基于GA-BP神經(jīng)網(wǎng)絡的池塘養(yǎng)殖水溫短期預測系統(tǒng)

陳英義 程倩倩 成艷君 于輝輝 張 超

(1.中國農(nóng)業(yè)大學信息與電氣工程學院， 北京 100083; 2.農(nóng)業(yè)部農(nóng)業(yè)信息獲取技術(shù)重點實驗室， 北京 100083;3.北京農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心， 北京 100083)

基于GA-BP神經(jīng)網(wǎng)絡的池塘養(yǎng)殖水溫短期預測系統(tǒng)

陳英義1,2程倩倩1,3成艷君1,3于輝輝1,3張 超1

(1.中國農(nóng)業(yè)大學信息與電氣工程學院， 北京 100083; 2.農(nóng)業(yè)部農(nóng)業(yè)信息獲取技術(shù)重點實驗室， 北京 100083;3.北京農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心， 北京 100083)

為解決傳統(tǒng)的水溫小樣本非實時預測方法預測精度低、魯棒性差等問題，基于物聯(lián)網(wǎng)實時數(shù)據(jù)，提出了遺傳算法(GA)優(yōu)化BP神經(jīng)網(wǎng)絡的池塘養(yǎng)殖水溫短期預測方法，并在此基礎(chǔ)上設計開發(fā)了池塘養(yǎng)殖水溫預測系統(tǒng)，首先采用主成分分析法篩選出影響池塘水溫的關(guān)鍵影響因子，減少輸入元素；然后使用遺傳算法對初始權(quán)重和閾值進行優(yōu)化，獲取最優(yōu)參數(shù)并構(gòu)建了基于BP神經(jīng)網(wǎng)絡的水溫預測模型；最后采用Java語言開發(fā)了基于B/S體系結(jié)構(gòu)的預測系統(tǒng)。該系統(tǒng)在江蘇省宜興市河蟹養(yǎng)殖池塘進行了預測驗證。結(jié)果表明：該系統(tǒng)在短期的水溫預測中具有準確的預測效果，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡算法相比，研究內(nèi)容評價指標平均絕對誤差(MAE)、平均絕對百分誤差(MAPE)和誤差均方根(MSE)分別為0.196 8、0.007 9和0.059 2，均優(yōu)于單一BP神經(jīng)網(wǎng)絡預測,可滿足實際的養(yǎng)殖池塘水溫管理需要。

水產(chǎn)養(yǎng)殖； 水溫預測系統(tǒng)； 主成分分析； 遺傳算法； BP神經(jīng)網(wǎng)絡

引言

我國是世界上最大的水產(chǎn)養(yǎng)殖大國，水產(chǎn)品產(chǎn)量約占全世界的70%[1]，水溫是影響?zhàn)B殖水產(chǎn)品健康生長的關(guān)鍵因素之一。溫度的突變會使魚類抵抗力下降，誘發(fā)疾病甚至死亡，同時會引起溶解氧[2]、氨氮[3]等水質(zhì)因子含量的變化，導致水產(chǎn)品出現(xiàn)缺氧、中毒等現(xiàn)象[4]。

水溫預測研究主要集中于海洋、湖泊[5]大型流動水體[6]和池塘育苗[7]。其中，GELEGENIS等[8]基于熱力學原理對池塘水溫進行預測研究，模擬了開放式養(yǎng)殖池塘的熱行為。張德林等[9]使用逐步回歸法通過當?shù)貧鉁貙︳~塘水溫進行預測，說明了室外水池散熱的主要方式。杜堯東等[10]采用氣溫因子建立了水溫與氣溫的分布滯后模型，并將該模型應用在廣州地區(qū)冬季魚塘水溫的預測中。隨著物聯(lián)網(wǎng)等現(xiàn)代化信息技術(shù)[11]的快速發(fā)展，在水溫預測模型中引入人工智能算法從而實現(xiàn)水溫精確的預測已逐漸成為當前預測模型構(gòu)建的重要方向之一[12-14]。目前關(guān)于養(yǎng)殖池塘水溫預測的研究較少。由文獻[15]也不難看出，傳統(tǒng)的水溫預測主要采用數(shù)值計算和經(jīng)驗公式，存在預測精度低、適用性差等缺陷。

因此，為解決傳統(tǒng)的水溫小樣本非實時預測方法精度低、魯棒性差等問題。本研究提出遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的池塘養(yǎng)殖水溫短期預測模型，設計基于水溫預測方法的預測系統(tǒng)。同時為驗證預測方法及系統(tǒng)的性能，對江蘇省宜興市河蟹養(yǎng)殖池塘的水質(zhì)參數(shù)進行預測。

1 數(shù)據(jù)獲取

1.1 實驗區(qū)域

本研究選取江蘇省宜興市高塍鎮(zhèn)滆湖養(yǎng)殖區(qū)，作為數(shù)據(jù)獲取的實驗區(qū)域。滆湖位于武進西南部和宜興東北部之間，在當?shù)匾蚴a(chǎn)大閘蟹而出名。在該養(yǎng)殖區(qū)內(nèi)選取長270 m、寬76 m、水深約1.2 m的池塘作為實驗池塘，在池塘同一深度即距池低30 cm處設有水溫傳感器，并采用曝氣增氧機和滾輪增氧機進行增氧。

1.2 數(shù)據(jù)采集

實驗數(shù)據(jù)的采集主要利用基于物聯(lián)網(wǎng)的集約化水產(chǎn)養(yǎng)殖生態(tài)環(huán)境遠程監(jiān)控系統(tǒng)，對降水量、風速、太陽輻射、空氣溫度、空氣相對濕度、大氣壓強、水溫等水產(chǎn)養(yǎng)殖生態(tài)環(huán)境數(shù)據(jù)在線采集。并選用宜興市高塍鎮(zhèn)水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)應用示范基地河蟹養(yǎng)殖池塘水溫作為研究對象，其中傳感器等信息采集設備如圖1所示。池塘里布設6個溫度傳感器，岸邊搭建小型氣象站，位置如圖2所示。選取2014年9月12日—16日在線采集的718個樣本數(shù)據(jù)作為數(shù)據(jù)源，其中600個樣本作為訓練集，118個樣本作為測試集，分別用來訓練和驗證水溫預測模型性能。表1為采集到的部分原始數(shù)據(jù)。

圖1 信息采集設備Fig.1 Information collection device

圖2 傳感器布設圖Fig.2 Sensor layout diagram

2 水產(chǎn)養(yǎng)殖水溫關(guān)鍵影響因子篩選

水溫預測需輸入多種生態(tài)環(huán)境因子，而采集到的數(shù)據(jù)具有多重共線性，所以本文采用主成分分析法[16]對采集到的生態(tài)環(huán)境數(shù)據(jù)進行處理，從而提取影響?zhàn)B殖池塘水溫的關(guān)鍵因子。主要步驟為：

(1)對高塍鎮(zhèn)池塘養(yǎng)殖環(huán)境的原始數(shù)據(jù)x進行數(shù)據(jù)預處理[17]，包含對丟失數(shù)據(jù)的修復、異常值的剔除以及數(shù)據(jù)的歸一化處理。

(2)根據(jù)標準化后的池塘養(yǎng)殖氣象數(shù)據(jù)指標計

表1 實驗基地部分原始數(shù)據(jù)Tab.1 Part of experimental original data

算相關(guān)系數(shù)矩陣。相關(guān)系數(shù)計算式為

(1)

(3)計算相關(guān)系數(shù)矩陣特征值及相應特征向量。

(4)貢獻率和累計貢獻率計算。

(5)計算主成分載荷矩陣，篩選溫度關(guān)鍵影響因子。

使用SPSS統(tǒng)計分析軟件對關(guān)鍵影響因子進行篩選，計算各個主成分的特征值和貢獻率，如表2所示。鑒于累計方差貢獻率在80%～85%之間可以作為提取主成分的原則，由表2可看出，前4個因子的累計方差貢獻率已達到了83.664%，因此選擇前4個因子代替原變量。

表2 解釋的總方差Tab.2 Total variance explained

采用方差極大斜交旋轉(zhuǎn)得到各個環(huán)境因子對不同主因子的因子載荷，結(jié)果如表3所示，對第1因子貢獻最大的有空氣相對濕度、空氣溫度、太陽輻射；第2因子貢獻較大的是大氣壓強，風速和水溫對第3因子貢獻較大，對第4因子貢獻較大的是降水量。因此本文選用水溫、太陽輻射、空氣溫度、空氣相對濕度、降水量、風速作為主要成分指標，也與養(yǎng)殖領(lǐng)域?qū)＜彝ㄟ^經(jīng)驗選擇溫度的關(guān)鍵影響因子基本一致，并選取上述指標作為溫度預測模型的輸入指標。通過主成分分析法篩選6個環(huán)境因子作為模型的輸入變量，簡化了網(wǎng)絡，提高了網(wǎng)絡收斂性。

表3 成分矩陣Tab.3 Component matrix

3 池塘養(yǎng)殖水溫短期預測模型構(gòu)建

3.1 遺傳算法

Holland于1969年首次提出遺傳算法(Genetic algorithm,GA)[18-19]，通過模擬自然界存在的自然選擇和變異現(xiàn)象，基于種群考慮，執(zhí)行選擇、交叉和變異等操作，不斷地進化，最終獲得最佳群體。遺傳算法的基本流程[20]：

(1)均勻地產(chǎn)生N個數(shù)據(jù)，一個數(shù)據(jù)代表著1個個體，構(gòu)成初始群體。

(2)選取合適的適應度函數(shù)，計算群體中每個個體的適應度。

(3)根據(jù)適應度從群體中選擇合適個體，進行交叉和變異操作，計算所獲取的新個體適應。

(4)判斷是否滿足結(jié)束條件，若滿足則停止操作，否則，重復步驟(3)。

3.2 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡[21]通過對原始數(shù)據(jù)進行訓練，使得訓練后的整個網(wǎng)絡具有學習能力和預測能力[22]，具體流程如下：

(1)初始化網(wǎng)絡。首先確定輸入、輸出和隱含層的節(jié)點數(shù)，其中隱含層節(jié)點數(shù)一般由經(jīng)驗值或通過實驗確定。其次確定輸入層與隱含層、隱含層與輸出層之間的權(quán)值，初始化隱含層閾值aj，輸出層閾值bk，給定學習速率和神經(jīng)元激勵函數(shù)。

(2)隱含層輸出。已知輸入層和隱含層之間變量,計算隱含層輸出變量Hj為

(2)

其中

(3)

式中x——輸入變量ωij——輸入層和隱含層之間的連接權(quán)值aj——隱含層閾值l——隱含層節(jié)點數(shù)f——隱含層激勵函數(shù)

(3)輸出層輸出。通過隱含層和輸出層之間的變量計算。

(4)

式中bk——隱含層和輸出層之間的閾值Ok——輸出變量ωjk——權(quán)值

(4)誤差計算。預測誤差ek由預測值Ok和實際值Yk所確定。

ek=Yk-Ok(k=1,2,…,m)

(5)

(5)權(quán)值更新。根據(jù)差值ek重新計算連接權(quán)值ωij、ωjk，即

(i=1,2,…,n；j=1,2,…,l)

(6)

ωjk=ωjk+ηHiek

(j=1,2,…,l；k=1,2,…,m)

(7)

式中η——學習速率

(6)閾值更新。根據(jù)差值ek更新節(jié)點閾值aj、bk。

(7)根據(jù)差值ek判斷是否達到模型允許范圍或者計算次數(shù)，如達到計算結(jié)束，若沒有達到，執(zhí)行步驟(2)。

3.3 基于GA-BP神經(jīng)網(wǎng)絡的池塘養(yǎng)殖水溫預測模型

由于傳統(tǒng)的BP神經(jīng)網(wǎng)絡存在易陷入局部極值、收斂速度慢等缺點[23]，而遺傳算法擅于解決非線性和多維空間尋優(yōu)問題[24]，本文將2種算法相結(jié)合，提出基于GA-BP神經(jīng)網(wǎng)絡的池塘養(yǎng)殖水溫預測模型。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(GA-BP神經(jīng)網(wǎng)絡)主要采用GA優(yōu)化BP神經(jīng)網(wǎng)絡初始權(quán)值和閾值，通過選擇、交叉和變異等操作獲取最優(yōu)的參數(shù)，將獲取的參數(shù)對BP神經(jīng)網(wǎng)絡進行賦值和訓練，最終輸出基于GA-BP神經(jīng)網(wǎng)絡的預測模型最優(yōu)解,其算法流程如圖3所示。

圖3 算法流程圖Fig.3 Flow chart of algorithm

將采集到的河蟹養(yǎng)殖池塘水溫等環(huán)境因子作為原始數(shù)據(jù)集。通過歸一化處理獲取基于GA-BP神經(jīng)網(wǎng)絡的養(yǎng)殖池塘水溫預測模型的樣本集，該預測模型步驟如下：

(1)將采集到的池塘環(huán)境因子如降水量、水溫、風速、空氣溫度、空氣相對濕度、太陽輻射、大氣壓強數(shù)據(jù)作為原始數(shù)據(jù)集。

(2)采用歸一化方法對數(shù)據(jù)預處理，利用主成分分析法篩選出水產(chǎn)養(yǎng)殖關(guān)鍵影響因子。選取其中80%的數(shù)據(jù)作為訓練樣本集，剩余的數(shù)據(jù)作為測試樣本集。

(3)計算種群適應度，選取最優(yōu)個體。使用遺傳算法進行選擇、交叉和變異操作，獲取新個體。

(4)根據(jù)進化條件判斷遺傳算法是否結(jié)束，若沒有達到條件，返回上一步操作。

(5)通過獲取的最優(yōu)參數(shù)對已確定網(wǎng)絡結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡進行賦值和預測，確定BP神經(jīng)網(wǎng)絡的隱含層節(jié)點數(shù)為

(8)

式中m——隱含層節(jié)點數(shù)n——輸入層節(jié)點數(shù)α——常數(shù)，取1～10

本次實驗隱含層的確定通過式(8)的第3種方法，最佳層數(shù)由第1種方法確定即m=5。

(6)更新權(quán)值和閾值，計算輸出值和實際值的誤差，判斷誤差是否達到允許范圍之內(nèi)或達到計算次數(shù)。

(7)如果達到結(jié)束條件，算法結(jié)束，輸出養(yǎng)殖池塘水溫預測值。否則返回步驟(6)。

3.4 模型評價指標

為了能夠全面準確地評價水溫預測模型性能，本文選用平均絕對誤差(MAE)、平均絕對百分誤差(MAPE)和均方根誤差(MSE)作為評價指標，各評價指標表達式為

(9)

(10)

(11)

4 系統(tǒng)實現(xiàn)

采用Java語言開發(fā)，SQL Server2000管理數(shù)據(jù)，基于WEB的B/S體系架構(gòu)，建立了池塘養(yǎng)殖水溫預測系統(tǒng)。

圖4為溶解氧、水溫、鹽度和pH值的實時數(shù)據(jù)采集界面。點擊界面上方“曲線分析”，選擇溫度通道，確定起始時間，分析歷史水溫曲線如圖5所示。圖6為水溫模型預測界面，紅色方框一欄表示不同時刻的養(yǎng)殖池塘水溫預測值。

圖4 數(shù)據(jù)實時監(jiān)控界面Fig.4 Data real-time monitoring interface

圖5 歷史水溫曲線界面Fig.5 Historical water temperature curve interface

圖6 水溫模型預測界面Fig.6 Water temperature model predictive interface

5 實驗

5.1 實驗數(shù)據(jù)

測試選取的實驗數(shù)據(jù)，為2014年9月12日—16日的河蟹養(yǎng)殖池塘數(shù)據(jù)，包括風量、風向、風速、太陽輻射等。實驗輸入數(shù)據(jù)為降水量、風速、太陽輻射、空氣濕度、空氣溫度，輸出數(shù)據(jù)為水溫。

5.2 算法參數(shù)設置

在系統(tǒng)中，將GA算法參數(shù)設置為：種群規(guī)模為10，迭代次數(shù)為20，交叉概率和變異概率分別為0.4和0.2。BP網(wǎng)絡的參數(shù)設置為：輸入?yún)?shù)為6，隱含層節(jié)點數(shù)為5，輸出節(jié)點數(shù)為1。使用訓練集對模型進行優(yōu)化訓練，測試集對模型進行驗證，選取 MAE、MAPE和MSE作為模型性能的評價指標。

5.3 預測結(jié)果分析

適應度函數(shù)變化如圖7所示。當?shù)螖?shù)為20時，平均適應度和最佳適應前期均處于下降趨勢，隨著迭代次數(shù)的增加逐漸趨于平緩，后期雖有波動，但起伏不大，可以得出迭代次數(shù)取20是合理的。

圖7 適應度曲線Fig.7 Fitness graphs

圖8表示單一的BP算法和GA-BP神經(jīng)網(wǎng)絡算法的預測值與實際值的比較，可以直觀地看出，GA-BP神經(jīng)網(wǎng)絡算法和單一BP算法的水溫預測值變化趨勢與實際值變化趨勢整體上是一致的，但經(jīng)GA優(yōu)化的BP神經(jīng)網(wǎng)絡預測效果更加明顯，預測結(jié)果相比單一BP算法更接近實際值，準確性更高。圖9為BP算法與GA-BP神經(jīng)網(wǎng)絡2種算法的水溫預測結(jié)果與實際值的差值比較，從圖9可以看出GA-BP神經(jīng)網(wǎng)絡的預測曲線被分為兩部分，樣本數(shù)量為30之前即預測前5 h，預測結(jié)果與實際水溫的差值幾乎為0，可以精確地預測下一時刻溫度；當樣本數(shù)量超過30時，誤差曲線出現(xiàn)波動，與BP神經(jīng)網(wǎng)絡預測誤差的變化趨勢以及誤差基本一致，預測結(jié)果和實際值存在誤差，預測結(jié)果不理想。

圖8 BP與GA-BP結(jié)果比較Fig.8 Results comparison of BP and GA-BP

由于模型的訓練樣本有限，網(wǎng)絡結(jié)構(gòu)相對簡單，當樣本數(shù)小于30時，提出的模型能夠很好地擬合這些數(shù)據(jù)，預測結(jié)果接近真實值。當樣本數(shù)超過30時，模型出現(xiàn)過擬合現(xiàn)象，導致預測值和實際值出現(xiàn)誤差。所以提出的模型適應于短期的水溫預測。

圖9 BP與GA-BP誤差比較Fig.9 Error comparison of BP and GA-BP

由表4可知，遺傳優(yōu)化BP算法比單一BP算法在預測精度上有明顯的提高，普通BP準確率為98.75%，而遺傳優(yōu)化后的BP準確率達到了99.21%。GA-BP模型的MAE、MAPE和MSE分別為0.196 8、0.007 9和0.059 2，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡相比，MAE、MAPE和MSE分別提高了36.2%、36.8%和 57.2%。由此可見，預測前5 h，GA-BP算法預測精度比BP神經(jīng)網(wǎng)絡預測精度高，預測值與實際值誤差基本為零，能夠很好地預測養(yǎng)殖池塘溫度，隨著時間的增加，從預測結(jié)果比較可以看出，預測值與實際值均出現(xiàn)較大波動的現(xiàn)象，預測結(jié)果和實際值存在一定的誤差，預測結(jié)果不理想。

表4 BP與GA-BP算法評價指標Tab.4 Evaluation index of BP and GA-BP

6 結(jié)束語

針對傳統(tǒng)水溫預測方法存在預測精度低、魯棒性差等問題，提出了基于GA-BP神經(jīng)網(wǎng)絡的池塘養(yǎng)殖水溫短期預測模型，通過GA優(yōu)化BP網(wǎng)絡，得到最優(yōu)權(quán)值和閾值，解決了BP神經(jīng)網(wǎng)絡易陷入局部極值問題，提高了模型的收斂速度和預測精度。并設計了養(yǎng)殖池塘水溫預測系統(tǒng)，實現(xiàn)了池塘水溫的在線預測功能。結(jié)果表明，本文方法在短期水溫預測方面具有很好的預測性能和泛化能力?；贕A-BP神經(jīng)網(wǎng)絡的池塘養(yǎng)殖水溫預測模型提高了預測精度，水溫預測系統(tǒng)可提前5 h準確預測水溫的變化，基本滿足實際生產(chǎn)需要，具有一定的實用價值。

1 杜永貴.基于機器學習的跨平臺水產(chǎn)精準養(yǎng)殖管理系統(tǒng)設計[D].太原:太原理工大學, 2016. DU Yonggui. Design of cross platform aquaculture management system based on machine learning[D].Taiyuan:Taiyuan University of Technology, 2016.(in Chinese)

2 ALI S, MISHRA P K, ISLAM A, et al. Simulation of water temperature in a small pond using parametric statistical models:implications of climate warming[J]. Journal of Environmental Engineering, 2016,142(3):040150853.

3 HUESEMANN M, CROWE B, WALLER P, et al. A validated model to predict microalgae growth in outdoor pond cultures subjected to fluctuating light intensities and water temperatures[J]. Algal Research-Biomass Biofuels and Bioproducts, 2016,13:195-206.

4 倪玉紅, 孫擎, 王學林, 等. 盱眙龍蝦池塘夏季水溫與溶解氧變化特征及預報模型研究[J]. 中國農(nóng)學通報,2015,31(32):33-39. NI Yuhong, SUN Qing, WANG Xuelin, et al. Changing characteristics and prediction model of water temperature and dissolved oxygen in xuyi lobster pond in summer[J].Chinese Agricultural Science Bulletin,2015,31(32):33-39.(in Chinese)

5 張玉超,錢新,錢瑜,等.太湖水溫分層現(xiàn)象的監(jiān)測與分析[J].環(huán)境科學與管理,2008,33(6):117-121 ZHANG Yuchao,QIAN Xin, QIAN Yu, et al. Field measurement and analysis on diumal stratification in taihu lake[J].Environmental Science and Management,2008,33(6):117-121.(in Chinese)

6 陳永燦,張寶旭,李玉梁.密云水庫垂向水溫預測模型研究[J].水利學報,1998,29(9):14-20. CHEN Yongcan,ZHANG Baoxu, LI Yuliang.Study on model for vertical distribution of water temperature in Miyun Reservoir[J].Journal of Hydraulic Engineering,1998,29(9):14-20.(in Chinese)

7 徐龍琴, 張軍, 李乾川, 等.基于EMD和ELM的工廠化育苗水溫組合預測模型[J/OL].農(nóng)業(yè)機械學報, 2016,47(4):265-271.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160435&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.04.035. XU Longqin, ZHANG Jun, LI Qianchuan, et al. Combined prediction model of water temperature in industrialized cultivation based on empirical mode decomposition and extreme learning machine[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016,47(4):265-271.(in Chinese)

8 GELEGENIS J, DALABAKIS P, ILIAS A. Heating of a fish wintering pond using low-temperature geothermal fluids, Porto Lagos, Greece[J]. Geothermics, 2006, 35(1): 87-103.

9 張德林,李軍,薛正平,等.設施魚塘冬春季水溫日變化特點及其外界氣溫的統(tǒng)計模式[J].上海農(nóng)業(yè)學報, 2010,26(1):60-64. ZHANG Delin, LI Jun, XUE Zhengping, et al. Characteristics of daily temperature change in protected fish pond in winter and spring and its statistical models with environmental air temperature[J].Acta Agriculturae Shanghai,2010,26(1):60-64.(in Chinese)

10 杜堯東,劉錦鑾,何健,等.廣東地區(qū)冬季魚塘水溫特征及其預測預報[J].生態(tài)學雜志,2004,23(4):52-56. DU Yaodong, LIU Jinluan, HE Jian, et al. Characteristics of water temperature of fishing pond and its forecast in winter in Guangzhou area[J].Chinese Journal of Ecology,2004,23(4):52-56.(in Chinese)

11 文丹楓. 現(xiàn)代信息技術(shù)推進我國農(nóng)業(yè)現(xiàn)代化研究[D].武漢:華中師范大學, 2015. WEN Danfeng. The modern information technology to promote the status and countermeasures of agricultural modernization in China[D].Wuhan:Central China Normal University,2015.(in Chinese)

12 宋益春. 智能算法在水產(chǎn)養(yǎng)殖水質(zhì)預測中的應用研究[D].無錫:江南大學, 2015. SONG Yichun. Application research of intelligent algorithm in the prediction of water quality in aquaculture[D].Wuxi:Jiangnan University,2005.(in Chinese)

13 SUN M, CHEN J, LI D. Water temperature prediction in sea cucumber aquaculture ponds by RBF neural network model[J]. IFIP Advances in Information & Communication Technology, 2013, 392:425-436.

14 徐大明, 周超, 孫傳恒, 等. 基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡的水產(chǎn)養(yǎng)殖水溫及pH預測模型[J]. 漁業(yè)現(xiàn)代化, 2016,43(1):24-29. XU Daming, ZHOU Chao, SUN Chuanheng, et al. Prediction model of aquaculture water temperature and pH based on BP neural network optimized by pariticle swarm algorithm[J].Fisher Modernization,2016,43(1):24-29.(in Chinese)

15 岑伯明, 陳漢春, 鄭曉靜, 等. 淡水養(yǎng)殖池塘水溫預測預報模型的應用與檢驗[J]. 浙江海洋學院學報:自然科學版, 2013(6):561-563. CEN Boming, CHEN Hanchun, ZHENG Xiaojing, et al. The application and inspection of prediction model for water temperature in freshwater aquaculture pond[J].Journal of Zhejiang Ocean University:Natural Science,2013(6):561-563.(in Chinese)

16 梁娜. 基于神經(jīng)網(wǎng)絡與主成分分析的組合預測研究[D].武漢:武漢理工大學, 2007. LIANG Na. The study of combinational forecasting based on network and principal component analysis[D].Wuhan:Wuhan University of Technology,2007.(in Chinese)

17 劉雙印, 徐龍琴, 李振波, 等. 基于PCA-MCAFA-LSSVM的養(yǎng)殖水質(zhì)pH值預測模型[J/OL]. 農(nóng)業(yè)機械學報, 2014,45(5):239-246.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20140537&journal_id=jcsam.DOI: 10.6041/j.issn.1000-1298.2014.05.037. LIU Shuangyin, XU Longqin,LI Zhenbo,et al. Forecasting model for ph value of aquaculture water quality based on PCA-MCAFA-LSSVM[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2014,45(5):239-246.(in Chinese)

18 GOLDBERG D E. Genetic algorithms in search optimization and machine learning[M].Boston:Addison-Wesley Longnan Press,1989.

19 WU L, REN H, BI W. Review of the genetic algorithm for nonlinear equations[J]. Electronic Science and Technology, 2014,27(4):173-178.

20 葛繼科, 邱玉輝, 吳春明, 等. 遺傳算法研究綜述[J].計算機應用研究, 2008(10):2911-2916. GE Jike, QIU Yuhui, WU Chunming, et al. Summary of genetic algorithms research[J].Application Research of Computers,2008(10):2911-2916.(in Chinese)

21 隋惠惠.基于BP神經(jīng)網(wǎng)絡的短期電力負荷預測的研究[D].哈爾濱:哈爾濱工業(yè)大學, 2015. SUI Huihui. Research on short-term electric load forecasting based on BP neural network[D].Harbin:Harbin Institute of Technology,2015.(in Chinese)

22 CHEN Y, XU J, YU H, et al. Three-dimensional short-term prediction model of dissolved oxygen content based on PSO-BPANN algorithm coupled with Kriging interpolation[J].Mathematical Problems in Engineering, 2016(2016):Article ID 6564202.

23 田凱, 孫永泰, 高慧,等. 貝葉斯算法BP神經(jīng)網(wǎng)絡缺陷量化研究[J].中國測試, 2014, 40(3):93-97. TIAN Kai, SUN Yongtai, GAO Hui,et al. Quantification of slowly varying defect using BP neural network based on Bayesian algorithm[J].China Measurement & Test, 2014, 40(3):93-97.(in Chinese)

24 馬曉敏, 王新.基于遺傳算法的BP神經(jīng)網(wǎng)絡改進[J].云南大學學報:自然科學版, 2013,35(增刊2):34-38. MA Xiaomin, WANG Xin. An improved BP neural network algorithm based on genetic algorithm[J]. Journal of Yunnan University:Natural Science Edition, 2013，35(Supp.2):34-38.(in Chinese)

Short-term Prediction System of Water Temperature in Pond Aquaculture Based on GA-BP Neural Network

CHEN Yingyi1,2CHENG Qianqian1,3CHENG Yanjun1,3YU Huihui1,3ZHANG Chao1

(1.CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China2.KeyLaboratoryofAgriculturalInformationAcquisitionTechnology,MinistryofAgriculture,Beijing100083,China3.BeijingEngineeringandTechnologyResearchCenterforInternetofThingsinAgriculture,Beijing100083,China)

The pond water temperature is one of the most important parameters which directly affect the feeding, growth, livability and reproduction of aquaculture animals. Thus it is significant to grasp the pond water temperature change for the healthy aquaculture. In order to solve the problems of low precision and poor robustness of traditional forecasting methods, a short-term prediction model of water temperature in aquaculture pond was proposed based on BP neural network optimized by genetic algorithm, and pond aquaculture water temperature prediction system was designed and developed. Firstly, the principal component analysis (PCA) was used to ensure the factors that influenced the water temperature in aquaculture pond. Secondly, the genetic algorithm and BP neural network were integrated to optimize initial weights and threshold. The method not only can get optimal parameter, but also can reduce the errors generated by random initialization. Thirdly, the short-term prediction system was developed by using Java language based on B/S architecture. Finally, the system was applied in Yixing City, Jiangsu Province. Results showed that the mean absolute error (MAE), mean absolute percentage error (MAPE) and root mean square error (RMSE) from GA-BP neural network method were 0.196 8, 0.007 9 and 0.059 2, respectively. It was clear that GA-BP neural network was better than BP neural network algorithm. The research result met the practical needs of the pond water temperature management.

aquaculture; water temperature prediction system; principal component analysis; genetic algorithm; BP neural network

10.6041/j.issn.1000-1298.2017.08.019

2016-12-04

2016-12-30

山東省重點研發(fā)計劃項目(2015GGX101041)、上海市科技興農(nóng)重點攻關(guān)項目(滬農(nóng)科攻字(2014)第4-6-2號)和廣東省海大集團基于物聯(lián)網(wǎng)技術(shù)的智慧水產(chǎn)養(yǎng)殖系統(tǒng)院士工作站(2012B090500008)

陳英義(1980—)，男，副教授，博士生導師，主要從事農(nóng)業(yè)模型和信息處理技術(shù)研究，E-mail： chenyingyi@cau.edu.cn

張超(1972—)，男，教授，博士生導師，主要從事遙感技術(shù)及其農(nóng)業(yè)與土地應用研究，E-mail: 05022@cau.edu.cn

TP391； S95

A

1000-1298(2017)08-0172-07