一种复杂养殖环境下基于深度学习的水质溶解氧预测方法技术

本申请提供一种复杂养殖环境下基于深度学习的水质溶解氧预测方法，包括：获取海鲈养殖区域内的海流数据，包括流速、流向、温度、盐度，以及不同水深的溶解氧数据；根据海鲈养殖区域的历史海流数据，评估海流数据的波动性和不规则变化程度，并预测海鲈养殖期间内养殖区域的海流的不稳定性变化；根据海鲈养殖区域所在位置的历史季节性海流数据，预测海鲈养殖期间内养殖区域的海流数据；基于海鲈养殖区域不同水深的溶解氧含量预测模型，预测海鲈养殖期间内养殖区域的溶解氧含量，筛选符合海鲈养殖要求的养殖区域；根据海鲈不同养殖阶段的需求溶解氧含量，采用可开合式通风口和垂直升降式养殖网箱，调整海鲈养殖网箱内的溶解氧含量。调整海鲈养殖网箱内的溶解氧含量。调整海鲈养殖网箱内的溶解氧含量。

【技术实现步骤摘要】
一种复杂养殖环境下基于深度学习的水质溶解氧预测方法


[0001]本专利技术涉及信息
，尤其涉及一种复杂养殖环境下基于深度学习的水质溶解氧预测方法。

技术介绍

[0002]海鲈养殖是一项具有巨大潜力的产业，然而，溶解氧含量是影响海鲈生长和发育的关键因素之一。不合理的养殖水域溶解氧水平会导致鱼类窒息甚至死亡，因此，准确预测海鲈养殖区域的溶解氧含量至关重要。然而，该预测面临一些问题和困难。首先，海流是影响溶解氧含量的重要因素之一。海流的流速和流向会直接影响溶解氧的输送和分布，因此，准确获取海流数据是预测溶解氧含量的前提。然而，海流具有较大的波动性和不规则变化程度，导致海流数据的获取和评估存在一定的困难。其次，海鲈养殖期间，海流的不稳定性变化也会对溶解氧含量产生影响。海流的不稳定性可能导致溶解氧的分布不均匀，使得养殖区域的溶解氧含量难以预测和调控。此外，海水温度和盐度也是影响溶解氧含量的重要因素。海水温度的升高和盐度的变化都会对溶解氧的溶解能力产生影响，因此，准确预测海水温度和盐度对于预测溶解氧含量至关重要。综上所述，预测海鲈养殖区域的溶解氧含量存在诸多问题和困难，海流数据的获取和评估、海流的不稳定性变化、海水温度和盐度的预测的方面都需要解决，只有克服了这些问题，才能准确预测溶解氧含量，并根据需求进行相应调整，确保养殖水域内的溶解氧水平符合海鲈养殖要求，而这些都是现在未解决的问题；

技术实现思路

[0003]本专利技术提供了一种复杂养殖环境下基于深度学习的水质溶解氧预测方法，主要包括：
[0004]获取海鲈养殖区域内的海流数据，包括流速、流向、温度、盐度，以及不同水深的溶解氧数据；根据海鲈养殖区域的海流数据以及不同水深的溶解氧含量数据，建立海鲈养殖区域不同水深的溶解氧含量预测模型，预测海鲈养殖区域不同水深的溶解氧含量；根据海鲈养殖区域的历史海流数据，评估海流数据的波动性和不规则变化程度，并预测海鲈养殖期间内养殖区域的海流的不稳定性变化；根据海鲈养殖区域所在位置的历史季节性海流数据，预测海鲈养殖期间内养殖区域的海流数据；基于海鲈养殖区域不同水深的溶解氧含量预测模型，预测海鲈养殖期间内养殖区域的溶解氧含量，筛选符合海鲈养殖要求的养殖区域；根据海鲈不同养殖阶段的需求溶解氧含量，采用可开合式通风口和垂直升降式养殖网箱，调整海鲈养殖网箱内的溶解氧含量；根据海鲈养殖网箱中鱼群密度分布以及实时溶解氧含量的水平分布监测结果，调整饵料投放分布达到改变海鲈养殖网箱中溶解氧分布的目的；根据历史的黑潮来临时不同水深的水质参数的监测数据，建立海鲈养殖区域的水质模型，预测黑潮来临时养殖区域内不同水深的溶解氧含量，并实时调整海鲈养殖的网箱深度、通风口大小和个数。
[0005]进一步可选地，所述获取海鲈养殖区域内的海流数据，包括流速、流向、温度、盐
度，以及不同水深的溶解氧数据包括：
[0006]通过海洋监测站获取养殖区域的海流流速和流向；通过水温传感器获取养殖区域的海水温度数据；通过盐度传感器获取养殖区域的盐度数据；通过养殖区域不同水深的位置上的溶解氧传感器，获取水体中溶解氧的含量数据。
[0007]进一步可选地，所述根据海鲈养殖区域的海流数据以及不同水深的溶解氧含量数据，建立海鲈养殖区域不同水深的溶解氧含量预测模型，预测海鲈养殖区域不同水深的溶解氧含量包括：
[0008]获取海鲈养殖区域的海流数据，包括流速、流向、温度、盐度，以及不同水深的溶解氧含量数据；对获取的数据进行质量控制，包括去除异常值、处理缺失值；确定流速、流向、温度、盐度和水深作为输入变量，将溶解氧含量作为目标变量；对数据进行特征选择，选取与溶解氧含量相关性高的特征；采用随机划分的方法将数据集分为训练集和测试集；使用支持向量机算法进行训练，以流速、流向、温度、盐度和水深作为输入，建立海鲈养殖区域不同水深的溶解氧含量预测模型；在训练过程中，根据损失函数进行模型参数的优化，提高模型的预测准确性；使用测试集对训练好的模型进行验证，通过计算预测值与真实值之间的误差指标，包括均方根误差、平均绝对误差，评估模型的准确性和性能；根据评估结果，对模型进行调整和优化，以进一步提高预测精度和泛化能力；使用训练好的模型，根据输入的流速、流向、温度、盐度和水深数据，预测海鲈养殖区域不同水深的溶解氧含量。
[0009]进一步可选地，所述根据海鲈养殖区域的历史海流数据，评估海流数据的波动性和不规则变化程度，并预测海鲈养殖期间内养殖区域的海流的不稳定性变化包括：
[0010]从历史海流观测记录中获取流速、温度和盐度数据；计算流速、温度和盐度的平均值和标准差，并进一步计算它们的变异系数；根据变异系数的大小判断海流数据的波动性；若变异系数大于预设阈值，说明海鲈养殖期间内海鲈养殖区域的海流存在不稳定性变化，该区域不符合海鲈养殖要求；若变异系数小于预设阈值，则说明海鲈养殖期间内海鲈养殖区域的海流相对稳定，该区域符合海鲈养殖要求；根据海流观测数据或历史海流数据，获取时间序列数据；使用季节分解法对时间序列数据进行分解，得到长期趋势、季节性变化和随机波动三个部分；确定季节性变化的周期，并通过分析分解后的数据，判断海流的季节性变化规律；观察分解后的数据，判断长期趋势的变化情况，确定海流的长期趋势是否逐渐增加或减小；分析分解后的数据中的随机波动部分，观察随机波动的影响，并判断海流的随机波动是否受到天气变化和海洋环境的影响；根据季节性变化和长期趋势的分析结果，预测海鲈养殖期间内养殖区域的海流变化趋势和周期性；根据海流数据的波动性、季节性变化和长期趋势的分析结果，初步筛选出符合海鲈养殖要求的养殖区域；还包括：基于季节分解法，预测海鲈养殖期间内养殖区域的海流的周期性和变化趋势。
[0011]所述基于季节分解法，预测海鲈养殖期间内养殖区域的海流的周期性和变化趋势，具体包括：
[0012]获取包含历史海流数据的时间序列。进行数据预处理，包括去除异常值、填补缺失值。采用移动平均法进行季节分解，首先，通过计算滑动窗口内的均值来获取趋势成分；然后，将原始数据减去趋势成分得到去趋势化的数据。计算每个季节内的平均值，得到季节性成分；最后，将原始数据减去趋势成分和季节性成分计算残差；通过X
‑
11季节调整法进行季节分解。根据历史数据中提取的季节性成分，推测海鲈养殖期间内相同季节中海流的变化
的数据。通过将历史季节性成分与海鲈养殖期间内的时间序列进行相乘来得到预测结果。根据趋势成分预测长期的变化趋势。通过拟合趋势成分的线性模型，预测海鲈养殖期间内养殖区域的海流的整体变化趋势。
[0013]进一步可选地，所述根据海鲈养殖区域所在位置的历史季节性海流数据，预测海鲈养殖期间内养殖区域的海流数据包括：
[0014]从相关海洋科学研究机构或海洋观测站获取海鲈养殖区域所在位置的历史季节性海流数据，包括流速、流向、温度和盐度信息；根据历史海流数据，提取时间属性，包括年、月、日和时刻信息；获取养殖区域的地理位置信息，包括经度和纬度，作为海流的地理属性；计算每个时间点的平均流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂养殖环境下基于深度学习的水质溶解氧预测方法，其特征在于，所述方法包括：获取海鲈养殖区域内的海流数据，包括流速、流向、温度、盐度，以及不同水深的溶解氧数据；根据海鲈养殖区域的海流数据以及不同水深的溶解氧含量数据，建立海鲈养殖区域不同水深的溶解氧含量预测模型，预测海鲈养殖区域不同水深的溶解氧含量；根据海鲈养殖区域的历史海流数据，评估海流数据的波动性和不规则变化程度，并预测海鲈养殖期间内养殖区域的海流的不稳定性变化；根据海鲈养殖区域所在位置的历史季节性海流数据，预测海鲈养殖期间内养殖区域的海流数据；基于海鲈养殖区域不同水深的溶解氧含量预测模型，预测海鲈养殖期间内养殖区域的溶解氧含量，筛选符合海鲈养殖要求的养殖区域；根据海鲈不同养殖阶段的需求溶解氧含量，采用可开合式通风口和垂直升降式养殖网箱，调整海鲈养殖网箱内的溶解氧含量；根据海鲈养殖网箱中鱼群密度分布以及实时溶解氧含量的水平分布监测结果，调整饵料投放分布达到改变海鲈养殖网箱中溶解氧分布的目的；根据历史的黑潮来临时不同水深的水质参数的监测数据，建立海鲈养殖区域的水质模型，预测黑潮来临时养殖区域内不同水深的溶解氧含量，并实时调整海鲈养殖的网箱深度、通风口大小和个数。2.根据权利要求1所述的方法，其中，所述获取海鲈养殖区域内的海流数据，包括流速、流向、温度、盐度，以及不同水深的溶解氧数据，包括:通过海洋监测站获取养殖区域的海流流速和流向；通过水温传感器获取养殖区域的海水温度数据；通过盐度传感器获取养殖区域的盐度数据；通过养殖区域不同水深的位置上的溶解氧传感器，获取水体中溶解氧的含量数据。3.根据权利要求1所述的方法，其中，所述根据海鲈养殖区域的海流数据以及不同水深的溶解氧含量数据，建立海鲈养殖区域不同水深的溶解氧含量预测模型，预测海鲈养殖区域不同水深的溶解氧含量，包括:获取海鲈养殖区域的海流数据，包括流速、流向、温度、盐度，以及不同水深的溶解氧含量数据；对获取的数据进行质量控制，包括去除异常值、处理缺失值；确定流速、流向、温度、盐度和水深作为输入变量，将溶解氧含量作为目标变量；对数据进行特征选择，选取与溶解氧含量相关性高的特征；采用随机划分的方法将数据集分为训练集和测试集；使用支持向量机算法进行训练，以流速、流向、温度、盐度和水深作为输入，建立海鲈养殖区域不同水深的溶解氧含量预测模型；在训练过程中，根据损失函数进行模型参数的优化，提高模型的预测准确性；使用测试集对训练好的模型进行验证，通过计算预测值与真实值之间的误差指标，包括均方根误差、平均绝对误差，评估模型的准确性和性能；根据评估结果，对模型进行调整和优化，以进一步提高预测精度和泛化能力；使用训练好的模型，根据输入的流速、流向、温度、盐度和水深数据，预测海鲈养殖区域不同水深的溶解氧含量。4.根据权利要求1所述的方法，其中，所述根据海鲈养殖区域的历史海流数据，评估海流数据的波动性和不规则变化程度，并预测海鲈养殖期间内养殖区域的海流的不稳定性变化，包括:从历史海流观测记录中获取流速、温度和盐度数据；计算流速、温度和盐度的平均值和标准差，并进一步计算它们的变异系数；根据变异系数的大小判断海流数据的波动性；若变异系数大于预设阈值，说明海鲈养殖期间内海鲈养殖区域的海流存在不稳定性变化，该区
域不符合海鲈养殖要求；若变异系数小于预设阈值，则说明海鲈养殖期间内海鲈养殖区域的海流相对稳定，该区域符合海鲈养殖要求；根据海流观测数据或历史海流数据，获取时间序列数据；使用季节分解法对时间序列数据进行分解，得到长期趋势、季节性变化和随机波动三个部分；确定季节性变化的周期，并通过分析分解后的数据，判断海流的季节性变化规律；观察分解后的数据，判断长期趋势的变化情况，确定海流的长期趋势是否逐渐增加或减小；分析分解后的数据中的随机波动部分，观察随机波动的影响，并判断海流的随机波动是否受到天气变化和海洋环境的影响；根据季节性变化和长期趋势的分析结果，预测海鲈养殖期间内养殖区域的海流变化趋势和周期性；根据海流数据的波动性、季节性变化和长期趋势的分析结果，初步筛选出符合海鲈养殖要求的养殖区域；还包括：基于季节分解法，预测海鲈养殖期间内养殖区域的海流的周期性和变化趋势。5.根据权利要求1所述的方法，其中，所述根据海鲈养殖区域所在位置的历史季节性海流数据，预测海鲈养殖期间内养殖区域的海流数据，包括:从相关海洋科学研究机构或海洋观测站获取海鲈养殖区域所在位置的历史季节性海流数据，包括流速、流向、温度和盐度信息；根据历史海流数据，提取时间属性，包括年、月、日和时刻信息；获取养殖区域的地理位置信息，包括经度和纬度，作为海流的地理属性；计算每个时间点的平均流速，确定海流的流速属性；计算每个时间点的平均流向，确定海流的流向属性；计算每个时间点的平均温度，获取海流的温度属性；计算每个时间点的平均盐度，获取海流的盐度属性；采用ARIMA算法，将时间和地理属性作为输入特征，将海流的流速、流向、温度和盐度作为输出变量，建立海鲈养殖期间内养殖区域的海流预测模型；使用历史海流数据和属性作为训练集，对模型进行训练和优化；在训练...

【专利技术属性】
技术研发人员：刘玉洁，
申请(专利权)人：珠海城市职业技术学院，
类型：发明
国别省市：