摘 要 水質(zhì)環(huán)境對(duì)對(duì)蝦的健康生長(zhǎng)具有重要影響，然而傳統(tǒng)蝦養(yǎng)殖技術(shù)在水質(zhì)控制方面存在能力不足的問(wèn)題，導(dǎo)致疾病傳播風(fēng)險(xiǎn)較高。基于此，提出一種基于大數(shù)據(jù)挖掘的對(duì)蝦養(yǎng)殖水質(zhì)預(yù)測(cè)系統(tǒng)，并通過(guò)對(duì)廣東省湛江市某對(duì)蝦養(yǎng)殖基地的水質(zhì)數(shù)據(jù)進(jìn)行深入分析，提出基于小波閾值降噪（Wavelet Threshold Denoising，WTD）和支持向量回歸（Support Vector Regression，SVR）的水質(zhì)預(yù)測(cè)模型，對(duì)對(duì)蝦養(yǎng)殖水質(zhì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。結(jié)果表明，WTD-SVR模型在準(zhǔn)確預(yù)測(cè)水質(zhì)參數(shù)方面具有良好的效果。

關(guān)鍵詞 對(duì)蝦養(yǎng)殖；水質(zhì)預(yù)測(cè)；小波閾值降噪（WTD）；支持向量回歸（SVR）

中圖分類號(hào)：S968.22 文獻(xiàn)標(biāo)志碼：A DOI：10.19415/j.cnki.1673-890x.2024.17.057

對(duì)蝦養(yǎng)殖業(yè)是我國(guó)海水養(yǎng)殖的支柱產(chǎn)業(yè)。隨著國(guó)內(nèi)沿海城市廣泛養(yǎng)殖對(duì)蝦，對(duì)蝦養(yǎng)殖業(yè)已成為我國(guó)養(yǎng)殖業(yè)中發(fā)展最快的產(chǎn)業(yè)之一，對(duì)蝦因含有豐富的優(yōu)質(zhì)蛋白而深受廣大消費(fèi)者的喜愛(ài)。對(duì)蝦養(yǎng)殖的水質(zhì)環(huán)境是影響對(duì)蝦健康生長(zhǎng)的重要因素之一，不同養(yǎng)殖階段對(duì)蝦所需要的溫度、溶解氧及pH值等水質(zhì)指標(biāo)范圍均不同。如果對(duì)蝦養(yǎng)殖水質(zhì)環(huán)境調(diào)整不當(dāng)，將導(dǎo)致病害產(chǎn)生，影響對(duì)蝦的食用安全性[1-2]。因此，為降低病害發(fā)生率，確保對(duì)蝦食用安全，實(shí)時(shí)監(jiān)測(cè)對(duì)蝦養(yǎng)殖水質(zhì)環(huán)境至關(guān)重要[3]。

傳統(tǒng)的對(duì)蝦養(yǎng)殖水質(zhì)環(huán)境監(jiān)測(cè)方式主要依賴人工定期抽樣檢測(cè)，水質(zhì)控制能力較弱，難以做到實(shí)時(shí)監(jiān)控和及時(shí)規(guī)避疾病傳播風(fēng)險(xiǎn)，且伴隨著高昂的人工成本[4]。近年來(lái)，準(zhǔn)確、實(shí)時(shí)、高效的對(duì)蝦養(yǎng)殖監(jiān)測(cè)方式更受青睞。隨著數(shù)字化智能化的時(shí)代發(fā)展趨勢(shì)，此次研究提出一個(gè)基于大數(shù)據(jù)挖掘的對(duì)蝦養(yǎng)殖水質(zhì)預(yù)測(cè)系統(tǒng)，用于實(shí)現(xiàn)對(duì)蝦養(yǎng)殖水質(zhì)環(huán)境的實(shí)時(shí)監(jiān)控，以針對(duì)性調(diào)控水質(zhì)環(huán)境，進(jìn)一步提升對(duì)蝦養(yǎng)殖的存活率。該系統(tǒng)將助力傳統(tǒng)人工對(duì)蝦養(yǎng)殖技術(shù)向數(shù)字信息化方向發(fā)展，結(jié)合大數(shù)據(jù)挖掘技術(shù)與人工智能技術(shù)，收集并分析養(yǎng)殖水質(zhì)的相關(guān)數(shù)據(jù)，包括溫度、溶解氧和pH值等因素。通過(guò)建立預(yù)測(cè)模型和算法，系統(tǒng)可以實(shí)時(shí)監(jiān)測(cè)和預(yù)測(cè)對(duì)蝦養(yǎng)殖水質(zhì)的變化趨勢(shì)，為養(yǎng)殖人員提供數(shù)據(jù)分析和決策支持，進(jìn)一步實(shí)現(xiàn)對(duì)蝦養(yǎng)殖產(chǎn)量增收，對(duì)推動(dòng)我國(guó)對(duì)蝦養(yǎng)殖數(shù)字化管理具有指導(dǎo)意義[5]。

1" 系統(tǒng)設(shè)計(jì)

系統(tǒng)主要由數(shù)據(jù)自動(dòng)采集模塊、數(shù)據(jù)管理模塊、水質(zhì)預(yù)測(cè)模塊和系統(tǒng)可視化模塊構(gòu)成，系統(tǒng)功能架構(gòu)圖如圖1所示。系統(tǒng)采用瀏覽器/服務(wù)器（Browser/Server，B/S）結(jié)構(gòu)，遵循低耦合高內(nèi)聚的軟件設(shè)計(jì)和架構(gòu)原則，基于Spring Boot框架進(jìn)行系統(tǒng)開(kāi)發(fā)，前端開(kāi)發(fā)選擇CSS、HTML等語(yǔ)言及ECharts可視化庫(kù)，以實(shí)現(xiàn)用戶可視化界面，從而提供水質(zhì)預(yù)測(cè)數(shù)據(jù)供用戶參考。

1）數(shù)據(jù)自動(dòng)采集模塊。此次研究使用的水質(zhì)數(shù)據(jù)來(lái)源于廣東省湛江市某對(duì)蝦養(yǎng)殖基地的物聯(lián)網(wǎng)技術(shù)水質(zhì)監(jiān)測(cè)平臺(tái)。通過(guò)在養(yǎng)殖池中部署的多種水下傳感器和監(jiān)測(cè)設(shè)備，每隔10 min自動(dòng)在線采集一次對(duì)蝦養(yǎng)殖水體中的關(guān)鍵參數(shù)，包括溫度、pH值、濁度、溶解氧和氨氮含量等。以2022年8月25日至9月26日自動(dòng)在線采集的4 472個(gè)樣本作為研究的數(shù)據(jù)源。

2）數(shù)據(jù)管理模塊。MySQL數(shù)據(jù)庫(kù)擁有較高的擴(kuò)展性及較強(qiáng)的實(shí)時(shí)數(shù)據(jù)處理能力。系統(tǒng)主要采用MySQL數(shù)據(jù)庫(kù)存放以下4類數(shù)據(jù)：數(shù)據(jù)自動(dòng)采集模塊所采集的實(shí)時(shí)數(shù)據(jù)，包括溫度、溶解氧、鹽度、pH值等水質(zhì)數(shù)據(jù)；系統(tǒng)錄入的對(duì)蝦養(yǎng)殖池號(hào)、對(duì)蝦種類、養(yǎng)殖數(shù)量、養(yǎng)殖階段等相關(guān)數(shù)據(jù)；對(duì)蝦在不同生長(zhǎng)時(shí)期的各種水質(zhì)環(huán)境指標(biāo)安全閾值；通過(guò)網(wǎng)絡(luò)爬蟲(chóng)技術(shù)在對(duì)蝦養(yǎng)殖技術(shù)網(wǎng)站爬取的對(duì)蝦養(yǎng)殖防治技術(shù)等相關(guān)數(shù)據(jù)，以便后續(xù)進(jìn)行數(shù)據(jù)處理及分析。

3）水質(zhì)預(yù)測(cè)模塊。該模塊主要利用數(shù)據(jù)挖掘算法構(gòu)建對(duì)蝦養(yǎng)殖水質(zhì)預(yù)測(cè)模型，將數(shù)據(jù)自動(dòng)采集模塊中得到的原始水質(zhì)數(shù)據(jù)進(jìn)行預(yù)處理后，采用基于小波閾值降噪（Wavelet Threshold Denoising，WTD）和支持向量回歸（Support Vector Regression，SVR）的WTD-SVR預(yù)測(cè)模型對(duì)水質(zhì)關(guān)鍵指標(biāo)的未來(lái)變化趨勢(shì)進(jìn)行預(yù)測(cè)，有助于提前預(yù)測(cè)養(yǎng)殖水質(zhì)可能出現(xiàn)的問(wèn)題，從而預(yù)警養(yǎng)殖人員提前干預(yù)，確保養(yǎng)殖環(huán)境穩(wěn)定和對(duì)蝦健康生長(zhǎng)。

4）系統(tǒng)可視化模塊。該模塊利用已建立的水質(zhì)預(yù)測(cè)模型對(duì)養(yǎng)殖水質(zhì)進(jìn)行實(shí)時(shí)預(yù)測(cè)與分析。該模塊可記錄水質(zhì)監(jiān)測(cè)數(shù)據(jù)，為養(yǎng)殖人員提供參考，有助于開(kāi)展長(zhǎng)期水質(zhì)趨勢(shì)的分析與評(píng)估。其主要功能是將預(yù)測(cè)結(jié)果通過(guò)圖表和趨勢(shì)圖等可視化方式展示給養(yǎng)殖人員，進(jìn)一步生成水質(zhì)分析報(bào)告，同時(shí)可在對(duì)蝦養(yǎng)殖水質(zhì)數(shù)據(jù)超過(guò)指定安全閾值時(shí)，發(fā)出預(yù)警通知和提供對(duì)應(yīng)防治方案。此外，養(yǎng)殖人員可通過(guò)用戶界面可查看水質(zhì)實(shí)時(shí)情況、歷史參數(shù)變化趨勢(shì)和針對(duì)性的防治方案，以便于及時(shí)采取相應(yīng)措施，確保養(yǎng)殖水質(zhì)環(huán)境健康良好。

系統(tǒng)可視化模塊中的水質(zhì)預(yù)警功能具體如下。用戶在設(shè)定好水質(zhì)指標(biāo)安全閾值后，系統(tǒng)即可在監(jiān)測(cè)到異常水質(zhì)參數(shù)時(shí)在界面中向養(yǎng)殖人員發(fā)出預(yù)警通知，并提供特定養(yǎng)殖階段適宜的水質(zhì)參數(shù)范圍、常見(jiàn)問(wèn)題解決方案和水質(zhì)調(diào)節(jié)方法等專業(yè)信息。養(yǎng)殖人員可根據(jù)系統(tǒng)提供的建議及時(shí)采取有效措施，防止水質(zhì)惡化，從而避免對(duì)蝦發(fā)生病害等。

2" WTD-SVR水質(zhì)預(yù)測(cè)模型建立

由于獲取的參數(shù)之間存在比較復(fù)雜的非線性關(guān)系，如溫度、pH值等參數(shù)與水質(zhì)指標(biāo)之間的關(guān)系。SVR通過(guò)使用核函數(shù)可處理非線性問(wèn)題，能捕捉到更為復(fù)雜的模式和關(guān)系，同時(shí)在數(shù)據(jù)中存在異常值或噪聲的情況下，SVR模型表現(xiàn)良好，十分適用于解決對(duì)蝦養(yǎng)殖水質(zhì)參數(shù)監(jiān)測(cè)問(wèn)題[6]。因此，此次研究采用WTD-SVR的組合模型對(duì)對(duì)蝦養(yǎng)殖水質(zhì)參數(shù)進(jìn)行回歸預(yù)測(cè)，預(yù)測(cè)流程如圖2所示。

鑒于水下傳感設(shè)備可能存在故障及傳輸信號(hào)干擾等因素的影響，所獲取的數(shù)據(jù)中不可避免地包含異常值和缺失值。而SVR模型對(duì)于數(shù)據(jù)噪聲較為敏感，因此研究通過(guò)數(shù)據(jù)預(yù)處理篩選出異常值，并利用相鄰值的平均值替換缺失值和異常值。在此基礎(chǔ)上，采用小波閾值降噪方法，在保留數(shù)據(jù)主要特征的同時(shí)，降低數(shù)據(jù)噪聲對(duì)模型性能產(chǎn)生的影響[7]。WTD過(guò)程具體分為小波分解、閾值處理和小波重構(gòu)3個(gè)步驟。先選用小波函數(shù)對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行小波分解，得到各層的小波系數(shù)；選擇軟閾值函數(shù)對(duì)數(shù)據(jù)進(jìn)行去噪；根據(jù)前面多層的高頻系數(shù)和最底層的低頻系數(shù)進(jìn)行小波重構(gòu)，最后生成降噪后的數(shù)據(jù)[8]。

為提升模型泛化能力并縮短訓(xùn)練時(shí)間，此次研究將數(shù)據(jù)進(jìn)行歸一化處理，使其統(tǒng)一映射范圍在[0，1][9]。隨機(jī)設(shè)置數(shù)據(jù)集的80%作為訓(xùn)練集，20%作為測(cè)試集。核函數(shù)選擇適用于擬合此次研究中非線性數(shù)據(jù)的高斯徑向核函數(shù)（Radial Basis Function，RBF），RBF核函數(shù)包含2個(gè)重要的依賴參數(shù)，分別為核參數(shù)gamma（g）與懲罰系數(shù)cost（c）[10]。其中，c表示對(duì)誤差值的容忍度，若c值過(guò)大易導(dǎo)致過(guò)擬合，若c值過(guò)小則易出現(xiàn)欠擬合。而g值越大支持向量越少，g值越小支持向量越多，易影響模型的訓(xùn)練與預(yù)測(cè)時(shí)長(zhǎng)。為獲取最有利于水質(zhì)環(huán)境檢測(cè)的依賴參數(shù)，采用交叉驗(yàn)證尋找c和g的最優(yōu)參數(shù)組合。然后，通過(guò)SVR模型對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)，將預(yù)測(cè)所得數(shù)據(jù)進(jìn)行反歸一化處理，并計(jì)算模型評(píng)價(jià)指標(biāo)以評(píng)估預(yù)測(cè)效果。

為評(píng)估模型預(yù)測(cè)性能，此次研究選取決定系數(shù)R2、平均絕對(duì)誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Squared Error，RMSE）作為衡量模型預(yù)測(cè)準(zhǔn)確性的關(guān)鍵指標(biāo)。其中，R2用于評(píng)估模型的擬合程度，具體公式如（1）所示，其取值范圍在0～1，R2越接近1，說(shuō)明模型擬合效果越好。MAE與RMSE的數(shù)值可反映模型誤差程度，其值越小表示模型預(yù)測(cè)的精確度越高，具體表達(dá)式為

[R2=1-iyi-yi2iyi-yi2]" " "（1）

[EMAE=1mi=1myi-yi]" " （2）

[ERMSE=1mi=1myi-yi2]" " " "（3）

式中：m表示樣本點(diǎn)數(shù)量；[yi]表示第i個(gè)樣本的真實(shí)值；[yi]表示第i個(gè)樣本的模型預(yù)測(cè)值；[y]表示真實(shí)值的平均值。

為驗(yàn)證WTD-SVR水質(zhì)預(yù)測(cè)模型的預(yù)測(cè)性能，將WTD降噪前的水質(zhì)數(shù)據(jù)進(jìn)行SVR預(yù)測(cè)，并比較了2種預(yù)測(cè)方法在測(cè)試集數(shù)據(jù)上所得的評(píng)價(jià)指標(biāo)，結(jié)果如表1所示。由表1可知，WTD-SVR模型的EMAE和ERMSE相較于SVR模型分別降低了44.61%和40.28%，而R2提高了7.35%，表明建立的WTD-SVR模型在預(yù)測(cè)精度上優(yōu)于SVR模型，能夠有效消除噪聲對(duì)數(shù)據(jù)產(chǎn)生的影響，對(duì)蝦養(yǎng)殖水質(zhì)預(yù)測(cè)效果顯著提升。

3" 結(jié)論與展望

對(duì)蝦水質(zhì)參數(shù)是影響對(duì)蝦養(yǎng)殖的重要因子，此次研究利用WTD-SVR模型預(yù)測(cè)對(duì)蝦水質(zhì)數(shù)據(jù)未來(lái)變化趨勢(shì)，構(gòu)建了基于大數(shù)據(jù)挖掘技術(shù)的對(duì)蝦養(yǎng)殖水質(zhì)預(yù)測(cè)系統(tǒng)，為對(duì)蝦養(yǎng)殖人員實(shí)時(shí)監(jiān)測(cè)預(yù)警水質(zhì)狀態(tài)，從而實(shí)現(xiàn)對(duì)水質(zhì)數(shù)據(jù)的動(dòng)態(tài)分析，以及及時(shí)預(yù)防和解決水質(zhì)惡化問(wèn)題。在后續(xù)的研究中，仍需要繼續(xù)提升預(yù)測(cè)模型的精確度和健壯性，并進(jìn)一步優(yōu)化系統(tǒng)功能。例如，在水質(zhì)預(yù)警模塊中增設(shè)增氧決策功能，在對(duì)蝦養(yǎng)殖池中安裝增氧設(shè)備，一旦水質(zhì)超出安全范圍，養(yǎng)殖人員可通過(guò)系統(tǒng)及時(shí)啟動(dòng)增氧設(shè)備。這一舉措將滿足養(yǎng)殖人員的需求，有助于推動(dòng)人工智能技術(shù)在水產(chǎn)養(yǎng)殖領(lǐng)域的推廣應(yīng)用。

參考文獻(xiàn)：

[1] 高鳳強(qiáng)，紀(jì)藝娟，陳俊仁.基于物聯(lián)網(wǎng)的對(duì)蝦養(yǎng)殖監(jiān)測(cè)預(yù)警研究[J].電子器件，2021，44（3）：753-760.

[2] 段青玲，劉怡然，張璐，等.水產(chǎn)養(yǎng)殖大數(shù)據(jù)技術(shù)研究進(jìn)展與發(fā)展趨勢(shì)分析[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（6）：1-16.

[3] 丁向美，董靜霆.基于物聯(lián)網(wǎng)的水產(chǎn)養(yǎng)殖智能監(jiān)測(cè)系統(tǒng)研究[J].物聯(lián)網(wǎng)技術(shù)，2023，13（5）：22-24.

[4] 代成，袁躍峰，沈健，等.大數(shù)據(jù)水產(chǎn)養(yǎng)殖監(jiān)測(cè)系統(tǒng)研究[J].農(nóng)村經(jīng)濟(jì)與科技，2021，32（1）：44-47.

[5] 李道亮，劉暢.人工智能在水產(chǎn)養(yǎng)殖中研究應(yīng)用分析與未來(lái)展望[J].智慧農(nóng)業(yè)（中英文），2020，2（3）：1-20.

[6] 陳榮，梁昌勇，謝福偉.基于SVR的非線性時(shí)間序列預(yù)測(cè)方法應(yīng)用綜述[J].合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，36（3）：369-374.

[7] 劉潔，陳劼，韓冰，等.基于改進(jìn)小波閾值去噪的深度學(xué)習(xí)水下目標(biāo)分類[J].聲學(xué)技術(shù)，2023，42（1）：25-33.

[8] 李曉梅，楊健浩，李俐，等.基于多維數(shù)據(jù)的WTD-GA-BP海參養(yǎng)殖水溫預(yù)測(cè)[J].河南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，51（6）：30-38.

[9] 張啟宇，李興佐，劉峰，等.海參育苗水質(zhì)預(yù)測(cè)預(yù)警系統(tǒng)的研究[J].江蘇農(nóng)業(yè)科學(xué)，2018，46（2）：166-169.

[10] 孟滔.改進(jìn)粒子群算法優(yōu)化SVR水質(zhì)預(yù)測(cè)模型研究[J].農(nóng)業(yè)與技術(shù)，2021，41（3）：33-36.

（責(zé)任編輯：劉寧寧）

基金項(xiàng)目：廣東白云學(xué)院校級(jí)科研項(xiàng)目（2022BYKY10）；廣東省教育廳創(chuàng)新強(qiáng)校工程青年創(chuàng)新人才項(xiàng)目（2018KQNCX296）；廣州市科技計(jì)劃項(xiàng)目（202002030230）。

作者簡(jiǎn)介：鄭祉盈（1995—），碩士，助教，研究方向?yàn)槿斯ぶ悄堋?/p>

*為通信作者，E-mail：670680274@qq.com。