采用改进长短时记忆神经网络的水产养殖溶解氧预测模型

为了精确预测水产养殖溶解氧变化趋势,该研究提出了基于K-means聚类和改进粒子群优化（Improved Particle Swarm Optimization,IPSO）的长短时记忆（Long Short-term Memory,LSTM）神经网络预测模型。根据环境因子间的相似度,应用改进的K-means聚类算法将环境数据划分为若干类。在此基础上,基于LSTM神经网络算法构建改进的水产养殖溶解氧预测模型,并引入改进粒子群优化算法对模型参数进行优化,以减少经验选取参数的盲目性。在不同天气状况下利用该模型对溶解氧进行预测。试验结果表明,在良好天气情况下,该模型预测误差曲线波动较小,预测精度更高。当天气发生突变时,溶解氧预测模型评价指标平均绝对百分误差、均方根误差、平均绝对误差和纳什系数分别为0.129 5、0.645 3、0.461 3和0.902 2。该模型一定程度改善了天气突变状况下的数据缺失、鲁棒性差等问题。     

基于改进极限学习机的水体溶解氧预测方法

为了有效地指导水产养殖生产,提高溶解氧浓度预测的精度,提出了基于因子筛选和改进极限学习机（Extreme Learning Machine,ELM）的水产养殖溶解氧预测模型。首先,利用皮尔森相关系数法计算各影响因子与溶解氧浓度间的相关系数,提取强关联因子,降低预测模型的输入量维度;采用偏最小二乘算法（Partial Least Square, PLS）优化传统ELM神经网络,避免网络中隐含层共线性问题,保障输出权值的稳定性;然后,结合新型激活函数,构建水体溶解氧浓度预测模型。最后,将SPLS-ELM（Selection Based Partial Least Square Optimized-Extreme Learning Machine）预测模型应用到江苏省无锡市南泉基地某试验池塘的水体溶解氧预测中。试验结果表明：该模型的预测均方根误差为0.323 2 mg/L,与最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）、BP神经网络、粒子群（Particle Swarm Optimization,PSO）优化LSSVM和遗传算法（Genetic Algorithm, GA）优化BP神经网络相比分别降低40.98%、44.48%、34.73%和44.18%。且该模型的运行时间仅0.623 1s,预测精度和运行效率明显优于其他模型。该模型的溶解氧预测曲线接近真实溶解氧变化曲线,能够满足水产养殖实际生产对水体溶解氧预测的要求。     

基于K-means 聚类和ELM神经网络的养殖水质溶解氧预测

为解决养殖水质溶解氧预测传统方法引入不良样本、精度低等问题,该文以2014、2015年江苏常州养殖基地水质和气象数据为基础,提出了一种基于K-means聚类和ELM神经网络（extreme learning machine,ELM）的溶解氧预测模型。采用皮尔森相关系数法确定环境因素与溶解氧的相关系数,自定义相似日的统计量－相似度,通过K-means聚类方法将历史日样本划分为若干类,然后分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的实测环境因素作为预测模型的输入样本建立ELM神经网络溶解氧预测模型。试验结果表明,该模型均具有较快的计算速度和较高的预测精度,在常规天气下,平均绝对百分误差和均方根误差分别达到1.4%、10.8%;在突变天气下,平均绝对百分误差和均方根误差分别达到2.6%和11.6%,有利于水产养殖水质精准调控。     

基于蚁群优化最小二乘支持向量回归机的河蟹养殖溶解氧预测模型

养殖池塘溶解氧是河蟹赖以生存的重要指标,及时准确地掌握溶解氧浓度变化趋势是确保高密度河蟹健康养殖的关键。为提高溶解氧预测精度和效率,该文提出了蚁群算法(ACA)优化最小二乘支持向量回归机(LSSVR)的河蟹养殖溶解氧预测方法。采用蚁群算法对最小二乘支持向量回归机的模型参数进行优化,并以自动获取的最佳参数组合构建溶解氧与其影响因子间非线性预测模型。利用该模型对江苏宜兴市2010年7月20日～7月28日期间高密度养殖池塘溶解氧进行预测。研究表明,该预测模型取得较好的预测效果,与支持向量回归机和BP神经网络相比,模型评价指标均方根误差、相对均方误差均值、平均绝对误差和和决定系数和运行时间分别为0.0328、0.0016、0.0448、0.9916和3.3275s均优于其他预测方法,ACA-LSSVR模型不仅计算复杂度低、收敛速度快、预测精度高、泛化能力强,还能满足实际高密度河蟹养殖溶解氧管理的需要,为其他领域的水质预测提供参考。     

基于极限学习机的念坛公园水质预测模型

为提高念坛公园的水质管理及决策效果,将极限学习机应用于念坛公园的水质预测中。首先通过皮尔逊相关系数筛选关键变量,然后构建基于极限学习机的水质预测模型,利用训练时间、平均相对误差与均方根误差作为评价指标,并与BP神经网络进行比较,对比指标筛选前后两种模型的预测性能。基于念坛公园水质数据的验证结果表明,极限学习机较BP神经网络的学习算法简易、训练速度更快,并且由于正则化项的加入,使得极限学习机泛化能力加强,更适用于念坛公园水质数据的预测。     

基于游程检测法重构集合经验模态的养殖水质溶解氧预测

为了提高水产养殖中溶解氧的预测精度,该文提出了基于集合经验模态(ensemble empirical mode decomposition,EEMD)分解、游程检测法重构、适宜的单项预测算法建模和BP神经网络非线性叠加的组合预测模型。该模型首先将溶解氧原始序列用EEMD分解法进行分解,得到了多个分量;其次,用游程检测法将这些分量重构成高频分量、中频分量和低频分量等3个分量;接着,针对高频分量波动性大且复杂、中频分量呈现周期性、低频分量几乎呈线性的特点,采用粒子群(particle swarm optimization,PSO)优化的最小二乘支持向量机(least square support vector machine,LSSVM)对高频项进行预测,采用极限学习机(extreme learning machine,ELM)对中频项预测,采用非线性回归(nonlinear regression method,NRM)对低频项预测;最后,将3个分量预测的结果用BP神经网络进行重构得到最终的预测结果。将该模型应用于江苏省溧阳市埭头黄家荡特种水产养殖场的溶解氧预测中,试验表明,该种以游程检测法重构EEMD为基础的混合预测模型的预测精度高于PSO-LSSVM和单一的ELM预测模型。在预测未来48 h的溶解氧值时,该模型的预测值与实测值的均方根误差RMSE为0.099 2、平均相对误差均值MAPE为0.078、平均绝对误差MAE为0.015 5,R~2为0.995 5。表明该模型有较好的预测精度和泛化能力,能够满足现代化水产养殖业对溶解氧精细化管理的高要求。     

融合IDA-GRU和IIDW的水产养殖溶解氧时空预测模型

为了提高大面积水产养殖中养殖效率、降低养殖风险、提高溶解氧(dissolved oxygen,DO)时空预测精度,该研究基于双重注意力机制改进的门控循环单元(improved gated recurrent unit based on dual attention mechanism,IDA-GRU)和改进逆距离加权插值算法(improved inverse distance weighting interpolation algorithm,IIDW),提出了一种改进的水产养殖溶解氧时空预测模型。首先在门控循环单元(gated recurrent unit,GRU)的基础上,引入特征和时间双重注意力机制(dual attention,DA),实现溶解氧时间序列预测,其中特征注意力机制实时计算各环境特征的贡献率,不断修正各环境特征的权重,时间特征注意力机制自主地提取关键历史时刻信息;然后在溶解氧时间序列的基础上,利用IIDW算法实现溶解氧空间预测,该算法中提出的距离权重校正系数,能够实时调整插值权重。最后,在上海城市电力公司数字化生态养殖基地对该模型进行了试验验证。试验结果表明,对于溶...     

主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧

为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型。首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证。试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考。     

基于改进深度信念网络的池塘养殖水体氨氮预测模型研究

水体氨氮是影响水产养殖质量和产量的关键参数之一。然而,池塘养殖环境复杂多变,氨氮含量影响因子众多,且各因子之间相互关联并呈现非线性变化,同时,获取的数据存在大量噪声。因此,采用数学方法及传统神经网络很难精准预测氨氮含量,且在进行数据训练时存在局部收敛和计算效率差的问题。针对上述问题,首先,通过主成分分析筛选影响氨氮含量变化的主要因子作为模型输入,利用小波阈值方法实现噪声消除;然后,提出一种基于粒子群优化算法(particle swarm optimization, PSO)并结合多变量深度信念网络(multi-variable deep belief network, MDBN)预测模型,对池塘养殖水体溶解氧预测,并与传统最小二乘支持向量机、BP神经网络、DBNs(deep belief networks)模型进行了比较分析。研究结果表明,该文所提方法其平均百分比误差(mean absolute percentage error,MAPE)为0.1172,与传统最小二乘支持向量机、BP神经网络、DBNs方法进行对比,其MAPE分别降低了0.285 9、0.214 6、0.013 9。除此之外,随着样本数量增加,其模型绝对误差不断降低。因此,该文所提方法具有高的预测精度及泛化性能,研究可为池塘水体氨氮含量精准预测提供理论依据和参数支持。     

基于遥感时序物候特征的耕地非粮化多模式监测方法

耕地非粮化对粮食生产和农业可持续发展构成潜在威胁,精准监测不同的耕地非粮化类型对制定针对性的农业管理政策至关重要。该研究以河北省石家庄市藁城区为研究区,首先采用最大类间方差算法（OTSU）提取果园和耕地范围,然后利用Google Earth Engine（GEE）云计算平台构建了基于Sentinel-2遥感数据的特征集,包括光谱特征、物候特征和NDVI（normalized difference vegetation index）时序特征。结合面向对象分割和随机森林（radom forest, RF）、时间加权的动态时间规整（time-weighted dynamic time warping, TW-DTW）算法,构建了4种不同的分类模式用于提取粮食作物和露天蔬菜、大棚种植等非粮食作物。通过选择最优模式,提取了研究区2019-2022年间不同非粮化类型的空间分布信息,并探讨了不同模式的优点和局限性。结果表明：1） 采用面向对象的机器学习模式进行耕地内作物分类的精度最佳,两个生长季内总体精度分别达到93.23%和90.10%,Kappa系数分别达到0.91和0.88;2） 基于时间序列匹配的模式在区分粮食作物和其他地类方面表现出较高的准确性,冬小麦、玉米和大豆的用户精度分别高于95.60%、74.70%、82.70%,制图精度分别高于97.70%、86.40%、93.10%;3） 利用面向对象的机器学习模式进行耕地非粮化信息提取,在两个作物生长季的总体精度为87.00%和81.00%。分析耕地非粮化结果发现,藁城区2019-2022年的年际性非粮化面积为2753.09 hm2,其中果园占比最高;而季节性非粮化结果显示,秋粮非粮化面积（3174.86 hm2）明显高于夏粮非粮化面积（1060.27 hm2）。该研究利用Sentinel-2时序遥感数据,为一年两熟区耕地非粮化监测提供一种新的思路,可以为制定差异化农业管理政策提供依据。     

基于时间相似数据的支持向量机水质溶解氧在线预测

为及时辨识集约化水产养殖水质变化趋势、动态调控水质,确保无应激环境下健康养殖,该文提出了基于时序列相似数据的最小二乘支持向量回归机(least squares support vector regression,LSSVR)水质溶解氧在线预测模型。采用特征点分段时间弯曲距离(feature points segmented time warping distance,FPSTWD)算法对在线采集的时间序列数据进行分段与相似度计算,以缩减规模的子序列数据集对LSSVR模型进行快速训练优化,实现了多个LSSVR子模型在线建模,将预测数据序列与LSSVR子模型的相似度匹配,自适应地选取最佳的子模型作为在线预测模型。应用该模型对集约化河蟹福利养殖水质参数溶解氧浓度进行在线预测,模型评价指标中最大相对误差、平均绝对百分比误差、相对均方根误差和运行时间分别为4.76%、8.18%、5.23%、8.32 s。研究结果表明,与其他预测方法相比,该模型具有较好的综合预测性能,能够满足河蟹福利养殖水质在线预测的实际需求,并为集约化水产养殖水质精准调控提供研究基础。     

改进型支持度函数的WSN水质监测数据融合方法

无线传感网络已被广泛应用到水质监测领域中,针对水质监测中对传感器数据高精度的要求,该研究提出一种基于支持度函数的数据融合算法。首先,对各传感器采集的数据进行一致性检测,保证数据的准确性;其次,采用改进的动态时间弯曲距离（Improved Dynamic Time Warping Distance, IDTW）对支持度函数（Support Function, SF）进行优化,实现水质参数时间序列数据间的互支持度计算;最后,通过加权算法完成数据的融合过程,实现错误数据的校正,获得高质量融合数据。该算法在水质监测平台中进行了试验,结果表明,IDTW-SF融合算法的平均绝对误差值为0.279 2%,融合精度较其他对比算法更高,且运行速度较快。IDTW-SF支持度融合算法能够有效弥补现有水质监测系统数据采集准确率低、效率低等缺陷,基于此方法的水质监测系统提高了溶解氧数据准确率,在降低水产养殖风险,提高养殖效率等方面发挥重要作用。     

不同增氧方式对精养池塘溶氧的影响

当前对于在精养池塘中如何配制和合理使用不同机械增氧方式缺乏系统的比较研究。该文为了探讨高温季节晴好天气不同机械增氧方式对池塘溶氧全天调控的影响,试验设计如下：于夏天高温季节集中对精养池塘应用3种不同增氧方式,在晴好天气的白天和夜间进行增氧效果试验。结果发现：无论增氧机开启与否,池塘的溶氧都存在明显的昼夜起伏,且在午后出现峰值。增氧机的开启增强了上下水层交换,削减了氧差,减少了上层溶氧的逸出损失,提升了下层水体的低溶氧水平。池塘上层溶氧起伏程度大于下层,下层溶氧变化滞后于上层（下层溶氧出现峰值落后于上层约2～5 h）,且这种滞后性为增氧机运行所削弱。夜间增氧能向池塘补充溶氧,但仍不足以弥补鱼类和浮游生物的代谢、微生物的生长及有机物的氧化分解造成的溶氧损耗。单从机械增氧能力来看,叶轮式＞微孔式＞耕水机。综合分析节能和增氧效果,在精养池塘养殖环境下,白天开机增氧选择耕水机较为合适,而夜间应急增氧选择叶轮式更可取。试验通过对不同机械增氧方式增氧效果和能耗的系统比较,为合理选择和使用增氧方式提供了一定的参考价值。