基于长短时记忆网络（LSTM）的蟹塘溶解氧估算优化方法

水中溶解氧含量低会影响螃蟹的成活率,保证低溶解氧时刻溶解氧的预测精度非常重要。目前,溶解氧传感器价格昂贵且易遭受腐蚀,因此通过相关变量来间接估计溶解氧浓度有重要的意义。本研究在长短时记忆网络（LSTM）模型的基础上,优化LSTM反向传播时的损失函数,提出了提高低溶解氧含量估算精度的溶解氧预测模型（LDO-LSTM）。LDO-LSTM的损失函数是在平均绝对百分比误差（MAPE）基础上,根据溶解氧值的变化趋势和溶解氧浓度大小,分别赋予不同权值的权重函数,并通过均方根误差（RMSE）和平均绝对百分比误差（MAPE）来评估LDO-LSTM和LSTM在不同范围的溶解氧估算能力。对模型的测试试验结果表明：在溶解氧高于6mg/L时,LDO-LSTM和LSTM的RMSE、MAPE差值稳定在0.1左右;在溶解氧低于6mg/L时,LDO-LSTM的RMSE值和MAPE值分别比LSTM低0.25和0.139,说明了LDO-LSTM网络不但可以保证整体溶氧预测精度,而且能够提高较低溶解氧值的估算精度。本研究对于降低水产养殖成本、提高溶解氧估算精度有着重要的作用。     

大规模用水节点的灌溉物联网监控系统设计

针对现有的大部分智能灌溉的农业物联网系统难以满足大范围多布点的实际灌溉监控管理需求的问题,结合现阶段大规模农业灌溉对海量用水节点监控管理的需求,设计基于工业常用的MODBUUS-RTU协议以及TCP协议进行测点数据的查询和检测站点的管理系统,测点传感器可采用任何满足协议要求的流量传感器;设计IOT服务器和WEB服务器2个服务进程,IOT服务器负责从电磁流量计中查询获取数据并上传至数据库,解决协议识别解析和高并发问题,提高系统处理大量监控节点的能力;Web服务器从数据库查询相应的数据信息并进行权限管理,方便系统规模扩展;为了便于系统管理,设计开发具有测点数据查询以及设备管理等功能的配套微信小程序.设计的灌溉物联网系统在实现基本灌溉监控的基础上,综合考虑大规模节点部署、海量数据并发、系统权限控制等现实性问题,为实现节水灌溉提供了切实可行的解决方案.     

中国农业物联网及“互联网+农业”进展

本文综述了物联网技术在农业方面的应用和相关技术的研究现状、中国"互联网+农业"产业链的组成和现状以及近期制定的相关政策。通过对比总结获得以下结论:中国目前在农业物联网的系统集成方面取得了很大的发展,但是在一些用于农业物联网的原创性传感器方面存在很大的不足;目前农业物联网获取的农业数据应用不足,农业物联网往往处于示范阶段,没有发挥农业物联网应有的作用。由于中国从事农业的劳动人口在减少,耕地也逐渐减少,加上环境问题突出,农业物联网的研究和实施是必然的,因此需要政府继续大力引导和提供必要的支撑条件。     

基于文献计量学与知识图谱的中华绒螯蟹研究进展与趋势分析

中华绒螯蟹凭借其较高的经济价值和较高的营养品质引起国内外学者对其进行各项研究,但缺乏世界范围的系统性文献计量学分析与知识图谱研究以帮助快速掌握该领域的研究动态.该研究基于科学引文数据库(Web of Science,WoS)和中国知网数据库(China National Knowledge Infrastructure...     

基于荧光法的溶解氧传感器研制及试验

溶解氧含量的测量对水产养殖具有极其重要的意义，但目前中国市面上的溶解氧传感器存在价格昂贵、不能持续在线测量及更新部件维护困难等问题，难以在水产养殖物联网中大规模推广和发挥作用。本研究基于荧光淬灭原理，利用水中溶解氧浓度与荧光信号相位差的关系进行低成本、易维护溶解氧传感器的研发。首先利用自制备溶氧敏感膜，经激发光照射后产生红色荧光，该荧光寿命可由溶解氧浓度调节；然后利用光信号敏感器件设计光电转化电路实现光信号感知；再以STM32F103微处理器作为主控芯片，编写下位机程序实现激发光脉冲产生，利用相敏检波原理以及快速傅里叶变换（FFT）计算激发光与参照光的相位差，进而转化为溶解氧浓度，实现溶解氧的测量。荧光探测部分与系统主控部分采用分离式设计思想，利用屏蔽排线直接插拔连接，便于传感器探测头的拆卸、更换、维护以及实现远距离在线测量。经测试，本溶解氧传感器的测量范围是0~20 mg/L，响应延迟小于2 s，溶氧敏感膜使用寿命约1年，可以实时不间断地对溶解氧浓度进行测量。同时，本传感器具有测量方便、制作成本低、体积小等特点，为中国水产养殖低成本溶解氧传感器的研发与市场化奠定了良好的基础。     

基于粒子群优化算法和长短时记忆神经网络的蟹塘溶解氧预测

为准确预测蟹塘溶解氧质量浓度,及时掌握溶解氧质量浓度的变化趋势,提前采取防控措施从而降低河蟹养殖风险,提出了一种基于粒子群优化算法(PSO)和长短时记忆神经网络(LSTM)的蟹塘溶解氧质量浓度预测模型,采用PSO算法优化LSTM模型参数后对蟹塘溶解氧质量浓度进行预测.结果表明,PSO-LSTM模型不仅整体优于ARIMA模型,相较于其他LSTM模型也有更高的预测精度,在连续10个时间点的预测中相比于LDO-LSTM、LSTM和ARIMA模型平均百分误差分别降低了2.55％、1.891％和4.055％.说明PSO-LSTM模型在蟹塘溶解氧质量浓度预测中具有良好的准确性和稳定性,可以为河蟹养殖中水质精准预测与调控提供参考.