备及生产安排,尤其是台风“查帕卡”和2021年11-12月份强冷空气期间,得益于提前得到的台风、水体环境预警及强空气精细化实况预报预警,提前做好收虾、设施加固、冬棚搭建等防灾减灾措施,起到了显著的减损增效的经济效果。在日常池塘海水对虾养殖管理工作中,结合天气变化提供的科学合理的水温等预测信息,也为该养殖场提高投苗存活率、饲料投喂、增氧用电等方面做出了突出贡献。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (9)
1.一种基于机器学习的池塘海水养殖水温的预测方法,其特征在于,其包括以下步骤:
S1、创建池塘海水养殖水温预测模型:
,
其中,表示预测水温,/>表示初始化学习器预测的水温,x表示气象因子,气象因子具体为:气温因子、风速因子、相对湿度因子及气压因子;m表示回归树的个数,j=1,2,…,/>,/>表示第m棵回归树叶子节点的个数;/>表示对叶子区域拟合最佳残差;I(x∈Rm,j)表示指示函数,Rm,j表示第m棵回归树的第j个特征单元;/>表示第m棵叶子区域预测的水温,所有树预测的水温和表示为:
,
S2、调整参数对所述预测模型进行优化;
S3、对优化后的所述预测模型进行评估确定;
S4、在确定的所述预测模型中输入气象因子的预报数据,进行池塘海水养殖水温预报。
2.根据权利要求1所述的基于机器学习的池塘海水养殖水温的预测方法,其特征在于,所述步骤S1、创建池塘海水养殖水温预测模型,具体步骤为:
S11、建立水温数据和气象数据采集的来源渠道;
S12、采集和处理水温数据和气象数据;
S13、选择输入模型的气象因子;
S14、创建池塘海水养殖水温预测模型。
3.根据权利要求2所述的基于机器学习的池塘海水养殖水温的预测方法,其特征在于,所述步骤S12中采集水温数据和气象数据的方式为连续采集,并形成连续数据序列集。
4.根据权利要求2所述的基于机器学习的池塘海水养殖水温的预测方法,其特征在于,所述步骤S12中采集的气象数据包括气温数据、气压数据、相对湿度数据、降水数据及风速数据。
5.根据权利要求2所述的基于机器学习的池塘海水养殖水温的预测方法,其特征在于,所述步骤S12中处理水温数据和气象数据还包括以浮标站测得的电导率为依据去除异常数据。
6.根据权利要求4所述的基于机器学习的池塘海水养殖水温的预测方法,其特征在于,所述步骤S13、选择输入模型的气象因子,具体为:
S131、按类型对采集的气象数据逐一进行水温变化显著性检验;
S132、将通过显著性检验的气象因子作为输入模型的气象因子。
7.根据权利要求6所述的基于机器学习的池塘海水养殖水温的预测方法,其特征在于,所述步骤S14、创建池塘海水养殖水温预测模型,具体为:
S141、将通过显著性检验的气象因子与同时段的水温数据整合成数据集;
S142、按照7:3的比例划分为训练集和测试集;
S143、将训练集数据导入梯度提升树算法模型中,基于训练集数据训练得到池塘海水养殖水温预测模型:
,
其中,表示预测水温,/>表示初始化学习器预测的水温,x表示气象因子,气象因子具体为:气温因子、风速因子、相对湿度因子及气压因子;m表示回归树的个数,j=1,2,…,/>,/>表示第m棵回归树叶子节点的个数;/>表示对叶子区域拟合最佳残差;I(x∈Rm,j)表示指示函数,Rm,j表示第m棵回归树的第j个特征单元;/>表示第m棵叶子区域预测的水温,所有树预测的水温和表示为:
。
8.根据权利要求1所述的基于机器学习的池塘海水养殖水温的预测方法,其特征在于,所述步骤S2中的参数优化结果为:以迭代次数为100,学习率为0.1,损失函数采用平方损失ls,回归树的最大深度为6作为模型参数。
9.根据权利要求1所述的基于机器学习的池塘海水养殖水温的预测方法,其特征在于,所述步骤S3中对优化后的所述预测模型进行评估的方法为:
通过决定系数评价模型拟合的精确度,/>越大,模型拟合结果越准确,采用均方根误差RMSE来是评价回归模型拟合结果与真实值差别大小的指标,均方根误差越小,模型拟合效果越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310834687.8A CN116579504A (zh) | 2023-07-10 | 2023-07-10 | 基于机器学习的池塘海水养殖水温的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310834687.8A CN116579504A (zh) | 2023-07-10 | 2023-07-10 | 基于机器学习的池塘海水养殖水温的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116579504A true CN116579504A (zh) | 2023-08-11 |
Family
ID=87545590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310834687.8A Pending CN116579504A (zh) | 2023-07-10 | 2023-07-10 | 基于机器学习的池塘海水养殖水温的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579504A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150976A (zh) * | 2023-10-31 | 2023-12-01 | 长江三峡集团实业发展(北京)有限公司 | 一种水温变化系数的确定方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711592A (zh) * | 2018-03-27 | 2019-05-03 | 江苏信息职业技术学院 | 一种基于遗传算法优化极限学习机的池塘水温预测方法 |
CN111931981A (zh) * | 2020-07-06 | 2020-11-13 | 安徽天尚清洁能源科技有限公司 | 基于机器学习多模型组合的光伏发电超短期预测方法 |
CN112613658A (zh) * | 2020-12-22 | 2021-04-06 | 中国环境科学研究院 | 逐日降雨量预测方法、装置、电子设备及存储介质 |
CN114662790A (zh) * | 2022-04-21 | 2022-06-24 | 大连大学 | 一种基于多维数据的海参养殖水温预测方法 |
-
2023
- 2023-07-10 CN CN202310834687.8A patent/CN116579504A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711592A (zh) * | 2018-03-27 | 2019-05-03 | 江苏信息职业技术学院 | 一种基于遗传算法优化极限学习机的池塘水温预测方法 |
CN111931981A (zh) * | 2020-07-06 | 2020-11-13 | 安徽天尚清洁能源科技有限公司 | 基于机器学习多模型组合的光伏发电超短期预测方法 |
CN112613658A (zh) * | 2020-12-22 | 2021-04-06 | 中国环境科学研究院 | 逐日降雨量预测方法、装置、电子设备及存储介质 |
CN114662790A (zh) * | 2022-04-21 | 2022-06-24 | 大连大学 | 一种基于多维数据的海参养殖水温预测方法 |
Non-Patent Citations (1)
Title |
---|
中山大学设备与实验室处: "《实验教学研究与实践—实验室研究、改革与实验室开放基金项目(2000-2004)成果选编》", 中国矿业大学出版社, pages: 222 - 224 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150976A (zh) * | 2023-10-31 | 2023-12-01 | 长江三峡集团实业发展(北京)有限公司 | 一种水温变化系数的确定方法、装置、设备及存储介质 |
CN117150976B (zh) * | 2023-10-31 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 一种水温变化系数的确定方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480775B (zh) | 一种基于数据修复的池塘溶解氧预测方法 | |
CN109583663B (zh) | 一种适用于养殖池塘的夜间水质溶氧量预测方法 | |
Rassweiler et al. | Improved estimates of net primary production, growth, and standing crop of Macrocystis pyrifera in Southern California. | |
CN106295833B (zh) | 一种太平洋褶柔鱼资源补充量预测方法及其应用 | |
CN116579504A (zh) | 基于机器学习的池塘海水养殖水温的预测方法 | |
Liu et al. | Prediction of dissolved oxygen content in aquaculture of Hyriopsis cumingii using Elman neural network | |
CN115860279B (zh) | 南美白对虾养殖投苗作业窗口期的气象风险预测方法 | |
CN110045771B (zh) | 一种鱼塘水质智能监测系统 | |
CN112763429A (zh) | 一种蓝藻水华的立体监测方法 | |
CN111105079A (zh) | 一种物联网水体溶解氧预测方法及水质监测系统 | |
Rostam et al. | A complete proposed framework for coastal water quality monitoring system with algae predictive model | |
CN114242156A (zh) | 海洋微塑料上致病性弧菌相对丰度的实时预测方法及系统 | |
CN114971295A (zh) | 改善通江湖泊候鸟栖息地生境的水库调度方法及系统 | |
CN116884523B (zh) | 一种海洋牧场水质多参数预测方法 | |
CN115759487B (zh) | 南美白对虾养殖肥水作业窗口期的气象风险预测方法 | |
CN108960523A (zh) | 一种利用两步广义加性模型预测鱿鱼类的索饵场栖息地的方法 | |
CN113033890A (zh) | 一种基于向量自回归模型的蛋鸡产性能分析方法 | |
CN112364710A (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
CN114419432B (zh) | 一种鱼群摄食强度评估方法及装置 | |
CN109359624B (zh) | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 | |
CN112001641B (zh) | 一种扇贝养殖区适宜性遥感评估系统 | |
CN114118877A (zh) | 一种增殖型海洋牧场生态适宜性评价方法 | |
CN117958186B (zh) | 鱼类全生活史生境需求的生态流量过程水温过程确定方法 | |
Yang et al. | Real-time optimized prediction model for dissolved oxygen in crab aquaculture ponds using back propagation neural network | |
CN112154947A (zh) | 一种基于模拟潮间带环境的牡蛎表型测评方法 |
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 |