海參育苗水質(zhì)預(yù)測預(yù)警系統(tǒng)的研究

張啟宇， 李興佐， 劉 峰， 陳英義， 呂冬偉， 李永芹

(1.中國農(nóng)業(yè)大學煙臺研究院，山東煙臺 2647670；2.中國農(nóng)業(yè)大學信息與電氣工程學院，北京 100083)

海參肉質(zhì)酥脆、滑潤，高蛋白質(zhì)，低脂肪，營養(yǎng)豐富，味道鮮美，是“海味八珍”之一的佳肴和滋補保健品，素有“滋補靠海參、搶救靠人參”的說法[1]。海參種類較多，其中刺參的營養(yǎng)價值和經(jīng)濟價值最高[2]。山東和遼寧兩省大力發(fā)展刺參養(yǎng)殖業(yè)，短短幾年內(nèi)已成為我國北方沿海水產(chǎn)養(yǎng)殖的重要新興產(chǎn)業(yè)之一，取得了巨大的經(jīng)濟效益和社會效益[3]。2014年，我國養(yǎng)殖海參產(chǎn)量200 969 t，比2013年增長3.75%，海參養(yǎng)殖面積214 180 hm2，比2013年降低0.36%，培育海參苗種745.55億頭，比2013年增長1.05%[4]。海參苗種質(zhì)量的優(yōu)劣，決定海參的生長速度和產(chǎn)量的高低，影響海參的經(jīng)濟效益。因此，要提高海參的產(chǎn)量和質(zhì)量，參苗的培育顯得非常重要[5]。海參育苗需要一個特定適宜的環(huán)境，以刺參為例，一般來說溶解氧含量≥6 mg/L、溫度22～24 ℃、pH值8.1～8.3、鹽度3.0%～3.3%為最適宜，但不同地區(qū)也存在一定差異。海參育苗期間，溶解氧、溫度、pH值、鹽度最理想狀態(tài)是在適宜范圍內(nèi)，若超出范圍過大，會影響其生長發(fā)育，甚至造成死亡。因此，準確預(yù)測預(yù)警溶解氧含量、溫度、pH值、鹽度具有重要意義，可以保證海參苗種健康成長。本研究以刺參為研究對象，探究海參育苗水質(zhì)預(yù)測預(yù)警系統(tǒng)。

1 水質(zhì)預(yù)測模型

1.1 水質(zhì)預(yù)測方法概述

目前，常用的水質(zhì)預(yù)測方法有水質(zhì)模擬法、專家評估法、基于數(shù)理統(tǒng)計的多元回歸法、灰色理論法等[6]，這些方法適合大樣本、低維數(shù)的數(shù)據(jù)預(yù)測，但對非線性、小樣本、高維數(shù)等特點的數(shù)據(jù)預(yù)測效果不理想。神經(jīng)網(wǎng)絡(luò)法能夠解決非線性預(yù)測問題，但存在易陷于局部最優(yōu)值、過學習、不適合高維數(shù)等缺陷，制約了其發(fā)展[7-8]。支持向量機(support vector machines，SVM)由Vapnik和Corinna Cortes等于1995年首次提出，SVM在解決非線性、小樣本及高維數(shù)識別中表現(xiàn)出很多特有的優(yōu)勢，并且可以推廣到函數(shù)擬合等其他機器學習問題中[9]。SVM被應(yīng)用于文本識別[10]、手寫字體識別[11]、人臉圖像識別[12]、基因分類[13]及時間序列預(yù)測[14]等領(lǐng)域，并取得了很好效果。因此，本研究采用支持向量機方法進行溶解氧含量、溫度、pH值、鹽度的預(yù)測。

1.2 基于SVM的水質(zhì)預(yù)測模型

基于SVM的水質(zhì)預(yù)測模型的流程見圖1[15]。

1.2.1 數(shù)據(jù) 以蓬萊市老參灣科技有限公司育苗場某育苗池水質(zhì)為研究對象，采用在線監(jiān)控系統(tǒng)獲取海參育苗養(yǎng)殖水質(zhì)因子數(shù)據(jù)。在線監(jiān)控系統(tǒng)每間隔10 min對溶解氧含量、溫度、pH值、鹽度等海參育苗養(yǎng)殖水質(zhì)因子數(shù)據(jù)在線采樣1次，以2015年4月26日至6月3日在線采集的5 411個樣本數(shù)據(jù)作為研究的數(shù)據(jù)源，即5 411×4的矩陣。利用SVM建立的回歸模型對上述數(shù)據(jù)進行回歸擬合。

由于數(shù)據(jù)是連續(xù)在線采樣獲取的，因此假設(shè)下一次采樣獲取的數(shù)據(jù)與之前采樣的全部數(shù)據(jù)是相關(guān)，即把下一次采樣獲取的數(shù)據(jù)作為因變量，之前采樣的全部數(shù)據(jù)作為自變量。通過對自變量建立模型來對因變量進行預(yù)測。

1.2.2 數(shù)據(jù)歸一化 為提高模型的泛化能力、減少程序訓練的時間，在用SVM建模時，對數(shù)據(jù)進行歸一化處理[16]，即將自變量和因變量的取值范圍變換為[1，2]區(qū)間。 歸一化公式[15]為：

Y=(Ymax-Ymin)×(X-Xmin)/(Xmax-Xmin)+Ymin。

(1)

式中：Xmin和Xmax分別是原始數(shù)據(jù)X的最小值和最大值；Ymin和Ymax是映射的范圍參數(shù)。

[1，2]歸一化就是把Ymin置為1，把Ymax置為2。

1.2.3 選擇最佳參數(shù)c和g關(guān)于SVM參數(shù)c和g的優(yōu)化選取，目前沒有一個公認統(tǒng)一最好的方法，常用方法是讓c和g在一定范圍內(nèi)取值，對于取定的c和g，把訓練集作為原始數(shù)據(jù)集并利用交叉驗證方法(K-CV方法)得到在此組c和g下訓練集驗證擬合準確率，最終取使訓練集驗證擬合準確率最高組的c和g作為最佳參數(shù)[15]。核函數(shù)選擇徑向基函數(shù)。

1.2.4 訓練與回歸預(yù)測 以溶解氧含量為例進行訓練和回歸預(yù)測，溫度、pH值、鹽度的預(yù)測過程與之類似。

設(shè)S為自變量，V為因變量。對于5 411×4的數(shù)據(jù)矩陣，V的取值范圍為(m×4的矩陣)～(n×4的矩陣)，S的取值范圍為[(m-1)×4的矩陣]～[(n-1)×4的矩陣]，其中 2≤m

(2)

R2[18]的計算公式為：

(3)

由表1可知，當n≥1 500時，MSE和R2的綜合表現(xiàn)很好，相互之間的差異不明顯；當n=3 000時，MSE最小，即誤差最?。划攏=5 000，R2最大，即擬合最好；當n=10時，MSE最大，R2最小，回歸預(yù)測效果不是很好。但由圖2可知，預(yù)測值和真實值之間的差值在0.2之內(nèi)，所以SVM模型對小樣本數(shù)據(jù)有著很好的預(yù)測效果。隨著n的增大，預(yù)測效果還是很理想的。但并不是隨著n的增大，效果就一定很好。在實際應(yīng)用時，可以靈活選擇n的大小。若采樣的數(shù)據(jù)量<10時，n=采樣到的數(shù)據(jù)數(shù)量；若監(jiān)測的數(shù)據(jù)量<100時，n=10，即最新的10個數(shù)據(jù)；若監(jiān)測的數(shù)據(jù)量<1 500時，n=100，即最新的100個數(shù)據(jù)；若監(jiān)測的數(shù)據(jù)量>1 500時，n=1 500，即最新的1 500個數(shù)據(jù)。這樣既能保證精確度，又能保證運算效率?；蛘邽榱颂岣哌\算速度，若采樣的數(shù)據(jù)量<10時，n=采樣到的數(shù)據(jù)數(shù)量；若監(jiān)測的數(shù)據(jù)量<100時，n=10，即最新的10個數(shù)據(jù)；若采樣的數(shù)據(jù)量>100，n=100，即最新的100個數(shù)據(jù)。100個數(shù)據(jù)的計算量要少于1 500個的，但精度有欠缺。

2 水質(zhì)預(yù)警模型

2.1 預(yù)警模型理論概述

預(yù)警一般要經(jīng)過確定警情、尋找警源、分析警兆、預(yù)報警度、排除警患5個過程[19]。

表1 不同樣本大小的SVM模型的預(yù)測結(jié)果

2.1.1 確定警情 警情是指事物發(fā)展過程中出現(xiàn)的極不正常的情況，也就是已經(jīng)出現(xiàn)或?qū)砜赡艹霈F(xiàn)的問題，明確警情是預(yù)警的前提[17]。海參育苗期的水質(zhì)預(yù)警的警情為溶解氧含量、溫度、pH值、鹽度。

2.1.2 尋找警源 警源就是警情出現(xiàn)的源頭或者原因。尋找警源就是要找出是什么原因產(chǎn)生的警情。

2.1.3 分析警兆 預(yù)警的關(guān)鍵是分析警兆。警情產(chǎn)生于警源，警源只有經(jīng)過一定的量變與質(zhì)變過程，才能導致警情的暴發(fā)[17]。

2.1.4 預(yù)報警度 警度的劃分需要根據(jù)具體情況來確定。通常把警度劃分為4個等級即輕警、中警、重警和巨警，也可以劃分為3個等級即輕警、中警和重警，還可以采用類似交通管制的信號燈比如綠燈、藍燈、橙燈、黃燈和紅燈等的標志來表示不同等級的警度，并根據(jù)不同信號指示采取相應(yīng)的對策[20]。

2.1.5 排除警患 根據(jù)上述信息把警情排除，使海參能夠正常生長和發(fā)育。

2.2 水質(zhì)預(yù)警模型的構(gòu)建

水質(zhì)預(yù)警是根據(jù)預(yù)測的溶解氧含量、溫度、pH值、鹽度來進行預(yù)警。通過調(diào)研，獲取海參育苗時生長發(fā)育最適宜的溶解氧含量、溫度、pH值、鹽度的區(qū)間范圍，并以此來確定警情、劃分警度，并進行相關(guān)值的預(yù)警。

2.2.1 水質(zhì)預(yù)警模型的警度及分析 根據(jù)育苗期海參生長發(fā)育的實際情況，水質(zhì)預(yù)警模型把警度劃分為無警、輕警、中警和重警4個級別，見表2。

表2 水質(zhì)預(yù)警模型的警度級別

對應(yīng)4個警度級別，需要相應(yīng)的水質(zhì)參數(shù)范圍。通過海參育苗場調(diào)研和文獻查閱，得出海參育苗期生長發(fā)育的最佳、一般、差、惡劣的水質(zhì)條件，不同地區(qū)、不同狀態(tài)的區(qū)間范圍存在差異，可以根據(jù)實際情況進行設(shè)定[21-23]，見表3。

表3 海參育苗期生長環(huán)境參數(shù)分析

2.2.2 水質(zhì)預(yù)警模型警度判別算法 水質(zhì)預(yù)警模型警度判別的算法是對當前溶解氧含量、溫度、pH值、鹽度，根據(jù)表3判斷其各自警度，再綜合4個因子的警度判定當前的警度A1；對預(yù)測的溶解氧含量、溫度、pH值、鹽度的值根據(jù)表3判斷其各自的警度，再綜合4個因子的警度判定預(yù)測警度A2；最后綜合當前的警度A1和預(yù)測警度A2，作為最終的警度A。設(shè)當前溶解氧含量、溫度、pH值、鹽度的警度分別為D、T、P、S，預(yù)測的溶解氧含量、溫度、pH值、鹽度的警度分別為D′、T′、P′、S′，無警、輕警、中警、重警的取值分別為0、1、2、3。

水質(zhì)預(yù)警模型警度判別算法如下：

輸入：當前溶解氧含量、溫度、pH值、鹽度值d、t、p、s，當前溶解氧含量、溫度、pH值、鹽度值d′、t′、p′、s′。

輸出：水質(zhì)預(yù)警的警度A。

過程：

(1)當前溶解氧含量、溫度、pH值、鹽度根據(jù)表3判斷其各自的警度D、T、P、S；

(2)預(yù)測的溶解氧含量、溫度、pH值、鹽度根據(jù)表3判斷其各自的警度D′、T′、P′、S′；

(3)當前的警度A1的判定：

if(D==3 |T==3 |P==3 |S==3) thenA1==3；

else if ((D==2∧T==2∧P==2∧S==2) | (D==2∧T==2∧P==2) |(D==2∧T==2∧S==2)| (D==2∧P==2∧S==2) | (T==2∧P==2∧S==2)) thenA1==3；

else{

i=(D+T+P+S)/4.0；

i上取整；

A1==i；

}

(4)預(yù)測的警度A2的判定：

if(D′==3 |T′==3 |P′==3 |S′==3) thenA2==3；

else if ((D′==2∧T′==2∧P′==2∧S′==2) | (D′==2∧T′==2∧P′==2) |(D′==2∧T′==2∧S′==2)| (D′==2∧P′==2∧S′==2) | (T′==2∧P′==2∧S′==2)) thenA2==3；

else{

i=(D′+T′+P′+S′)/4.0；

i上取整；

A2==i；

}

(5)水質(zhì)預(yù)警的警度A的判定：

if(A1==3 |A2==3 ) thenA==3；

else if (A1==2∧A2==2) thenA==3；

else{

i=(A1+A2)/4.0；

i上取整；

A==i；

}

3 結(jié)語

在水質(zhì)實時在線監(jiān)控系統(tǒng)的基礎(chǔ)上建立水質(zhì)預(yù)測模型和水質(zhì)預(yù)警模型，采用C#和libsvm 3.20(支持C#的libsvm版本最高為3.20)實現(xiàn)。下一步的工作是在實踐應(yīng)用中進行大規(guī)模測試和反饋，通過測試和反饋，進一步提高預(yù)測和預(yù)警的準確性，還要進一步提高性能和效率，使之更實用，更好地滿足海參育苗的水質(zhì)預(yù)測和預(yù)警的需求，為海參育苗的生態(tài)養(yǎng)殖和健康養(yǎng)殖打下堅實的基礎(chǔ)。

[1]郭文場，于 艷，王守本，等. 中國的海參(1)[J]. 特種經(jīng)濟動植物，2007，10(4)：24-25.

[2]車元忠，田春良，舒世平. 人參的親“姊妹”——海參[J]. 中國民兵，1985(11)：17.

[3]王印庚，榮小軍. 我國刺參養(yǎng)殖存在的主要問題與疾病綜合防治技術(shù)要點[J]. 齊魯漁業(yè)，2004，21(10)：29-31.

[4]農(nóng)業(yè)部漁業(yè)漁政管理局. 2015中國漁業(yè)統(tǒng)計年鑒[M]. 北京：中國農(nóng)業(yè)出版社，2015.

[5]李曉霞. 把好海參育苗生產(chǎn)關(guān)[J]. 科學養(yǎng)魚，2013(3)：44-45.

[6]Dellana S， West D. Predictive modeling for wastewater applications：linear and nonlinear approaches[J]. Environmental Modelling and Software， 2009(24)： 96-106.

[7]Sattari M T， Yurekli K， Pal M. Performance evaluation of artificial neural network approaches in forecasting reservoir inflow[J]. Applied Mathematical Modelling， 2012， 36(6)： 2649-2657.

[8]Nieto P， Torres J M， Fernández M A， et al. Support vector machines and neural networks used to evaluate paper manufactured using Eucalyptus globulus[J]. Applied Mathematical Modelling， 2012， 36(12)： 6137-6145.

[9]Yu P S， Chen S T， Chang I F. Support vector regression for real-time flood stage forecasting[J]. Journal of Hydrology， 2006， 328(3/4)： 704-716.

[10]劉曉亮，丁世飛. SVM用于文本分類的適用性[J]. 計算機工程與科學，2010，32(6)：106-108.

[11]林開標，王周敬. 基于支持向量機的傳真收件人識別方法[J]. 計算機工程與應(yīng)用，2006，42(7)：156-158.

[12]謝塞琴，沈福明，邱雪娜. 基于支持向量機的人臉識別方法[J]. 計算機工程，2009，35(16)：186-188.

[13]李穎新，阮曉鋼. 基于支持向量機的腫瘤分類特征基因選取[J]. 計算機研究與發(fā)展，2005，42(10)：1796-1801.

[14]高 偉，王 寧. 淺?；祉憰r間序列的支持向量機預(yù)測[J]. 計算機工程，2008，34(6)：25-27.

[15]王小川，史 峰，郁 磊，等. MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析[M]. 北京：北京航空航天大學出版社，2013.

[16]楊錫運，孫寶君，張新房，等. 基于相似數(shù)據(jù)的支持向量機短期風速預(yù)測仿真研究[J]. 中國電機工程學報，2012，32(4)：35-41.

[17]于輝輝. 日光溫室溫度極值預(yù)測預(yù)警模型及系統(tǒng)研究[D]. 北京：中國農(nóng)業(yè)大學，2015.

[18]Chang C C， Lin C J. LIBSVM： A library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology， 2011， 2(3)： 389-396.

[19]鄭榮寶，劉毅華，董玉祥. 廣州市土地資源安全預(yù)警及耕地安全警度判定[J]. 資源科學，2009，31(8)：1362-1368.

[20]吳延熊，郭仁鑒，周國模. 區(qū)域森林資源預(yù)警的警度劃分[J]. 浙江林學院學報，1999，16(1)：70-75.

[21]董云偉，董雙林. 刺參對溫度適應(yīng)的生理生態(tài)學研究進展[J]. 中國海洋大學學報(自然科學版)，2009，39(5)：908-912.

[22]陳愛華. 環(huán)境因子對刺參的影響及對策[J]. 河北漁業(yè)，2007(3)：22.

[23]邢殿樓，李 強，曲健鳳，等. 刺參苗種越冬期水環(huán)境因子變化及對刺參急性效應(yīng)的研究[J]. 漁業(yè)現(xiàn)代化，2011，38(2)：6-9.