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。     

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PC-RELM的养殖水体溶解氧数据流预测模型

养殖水体中溶解氧浓度一直是最重要的水质参数之一。为了精准地对水体溶解氧进行调控,提高养殖生产效率,降低养殖风险,该研究考虑外部天气条件对溶解氧的影响以及溶解氧自身的昼夜变化特征,提出一种基于正则化极限学习机（principal component analysis and clustering method optimized regularized extreme learning machine,PC-RELM）的养殖水体溶解氧数据流预测模型。首先,采用主成分分析法判断影响溶解氧浓度的强重要性因子,降低预测模型的数据维度;其次,利用熵权法计算各时刻点的天气环境指数,并利用快速动态时间规整算法（fast dynamic time warping,FastDTW）完成时间序列数据流在不同天气环境下的相似度度量;然后使用k-means算法对时间序列的相似度进行聚类分簇,并基于分簇结果完成正则化极限学习机预测模型的构建,实现溶解氧浓度的估算。最后将PC-RELM模型应用到无锡南泉试验基地养殖池塘的溶解氧预测调控过程中。试验结果表明：PC-RELM的预测均方根误差值（root mean square error, RMSE）为0.961 9,与PLS-ELM（partial least squares optimized ELM）、最小二乘支持向量机（least square support vector machine,LSSVM）以及BP神经网络模型进行对比,其RMSE值分别降低了41.54%、54.58%和67.16%。该预测模型可以有效地捕捉不同天气条件下溶解氧的变化特点,具有较高的预测精度和效率。     

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。     

黑土养分含量的航空高光谱遥感预测

为监测黑龙江省黑土典型区土壤的养分元素含量,综合利用统计理论与光谱分析方法,研究建三江农场黑土土壤的3类养分含量与土壤光谱之间的关系,建立土壤全氮、有效磷、速效钾含量高光谱反演模型,实现土壤养分元素含量定量预测。对黑土土壤航空高光谱数据进行处理,应用偏最小二乘回归（PLSR）和BP神经网络方法分别建立土壤养分元素含量的高光谱定量反演模型,结果表明：全氮PLSR和BP神经网络预测模型的RPIQ值（样本观测值第三和第一四分位数之差与均方根误差的比值）分别为2.42和2.80;有效磷PLSR和BP神经网络模预测型的RPIQ值分别为0.83和1.67;速效钾PLSR和BP神经网络模型的RPIQ值分别为2.00和2.33。试验证明土壤全氮和速效钾的光谱定量预测模型具备较好的精度和预测能力。但有效磷的预测效果不是特别理想,仅可达到近似定量预测的要求;全氮、有效磷和速效钾的预测精度,BP神经网络建模相比偏最小二乘建模有更好的精度和预测能力,预测精度分别提高6.5%、10.1%和6.6%。     

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。     

近红外光谱法预测羊肉化学成分的研究

对3个品种、3个部位的106个羊肉样品进行近红外光谱扫描,并测定其蛋白质、水分、脂肪含量,采用Unscrambler软件建立基于偏最小二乘法的近红外光谱预测模型。结果显示:样品水分含量近红外光谱校正决定系数为0.94,验证决定系数是0.86;蛋白质含量近红外光谱预测模型的校正决定系数为0.90,验证决定系数为0.72;脂肪含量近红外光谱校正决定系数0.81,验证决定系数0.64,由此可知近红外光谱用于羊肉品质检测具有可行性。本研究为羊肉化学成分的快速检测提供了基础。     

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...     

基于Landsat-8数据的土壤颜色预测方法研究

选择黑龙江省292个自然风干土壤样品,室内测定土壤高光谱反射率,然后依据三刺激值法计算土壤CIE XYZ色彩空间各颜色分量,用于土壤颜色预测和验证.同时,提取各样品采集点位的Landsat-8 OLI原始反射率数据,计算归一化差值植被指数、归一化差值水体指数、归一化差值湿度指数、归一化差值不透水面指数,并据此提出建模光...     

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...     

基于改进坐标注意力和U-Net神经网络的淡水养殖区提取

针对淡水养殖区空间分布零碎以及样本数量不均衡等因素造成淡水养殖区提取不准确的问题,该研究提出了一种基于U-Net（U-shaped Network）的改进模型,制作了Landsat淡水养殖区动态监测的数据集,增加高、低维特征融合的坐标注意力机制提高模型的提取精度,构建多尺度特征学习更多位置信息,引入focal tversky loss损失函数提升零碎养殖区的识别率,实现1985—2021年研究区淡水养殖区的精确提取,分析近36 a年研究区淡水养殖区时空变化情况。结果表明：1）2021年淡水养殖区提取效果良好,改进后的模型总体分类精度为0.947,准确率为0.926、召回率0.966、F1分数0.946,均交并比0.899、Kappa系数为0.894,与其他模型相比,总体分类精度、Kappa系数大幅提升。2）1985—2021年,研究区淡水养殖区大致经历起步扩张、急速扩张、轻微萎缩3个阶段：1985—2000年研究区淡水养殖面积持续增加,总面积由1985年0.48 km²增长至2000年36.92 km²,年度增加量大于1 km²且小于5 km²;2000—2017年淡水养殖区面积急速增加至234.47 km²,年度增加量大于5 km²;2021养殖区面积209.58 km²,2017—2021年养殖区面积减少了24.89 km²,转出的淡水养殖区多为建设用地所取代。综上,改进的模型具有较高的识别精度,该研究可以为淡水养殖区的提取提供参考,为水产养殖业的科学化管理提供信息依据。     

光谱技术在水产养殖水质监测中的应用进展及趋势

水产养殖的水质是关乎水产养殖经济效益和水产品品质的关键因素,与传统的水质检测方法相比,光谱技术具有无创性、快速性、可重复性、准确性等优点,已成为水质监测的重要发展方向。该文总结和整理现有国内外研究文献,对基于光谱技术的水质重要参数监测、数据预处理方法、特征波段提取、预测模型算法进行了系统的分析与讨论。综述结果表明,实时在线的水产养殖水质监测将成为重点研究方向;多源光谱融合、多参数的水产养殖水质监测将会成为新的发展方向;对于光谱数据的处理,将多种数据处理算法相结合,仍将占据主导;而非线性建模将成为水产养殖水质数据分析的主流方法非线性数据建模,将成为光谱技术应用于水产养殖水质监测的主流建模发方法。     

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。