CN116680651A - 一种基于多源数据融合的水产养殖监测方法及系统 - Google Patents

一种基于多源数据融合的水产养殖监测方法及系统 Download PDF

Info

Publication number
CN116680651A
CN116680651A CN202310646796.7A CN202310646796A CN116680651A CN 116680651 A CN116680651 A CN 116680651A CN 202310646796 A CN202310646796 A CN 202310646796A CN 116680651 A CN116680651 A CN 116680651A
Authority
CN
China
Prior art keywords
data
aquaculture
environment
final
fusion
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
Application number
CN202310646796.7A
Other languages
English (en)
Inventor
王卓薇
阮柱康
程良伦
肖文博
江晓琦
黄春光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202310646796.7A priority Critical patent/CN116680651A/zh
Publication of CN116680651A publication Critical patent/CN116680651A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多源数据融合的水产养殖监测方法及系统，该方法包括：采集水产养殖环境的多源数据，得到初始环境数据；对所述初始环境数据进行校准和融合，得到最终环境数据；获取水产作物养殖数据，并结合所述最终环境数据构建联盟区块链；从所述联盟区块链中下载水产作物养殖数据和最终环境数据，并输入至预训练的分析模型进行分析判断，得到分析结果。该系统包括：获取模块、融合模块、上传模块和分析模块。通过使用本发明，能够综合各类数据采集器，全方位采集水产养殖环境的数据并进行数据的信息校准和融合，实现水产养殖环境状况的分析与判断。本发明可广泛应用于数据监测领域。

Description

一种基于多源数据融合的水产养殖监测方法及系统
技术领域
本发明涉及数据监测领域，尤其涉及一种基于多源数据融合的水产养殖监测方法及系统。
背景技术
传统水产养殖依赖于水产养殖专家到现场去调查采集养殖环境的相关信息，再根据采集到的数据给出分析判断以及决策。虽然随着信息技术的爆炸式发展，互联网的渗透颠覆了传统的水产养殖监测方式，但现有的水产养殖监测方式获取数据来源通常较为单一，往往无法全面反映水产养殖作物的养殖状态及其养殖环境的具体情况，导致水产养殖环境管理的效果不佳，水产养殖业的灾害频发，因此亟需一种能够将多源数据进行整合的水产养殖监测方法。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于多源数据融合的水产养殖监测方法及系统，能够综合各类数据采集器，全方位采集水产养殖环境的数据并进行数据的信息校准和融合，实现水产养殖环境状况的分析与判断。
本发明所采用的第一技术方案是：一种基于多源数据融合的水产养殖监测方法，包括以下步骤：
采集水产养殖环境的多源数据，得到初始环境数据；
对所述初始环境数据进行校准和融合，得到最终环境数据；
获取水产作物养殖数据，并结合所述最终环境数据构建联盟区块链；
从所述联盟区块链中下载水产作物养殖数据和最终环境数据，并输入至预训练的分析模型进行分析判断，得到分析结果。
进一步，所述对所述初始环境数据进行校准和融合，得到最终环境数据一步骤，其具体包括：
对所述初始环境数据中的同一参数进行校准，剔除非线性系统误差，得到校准后的数据；
对所述校准后的数据的进行加权融合处理，得到最终环境输数据。
通过该优选步骤，对初始环境数据进行校准和融合，能够得到更为精确的环境数据，有利于后续模型的分析判断。
进一步，所述对所述初始环境数据中的同一参数进行校准，剔除非线性系统误差，得到校准后的数据这一步骤，其具体包括：
基于注意力模块、CNN神经网络和LSTM神经网络搭建模型并训练，得到校准模型；
将初始环境数据输入至所述校准模型；
对所述初始环境数据进行特征提取并学习特征相关性和构建时间关系；
根据所述特征相关性和时间关系输出预测，得到校准后的数据。
通过该优选步骤，构建模型对同一传感器的数据进行校准，能够剔除非线性系统误差。
进一步，所述加权融合的公式表示如下：
其中，是时刻j的估计融合值，αi表示融合权重，Wk是在k时刻处传感器的最优权重，vj是在时刻j的传感器的观测值和状态估计值之和。
进一步，所述获取水产作物养殖数据，并结合所述最终环境数据构建联盟区块链这一步骤，其具体包括：
获取水产作物养殖数据构建养殖链；
以放苗前水产作物幼苗的来源和检测分析报告作为养殖链的起始位，将养殖过程中饲料使用记录和水产作物生长情况进行上链；
根据最终环境数据构建环境链；
以放苗前水产养殖环境的环境数据作为环境链的起始位，将最终环境数据进行上链；
整合养殖链和环境链，得到联盟区块链。
通过该优选步骤，构建区块链保存数据，能够保持数据的完整性，同时方便后续的数据溯源。
进一步，所述从所述联盟区块链中下载水产作物养殖数据和最终环境数据，并输入至预训练的分析模型进行分析判断，得到分析结果这一步骤之前，还包括：
基于transformer网络和SVM分类器构建分析模型；
获取训练用养殖数据和对应的环境数据并输入至分析模型进行训练；
对训练用养殖数据和对应的环境数据进行特征选择，并输出预测标签；
基于预测标签和真实标签对分析模型进行调参，得到预训练的分析模型。
进一步，还包括：
将水产作物养殖数据、最终环境数据和分析结果进行展示。
通过该优选步骤，将分析结果与数据一同展示，方便用户全方位获取该养殖信息。
本发明所采用的第二技术方案是：一种基于多源数据融合的水产养殖监测方法系统，包括：
获取模块，用于采集水产养殖环境的多源数据，得到初始环境数据；
融合模块，用于对所述初始环境数据进行校准和融合，得到最终环境数据；
上传模块，用于获取水产作物养殖数据，并结合所述最终环境数据构建联盟区块链；
分析模块，用于从所述联盟区块链中下载水产作物养殖数据和最终环境数据，并输入至预训练的分析模型进行分析判断，得到分析结果。
本发明方法及系统的有益效果是：本发明综合应用多类型的数据采集以全方位采集水产养殖环境的数据，使得数据来源更广泛更准确；通过数据校准融合处理以提高输入数据的准确性，进而得到更为准确的分析判断结果。
附图说明
图1是本发明一种基于多源数据融合的水产养殖监测方法的步骤流程图；
图2是本发明具体实施例对同一类型传感器进行校准融合处理的示意图；
图3是本发明具体实施例校准模型的结构示意图；
图4是本发明具体实施例分析模型的结构示意图；
图5是本发明一种基于多源数据融合的水产养殖监测系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示，本发明提供了一种基于多源数据融合的水产养殖监测方法，该方法包括以下步骤：
S1、采集水产养殖环境的多源数据，得到初始环境数据；
S1.1、构建多传感器布设方案；
所述多传感器布设方案包括天基类数据采集器、空基类数据采集和地基类数据采集；
所述天基类天基类数据采集器的数据采集，通过卫星遥感技术实现。利用遥感的方法估算水体污染的参数，以监测水质变化情况，同时遥感通过在不同的电磁谱段内周期性地收集地表信息，以监测养殖环境中地表环境的变化情况遥感通过在不同的电磁谱段内周期性地收集地表信息，为精准水产养殖业所需空间变异参数的快速、准确、动态获取提供了重要的技术手段。
所述空基类数据采集的数据采集，通过高光谱技术与无人机实现。主要指无人机平台搭载的多光谱水质检测仪和高光谱水质检测仪，通过控制系统对数据进行采集。使用无人机监测技术观测更加灵活，利用高光谱技术可以快速的测量水池中的水质变化。光谱数据采用光谱范围为350-2500nm、光谱采样间隔为1nm、在1000-2500nm范围内光谱采样间隔2nm的ASD Field SpecPro Fr型光谱仪。
所述地基类数据采集的数据采集，通过固定式传感器和摄像头实现。其中，固定式传感器可以获取气象、土壤、水质的数据；摄像头主要分为水上摄像头和水下摄像头，水上摄像头用于获取水面信息以及周边养殖环境的实现信息，水下摄像头用于实时观察水下水产作物的活动状态。
所述传感器还包括：
气象类传感器，包括二氧化碳浓度传感器、风速风向传感器、环境温湿度传感器、光照强度传感器、紫外线传感器、大气压力传感器、翻斗式雨量传感器、蒸发量传感器。
土壤类传感器，包括土壤温湿度传感器、土壤氮磷钾传感器、土壤PH传感器、土壤电导率传感器。
水质类传感器，包括水质溶氧传感器、水质电导率传感器、水质PH传感器、水溶液余氯传感器、水中氨氮传感器、水溶液浑浊度传感器、水溶液镉离子传感器、水溶液碘离子传感器。
S1.2、基于所述布设方案采集水产养殖环境的多源数据，得到初始环境数据。
具体地，全方位采集水产养殖环境的数据，获取的数据来源更广更准确。
S2、对所述初始环境数据进行校准和融合，得到最终环境数据；
具体地，参照图2，对所述采集到的多源原始环境数据，采用传感器两级信息校准及融合算法，对同一参数进行一级校准，使用搭建的残差MAC-LSTM神经网络对传感器进行数据校准剔除非线性系统误差；再使用加权融合算法进行二级融合处理，得到比单一传感器测量更为精准的精确环境数据。
S2.1、对所述初始环境数据中的同一参数进行校准，剔除非线性系统误差，得到校准后的数据；
S2.1.1、基于注意力模块、CNN神经网络和LSTM神经网络搭建模型并训练，得到校准模型；
S2.1.2、将初始环境数据输入至所述校准模型；
S2.1.3、对所述初始环境数据进行特征提取并学习特征相关性和构建时间关系；
S2.1.4、根据所述特征相关性和时间关系输出预测，得到校准后的数据。
所使用残差MAC-LSTM神经网络，由注意力模块、CNN神经网络和LSTM神经网络搭建构成，如图3所示为残差MAC-LSTM神经网络结构图；首先，通过两个一维的卷积层和一个池化层对输入数据进行特征提取；然后，分别使用特征注意层和时间注意层进行处理，特征注意层学习输入数据中的特征相关性，时间注意层基于转置的输入数据对时间关系进行建模；最后通过LSTM神经网络构成的残差模块和多头注意力模块，使用特征层和时间注意层输出的组合值来预测最终结果值。
S2.2、对所述校准后的数据的进行加权融合处理，得到最终环境输数据。
S2.2.1、对所述校准后的数据中的同一类型传感器进行加权融合处理，得到最终传感器数据；
首先在方差最小的特定时刻，最优权重为状态估计值与状态估计值和观测值之和的比值。采用最优权值修正发散或有较大偏差的估计值，使估计值快速收敛，以便将稳定的数据输入融合系统，单个传感器权重融合公式：
其中，Wk是在k时刻处方差最小的情况下的最优权重，vj是j个时刻的观测值与状态估计值之和，是t时刻加权状态估计值。
S2.2.2、对不同类型的最终传感器数据进行加权融合处理，得到最终环境数据。
多传感器数据融合时由于传感器的方差是固定的，因此在融合时考虑传感器方差对融合权值的影响，对此二次加权融合算法公式：
约束条件为：
其中，是时刻j的估计融合值，αi是融合权重，Wk是在k时刻处传感器一的最优权重，vj是在时刻j的传感器一的观测值和状态估计值之和。
通过多传感器自适应加权融合处理，根据多元数据融合结果，获得了被监测对象更为真实的状态，即使单个传感器发生故障出现较大偏差，也能使得融合的结果收敛于真值，并从区域尺度上考虑多传感器的融合互补性，提高监测站测量参数的可靠性。整个算法在提升传感器测量数据精度的同时也降低网络能耗，减少网关传输的数据量。
S3、获取水产作物养殖数据，并结合所述最终环境数据构建联盟区块链；
S3.1、获取水产作物养殖数据构建养殖链；
S3.2、以放苗前水产作物幼苗的来源和检测分析报告作为养殖链的起始位，将养殖过程中饲料使用记录和水产作物生长情况进行上链；
养殖链用于记录水产作物的养殖情况，养殖链首先记录放苗前水产作物幼苗的来源和检测分析报告，并作为养殖链的起始位置，然后通过养殖过程中记录饲料投喂用量和饲料使用记录对养殖阶段进行实时数字化描述，放苗后将养殖过程中的水产作物生长情况和数量进行上链。
S3.3、根据最终环境数据构建环境链；
S3.4、以放苗前水产养殖环境的环境数据作为环境链的起始位，将最终环境数据进行上链；
环境链用于记录水产养殖环境的多源精准数据及变化，首先记录放苗前水产养殖环境的精确环境数据作为环境链的起始位置，然后对水产养殖环境的精确数据变化进行上链。
S3.5、整合养殖链和环境链，得到联盟区块链。
S4、训练分析模型；
S4.1、基于transformer网络和SVM分类器构建分析模型；
S4.2、获取训练用养殖数据和对应的环境数据并输入至分析模型进行训练；
S4.3、对训练用养殖数据和对应的环境数据进行特征选择，并输出预测标签；
S4.4、基于预测标签和真实标签对分析模型进行调参，得到预训练的分析模型。
S5、从所述联盟区块链中下载水产作物养殖数据和最终环境数据，并输入至预训练的分析模型进行分析判断，得到分析结果。
分析模型的结构示意图参照图4。
S5.1、首先获取联盟区块链中的数据；
S35.2、使用PCA算法进行特征选择，然后进入Transformer神经网络和SVM分类器得到环境监测结果集；
S5.3、将环境监测结果集进行加权平均数据融合；
具体的，加权平均融合算法计算过程如下式：
S5.4、将数据融合处理后的环境监测结果集输入到决策树算法进行分类，得到分析结果。
S6、将水产作物养殖数据、最终环境数据和分析结果进行展示。
对联盟区块链中的监测数据与通过检测框架得到的养殖环境分析结果进行展示，协助水产养殖用户群体判断决策。
下面是具体的分析结果：
1.水质条件以下时，为较佳淡水鱼养殖环境：水温为25—32℃、PH值7.5—8.5、盐度为0—1％、氨氮为0—0.02mg/L、硫化氢为0—0.1mg/L、亚硝酸盐为0—0.02mg/L、有效磷为0.2—1mg/L、溶解氧大于3mg/L。
2.盐度大于1％时，为水质盐分过高，影响淡水中生物的正常生长繁殖。
3.氨氮大于0.02mg/L，氨氮含量过高，鱼类将无法呼吸进食，甚至死亡。
4.溶解氧小于3mg/L，溶解氧过低，鱼类进食将受影响，甚至死亡。
如图5所示，一种基于多源数据融合的水产养殖监测系统，包括：
获取模块，用于采集水产养殖环境的多源数据，得到初始环境数据；
融合模块，用于对所述初始环境数据进行校准和融合，得到最终环境数据；
上传模块，用于获取水产作物养殖数据，并结合所述最终环境数据构建联盟区块链；
分析模块，用于从所述联盟区块链中下载水产作物养殖数据和最终环境数据，并输入至预训练的分析模型进行分析判断，得到分析结果。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种基于多源数据融合的水产养殖监测装置：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于多源数据融合的水产养殖监测方法。
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现如上所述一种基于多源数据融合的水产养殖监测方法。
上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种基于多源数据融合的水产养殖监测方法，其特征在于，包括以下步骤：
采集水产养殖环境的多源数据，得到初始环境数据；
对所述初始环境数据进行校准和融合，得到最终环境数据；
获取水产作物养殖数据，并结合所述最终环境数据构建联盟区块链；
从所述联盟区块链中下载水产作物养殖数据和最终环境数据，并输入至预训练的分析模型进行分析判断，得到分析结果。
2.根据权利要求1所述一种基于多源数据融合的水产养殖监测方法，其特征在于，所述采集水产养殖环境的多源数据，得到初始环境数据这一步骤，其具体包括：
构建多传感器布设方案；
所述多传感器布设方案包括天基类数据采集器、空基类数据采集和地基类数据采集；
基于所述布设方案采集水产养殖环境的多源数据，得到初始环境数据。
3.根据权利要求2所述一种基于多源数据融合的水产养殖监测方法，其特征在于，所述对所述初始环境数据进行校准和融合，得到最终环境数据一步骤，其具体包括：
对所述初始环境数据中的同一参数进行校准，剔除非线性系统误差，得到校准后的数据；
对所述校准后的数据的进行加权融合处理，得到最终环境输数据。
4.根据权利要求3所述一种基于多源数据融合的水产养殖监测方法，其特征在于，所述对所述初始环境数据中的同一参数进行校准，剔除非线性系统误差，得到校准后的数据这一步骤，其具体包括：
基于注意力模块、CNN神经网络和LSTM神经网络搭建模型并训练，得到校准模型；
将初始环境数据输入至所述校准模型；
对所述初始环境数据进行特征提取并学习特征相关性和构建时间关系；
根据所述特征相关性和时间关系输出预测，得到校准后的数据。
5.根据权利要求3所述一种基于多源数据融合的水产养殖监测方法，其特征在于，所述加权融合的公式表示如下：
其中，是时刻j的估计融合值，αi表示融合权重，Wk是在k时刻处传感器的最优权重，vj是在时刻j的传感器的观测值和状态估计值之和。
6.根据权利要求3所述一种基于多源数据融合的水产养殖监测方法，其特征在于，所述获取水产作物养殖数据，并结合所述最终环境数据构建联盟区块链这一步骤，其具体包括：
获取水产作物养殖数据构建养殖链；
以放苗前水产作物幼苗的来源和检测分析报告作为养殖链的起始位，将养殖过程中饲料使用记录和水产作物生长情况进行上链；
根据最终环境数据构建环境链；
以放苗前水产养殖环境的环境数据作为环境链的起始位，将最终环境数据进行上链；
整合养殖链和环境链，得到联盟区块链。
7.根据权利要求6所述一种基于多源数据融合的水产养殖监测方法，其特征在于，所述从所述联盟区块链中下载水产作物养殖数据和最终环境数据，并输入至预训练的分析模型进行分析判断，得到分析结果这一步骤之前，还包括：
基于transformer网络和SVM分类器构建分析模型；
获取训练用养殖数据和对应的环境数据并输入至分析模型进行训练；
对训练用养殖数据和对应的环境数据进行特征选择，并输出预测标签；
基于预测标签和真实标签对分析模型进行调参，得到预训练的分析模型。
8.根据权利要求7所述一种基于多源数据融合的水产养殖监测方法，其特征在于，还包括：
将水产作物养殖数据、最终环境数据和分析结果进行展示。
9.一种基于多源数据融合的水产养殖监测系统，其特征在于，包括：
获取模块，用于采集水产养殖环境的多源数据，得到初始环境数据；
融合模块，用于对所述初始环境数据进行校准和融合，得到最终环境数据；
上传模块，用于获取水产作物养殖数据，并结合所述最终环境数据构建联盟区块链；
分析模块，用于从所述联盟区块链中下载水产作物养殖数据和最终环境数据，并输入至预训练的分析模型进行分析判断，得到分析结果。
CN202310646796.7A 2023-06-02 2023-06-02 一种基于多源数据融合的水产养殖监测方法及系统 Pending CN116680651A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310646796.7A CN116680651A (zh) 2023-06-02 2023-06-02 一种基于多源数据融合的水产养殖监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310646796.7A CN116680651A (zh) 2023-06-02 2023-06-02 一种基于多源数据融合的水产养殖监测方法及系统

Publications (1)

Publication Number Publication Date
CN116680651A true CN116680651A (zh) 2023-09-01

Family

ID=87786609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310646796.7A Pending CN116680651A (zh) 2023-06-02 2023-06-02 一种基于多源数据融合的水产养殖监测方法及系统

Country Status (1)

Country Link
CN (1) CN116680651A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117250161A (zh) * 2023-11-17 2023-12-19 黑龙江省农业科学院黑河分院 一种大豆耐盐碱鉴定池的实时监测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117250161A (zh) * 2023-11-17 2023-12-19 黑龙江省农业科学院黑河分院 一种大豆耐盐碱鉴定池的实时监测系统
CN117250161B (zh) * 2023-11-17 2024-02-13 黑龙江省农业科学院黑河分院 一种大豆耐盐碱鉴定池的实时监测系统

Similar Documents

Publication Publication Date Title
Jiang et al. A deep learning approach to conflating heterogeneous geospatial data for corn yield estimation: A case study of the US Corn Belt at the county level
CA3129617C (en) Yield forecasting using crop specific features and growth stages
Boken et al. Improving an operational wheat yield model using phenological phase-based Normalized Difference Vegetation Index
US20200025741A1 (en) Method to predict crop nitrogen status using remote sensing
Bashir et al. Internet of Things and machine-learning-based leaching requirements estimation for saline soils
CN110687619B (zh) 一种用于农田气象站的气象数据校验方法及系统
CN116680651A (zh) 一种基于多源数据融合的水产养殖监测方法及系统
Guillén-Navarro et al. A deep learning model to predict lower temperatures in agriculture
CN115169728A (zh) 一种基于简化神经网络的土壤肥力预测方法
CN111798132B (zh) 基于多源时序遥感深度协同下的耕地动态监测方法及系统
Joshi et al. Artificial intelligence and satellite‐based remote sensing can be used to predict soybean (Glycine max) yield
van Jaarsveld et al. Machine learning and global vegetation: random forests for downscaling and gapfilling
Xu et al. A daily 5-km all-sky sea-surface longwave radiation product based on statistically modified deep neural network and spatiotemporal analysis for 1981–2018
Feng et al. Prediction of cotton yield based on soil texture, weather conditions and UAV imagery using deep learning
CN115017798A (zh) 基于深度学习的土壤耕作层水分温度预测方法
CN113343783A (zh) 一种农作物智能识别与长势预测方法及系统
Zou et al. Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage
Wu et al. A method based on improved ant colony algorithm feature selection combined with GA-SVR model for predicting chlorophyll-a concentration in Ulansuhai Lake1
CN115688955A (zh) 植被长势预测方法、装置及存储介质
Silvestro et al. Development of an assimilation scheme for the estimation of drought-induced yield losses based on multi-source remote sensing and the AcquaCrop model
Han et al. Combining Sentinel-1 and-3 imagery for retrievals of regional multitemporal biophysical parameters under a deep learning framework
Habibi et al. Critical evaluation of the effects of a cross-validation strategy and machine learning optimization on the prediction accuracy and transferability of a soybean yield prediction model using UAV-based remote sensing
Wang et al. Enhancing field-level forecasting of crop growth status by incorporating the analytically estimated system uncertainties into a data assimilation procedure
CN117110217B (zh) 一种立体化水质监测方法及系统
Honda et al. Prediction of Photosynthetic Carbon Assimilation Rate of Individual Rice Leaves under Changes in Light Environment Using BLSTM-Augmented LSTM.

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