养殖水体溶解氧含量预测研究

doi:10.16178/j.issn.0528-9017.20240561

浙江农业科学 ›› 2025, Vol. 66 ›› Issue (1): 184-188.DOI: 10.16178/j.issn.0528-9017.20240561

养殖水体溶解氧含量预测研究

徐慧¹(), 邓浩然², 王忠培², 周乐乐², 钱蓉²^,^*()

1.芜湖职业技术学院信息与人工智能学院,安徽芜湖 241006
2.安徽省农业科学院农业经济与信息研究所,安徽合肥 230031

收稿日期:2024-07-10 出版日期:2025-01-11 发布日期:2025-01-14
通讯作者: 钱蓉(1982—),女,安徽含山人,副研究员,硕士,研究方向为农业信息化,E-mail:qr930@126.com。
作者简介:徐慧(1982—),女,安徽马鞍山人,讲师,硕士,研究方向为人工智能, E-mail:xuhui@whit.edu.cn。
基金资助:
芜湖职业技术学院校级自然科学重点研究项目(wzyzrzd202313);安徽省财政农业科技成果转化项目(2024ZH009)

Research on the prediction of dissolved oxygen content in aquaculture water

XU Hui¹(), DENG Haoran², WANG Zhongpei², ZHOU Lele², QIAN Rong²^,^*()

1. School of Information and Artificial Intelligence, Wuhu Institute of Technology, Wuhu 241006, Anhui
2. Institute of Agricultural Economics and Information, Anhui Academy of Agricultural Sciences, Hefei 230031, Anhui

Received:2024-07-10 Online:2025-01-11 Published:2025-01-14

摘要/Abstract

摘要：

溶解氧作为水产养殖中较为关键的水质因子,与水产品的产量和质量息息相关,精准预测溶解氧含量及变化,对于保证水产养殖的安全具有较大的意义。该研究首先对采集的养殖水体的溶解氧数据进行预处理,再结合长短时记忆网络(LSTM)算法构建养殖水体溶解氧含量的预测模型来预测未来不同时刻的溶解氧浓度数据,通过不同的预测精度指标,来验证养殖水体溶解氧含量预测模型的预测精度,以期为后续养殖水体溶解氧含量预测的相关研究提供参考。

关键词: 养殖水体, 溶解氧含量, 长短时记忆网络, 预测模型

Abstract:

Dissolved oxygen, as a key water quality factor in aquaculture, is closely related to the yield and quality of aquatic products, and accurate prediction of dissolved oxygen content and changes is of great significance for ensuring the safety of aquaculture. In this study, the dissolved oxygen data of the collected aquaculture water were preprocessed, and then combined with the long and short-term memory (LSTM) neural network algorithm, the prediction model of the dissolved oxygen content of the aquaculture water was constructed to predict the dissolved oxygen concentration data at different times in the future, and the prediction accuracy of the prediction model of the dissolved oxygen content of aquaculture water was verified through different prediction accuracy indicators, in order to provide reference for the subsequent research on the prediction of dissolved oxygen content in aquaculture water.

Key words: aquaculture water, dissolved oxygen content, long and short-term memory (LSTM), prediction model

中图分类号:

S959
TP183

徐慧, 邓浩然, 王忠培, 周乐乐, 钱蓉. 养殖水体溶解氧含量预测研究[J]. 浙江农业科学, 2025, 66(1): 184-188.

XU Hui, DENG Haoran, WANG Zhongpei, ZHOU Lele, QIAN Rong. Research on the prediction of dissolved oxygen content in aquaculture water[J]. Journal of Zhejiang Agricultural Sciences, 2025, 66(1): 184-188.

图/表 6

图1 2023年6月1—30日溶解氧含量数据

Fig.1 Dissolved oxygen content data from June 1 to 30, 2023

表1 养殖水体溶解氧含量预测模型

Table 1 Prediction model of dissolved oxygen content in aquaculture water

模型	时间步长	预测时间/ min	决定系数 (R²)	均方根误差 (RMSE)	平均绝对值误差(MAE)
LSTM	5	30	0.954	0.346	0.228
		60	0.907	0.492	0.333
		90	0.840	0.648	0.441
		120	0.671	0.926	0.622
	10	30	0.952	0.355	0.246
		60	0.898	0.516	0.362
		90	0.839	0.647	0.448
		120	0.745	0.815	0.569
	15	30	0.952	0.353	0.221
		60	0.895	0.523	0.363
		90	0.833	0.660	0.447
		120	0.693	0.892	0.615

图2 不同时间步长下未来2 h溶解氧含量的实测值和预测值折线图

Fig.2 Line chart of the measured and predicted dissolved oxygen contents in the next 2 hours under different time step

图3 不同时间步长下未来90 min溶解氧含量的实测值和预测值折线图

Fig.3 Line chart of the measured and predicted dissolved oxygen contents in the next 90 minutes under different time step

图4 不同时间步长下未来1 h溶解氧含量的实测值和预测值折线图

Fig.4 Line chart of the measured and predicted dissolved oxygen contents in the next 1 hours under different time step

图5 不同时间步长下未来30 min溶解氧含量的实测值和预测值折线图

Fig.5 Line chart of the measured and predicted dissolved oxygen contents in the next 30 minutes under different time step

参考文献 15

[1]	郑谦, 李其琪. 基于CiteSpace的中国智慧农业研究趋势可视化分析[J]. 安徽科技学院学报, 2023, 37(5): 109-116.
[2]	张梦瑶, 郑谦. 长三角城市群农业信息化发展水平测度[J]. 安徽科技学院学报, 2022, 36(3): 97-102.
[3]	冯国富, 卢胜涛, 陈明, 等. 基于自注意力机制和改进的K-BiLSTM的水产养殖水体溶解氧含量预测模型[J]. 江苏农业学报, 2024, 40(3): 490-499.
[4]	胡继杰, 朱练峰, 钟楚, 等. 溶解氧对稻田土壤氮素转化及水稻氮代谢影响研究进展[J]. 生态学杂志, 2017, 36(7): 2019-2028.
[5]	彭巧, 王长平, 王冬梅, 等. 养殖环境因子对克氏原螯虾影响[J]. 中国科技信息, 2023(17): 128-130.
[6]	SHAHID F, ZAMEER A, MUNEEB M. A novel genetic LSTM model for wind power forecast[J]. Energy, 2021, 223: 120069.
[7]	李莉, 李文军, 马德新, 等. 基于LSTM的温室番茄蒸腾量预测模型研究[J]. 农业机械学报, 2021, 52(10): 369-376.
[8]	徐一帆, 韩云春, 黄刚, 等. 基于LSTM的矿井突水风险预测研究[J]. 科学技术创新, 2024(10): 183-186.
[9]	高源, 黄犚. 基于深度学习的股票价格指数预测[J]. 软件工程, 2024, 27(5): 7-13.
[10]	姚亚. 数据预处理和直方图时间序列在水质预测中的应用[D]. 杭州: 浙江大学, 2013.
[11]	HATZIKOS E, HÄTÖNEN J, BASSILIADES N, et al. Applying adaptive prediction to sea-water quality measurements[J]. Expert Systems with Applications, 2009, 36(3): 6773-6779.
[12]	卢毅敏, 张红. 结合时间序列分解和神经网络的河流溶解氧预测[J]. 华侨大学学报(自然科学版), 2020, 41(5): 659-666.
[13]	朱南阳, 吴昊, 尹达恒, 等. 基于长短时记忆网络(LSTM)的蟹塘溶解氧估算优化方法[J]. 智慧农业, 2019, 1(3): 67-76.
[14]	李建文, 孟连子, 刘娜, 等. 基于EEMD-SVR的渔业养殖水质预测模型[J]. 天津理工大学学报, 2018, 34(5): 14-19, 24.
[15]	YU Y, SI X S, HU C H, et al. A review of recurrent neural networks: LSTM cells and network architectures[J]. Neural Computation, 2019, 31(7): 1235-1270.

养殖水体溶解氧含量预测研究

Research on the prediction of dissolved oxygen content in aquaculture water

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 15

相关文章 11

编辑推荐

Metrics

本文评价

[1]	宋丹, 姜燕敏, 兰建军, 郑欣飞. 松阳茶园主要虫害与气象因子的关系[J]. 浙江农业科学, 2022, 63(8): 1825-1828.
[2]	叶飞, 劳晓璨. 柑橘气象产量和实际产量与气象因子相关性及对比分析[J]. 浙江农业科学, 2021, 62(6): 1119-1122.
[3]	牛天新, 郑洁敏, 查燕. 空心菜生态浮岛对外塘甲鱼养殖水体的修复作用[J]. 浙江农业科学, 2019, 60(11): 2096-2099.
[4]	陈将赞, 戴以太, 杨廉伟. 小麦赤霉病病穗率的预测模型[J]. 浙江农业科学, 2019, 60(1): 93-94.
[5]	李红艳, 徐建强, 许甫金, 肖玉苹, 沈足金, 张乐平, 方明. 气象因素对水稻产量的影响及预测模型的建立[J]. 浙江农业科学, 2018, 59(7): 1104-1107.
[6]	王倩, 董燕, 宁德怀. 基于全球导航定位系统的滑坡变形监测分析与灰色模型预测研究[J]. 浙江农业科学, 2017, 58(9): 1629-1632.
[7]	林启存, 朱丽敏, 沈小红, 蔡丽娟, 戴瑜来, 冯晓宇. 一株光合细菌的分离与鉴定[J]. 浙江农业科学, 2017, 58(8): 1444-1446.
[8]	丁丽华, 顾振海, 吴丹, 程创. 开化县负氧离子浓度预测模型的建立[J]. 浙江农业科学, 2017, 58(11): 1957-1960.
[9]	郑洁敏;牛天新;李春娟. 人工植物床对外塘甲鱼养殖水体的净化作用[J]. , 2013, 1(3): 0-341.
[10]	王正辉;孙会霞;郭庆. 集成预测模型预测我国农业自然灾害的探讨[J]. , 2013, 1(11): 0-1500.
[11]	孙泉良;叶传伟;陈建仁. 小麦赤霉病预测模型及规则的探讨[J]. , 2011, 1(1): 0-119.