【文献解读】智能水产养殖方法概述

今天给大家分享一篇《智能水产养殖方法概述》，引用信息如下：

随着经济的稳步发展和科学技术的不断进步，养殖业的信息化、智能化已成为当代养殖业发展的必然趋势。如果能通过相关大数据和智能算法准确预测水质变化趋势，就可以通过技术手段实现风险管控，大幅提升养殖生产效率。此外，水产养殖信息化不仅可以获得相对准确的养殖环境参数实时信息，还可以为养殖户提供异常参数预警，甚至自动处理相应的异常情况。可见，人工智能、物联网技术、传统养殖业深度融合形成的智慧养殖，可以控制养殖风险，提高水产品质量，保障鱼苗成活率，有利于养殖业可持续发展。文章的主要研究内容如下：

1.    概述了近十年来水质数据采集的几种典型方法，并对它们进行了分类。

2.    对于水质参数的预测，从进化计算、矩阵分析、机器学习、神经网络、优化理论、混沌理论等角度进行了全面的分类和比较，讨论和分析了这些方法和理论的优缺点，并提出了进一步研究的方向。

3.    水质参数对鱼类的形态特征和行为的影响。最后，讨论了用于智能水产养殖的物联网设备的成本控制方法，并展望了未来几个潜在的研究方向。

水质参数的采集与预处理

在开放式养殖环境中，理化因子(如溶解氧、氨氮、pH、水温、光照等)变化是动态的，很容易受到极端气候的影响，而这种影响可能会给水产养殖业带来巨大的养殖风险。在水产养殖业信息领域，需要通过采集和处理，获得真实可靠的水质环境因子。这不仅在水质检测中起着决定性的作用，而且为探索水质因子、鱼类特征和行为机理提供了重要的前提和保障。高质量数据集的采集过程需要基于物联网的远程智能监控设备和数据修复、降噪等预处理技术对采集的数据进行清理。图1显示了用于获取水质数据的常见物联网设备：

图1：一种水质数据获取的物联网设备

国外水质监测系统发展较早，应用广泛。通过监控设备的集成和高科技的嵌入，实现了数据的智能化管理。因此，在水产养殖中，建立物联网环境进行水质参数监测越来越有可能采用无线传感器网络。它具有智能化程度高、信息时效性强、覆盖范围广、支持多通道传感器数据同步采集、可扩展性好等优点。无线传感器网络中可用的通信技术包括GPRS/CDMA/LTE，Zigbee, Bluetooth，远程广域网(LoRaWAN)、SIGFOX、EnOcean、z-wave等。

 

水质参数的预测

对得到的水质环境因子进行预处理后，可以得到更准确可靠的水质数据。然而，这些数据仅仅反映了水产养殖的水质现状，而水环境是不断变化的。目前，专家学者在水质参数预测方面做了大量的研究工作，取得了不少成果。表1总结和分析了几个常见参数的预测及其影响。

表1：常用预测模型

对于传统的预测方法，水质模型预测方法的自适应性较差，而其他方法(如马尔科夫法)的数学模型、回归预测法、时间序列方法操作简单，易于实施。将灰色神经网络应用于水质预测时，采用马尔科夫法对误差残差进行修正。实验结果表明，与传统的灰色神经网络相比，相对误差从68.44~4.69%降低到41.96~2.23%。由于养殖水环境系统受多种因素的影响，水环境参数之间的相互作用机制复杂，养殖水质参数状态多变。如何提高计算效率、预测精度和泛化性能，以更好地满足水产养殖对水质准确预测的要求，还有很大的研究空间。这些方法如表2所示。

表2：常用预测方法

鱼类特征的形态测量与鱼类行为识别

鱼类对水环境参数如pH水平、温度、溶解氧、氨氮、亚硝酸盐、盐度等的变化非常敏感，鱼类的运动特征、生理特征等信息直接反映了水环境水质。鱼的运动状态参数(包括游动速度、加速度、转弯频率、摆动频率、鳃盖运动频率、空间位置关系等)的动态变化。鱼类的形态、行为特征和应激反应与水环境质量密切相关。通过实时监测鱼类行为参数的变化规律，可以全面了解水质变化情况。同时，鱼的特性和行为数据也可以为水质预测的模型训练提供相关数据支持。因此，鱼类形态和行为特征的检测对智能养殖具有重要意义。

 

鱼类形态特征的检测

鱼类的形态特征是动态的，与水质密切相关。在建立水质因子与鱼类形态特征的相关模型时，应在不对鱼类造成任何伤害的情况下，自动获取各阶段的鱼类形态特征参数数据。形态特征的自动准确获取对实验室的选择性育种和学术研究有很大帮助。图像处理技术常用于定量分析水产养殖中鱼体的形态特征，测量体重、体长、尾柄长度、尾柄宽度、鱼眼直径、瞳孔直径和虹膜。

 

鱼类行为特征的识别

除了鱼类的形态特征外，鱼类的行为可以快速反映水质的变化。鱼体行为的检测方法主要是基于视频图像的处理。根据其形状特征，纹理特征，背景特征和颜色特征，检测鱼的游泳速度，游泳方向，鳍拍频率，摄食条件等。通过使用固定摄像机在透明鱼缸上连续拍摄视频，以获取图像。将鱼体从背景中分离出来的方法主要有三种：背景建模、时域差分法和光流法。

 

水质参数与鱼类行为的相互作用机制

鱼体行为及其应激反应与水环境质量密切相关。通过实时监测鱼类行为参数的变化，可以全面获取甚至预测水质变化。因此，研究养殖环境因子的动态变化与鱼类动态行为参数之间的关系具有重要意义。在水环境污染物的刺激下，鱼类运动行为的变化强度表现出一定的规律性。根据这一规律，生物学家建立了鱼类环境压力阈值的理论模型。在一定浓度污染物的干扰下，鱼类运动行为的变化与时间相关。在一定暴露时间内，鱼的运动强度与污染物浓度呈正相关。如果以鱼类对水污染物的耐受阈值为基础，行为强度的变化应经历四个阶段：无效应、调节、适应和毒性效应，且鱼的行为在每个阶段都不同。表3显示了不同污染物浓度下鱼类的不同行为和行为强度的变化。

表3：不同浓度污染物下鱼体的行为

随着鱼类行为特征检测的不断发展，研究人员不再局限于对水质和环境因素的研究，更多的是对鱼类运动状态参数的检测和水质评价模型的研究。有学者设计并实现了基于生物水质监测的鱼体运动状态系统。通过采集鱼体运动状态参数，建立了鱼体运动状态参数检测模型、状态参数与水污染状况模型，用于水质监测。然而，他们没有研究鱼类的行为状态与各种水质参数之间的定量关系。该方法只能监测水质的“污染”或“未污染”状态，而不能预测具体的量化值。

 

结论与展望

水产养殖智能化、精细化、生态化是其发展的必然趋势。智慧养殖可以提高水产养殖效率，促进水产养殖业可持续发展，提高水产品质量，最大限度减少养殖过程中的损失。现代信息技术将与水产养殖业相结合。未来，科研人员可以通过无线传感器网络、计算机视觉、图像处理技术、压缩传感理论、人工智能等技术手段，积极介入养殖过程，有效防止水质环境严重失衡，大幅提高养殖生产效率。

在水质检测方面，传统的检测方法准确度低，受主观因素影响。目前，智能水产养殖领域的数据采集传感器大多功能单一，成本较高，影响水质健康状况和鱼类生长环境的水质因素较多。模块化组合可以根据需要选择硬件，在满足需求的同时可以将成本降到最低。无线传感器网络设备的模块化设计大大降低了其经济成本和维护成本。水产养殖领域的无线传感器网络部署环境比陆地更为复杂，由于海水腐蚀和鱼类碰撞等原因，缩短了传感器节点的维护周期，造成人力物力的消耗。传感器节点表面的无害化涂层可以在防止海水腐蚀的同时，有效避免海洋生物的高密度附着，既降低了维护成本，又提高了水质采集的准确性。此外，大多数无线传感器网络都配备了冗余节点进行故障预防，传感器节点中功耗较高的通信模块一般都是通信模块(通信模块在发送和接收数据时会消耗大量能量)，通信模块的能耗水平将直接影响节点的使用寿命。在传感器节点通信模块的工作模式和睡眠模式中找出性价比最高的点，使其在有效运行的前提下，尽可能降低能耗，降低能源负担，延长寿命。更重要的是要考虑到利用这些冗余节点和其他节点轮换工作休眠模式，使得各个节点的能量消耗均衡，大大延长了网络的生命周期。今后的研究可以集中在以下几个方面：

1.    在水质预测方面，实现计算复杂度低、预测精度高、泛化能力强的实时预测方法是一个研究方向

2.    鱼类形态特征测量和行为识别方面，由于水下环境能见度低、光线不稳定，水下摄像机获取的图像受环境干扰严重，识别效果会大大降低。如果与成像声纳技术相结合，可以很好地避免环境干扰对识别的影响。

3.    目前，在水产养殖水质监测、预测、鱼体特征测量、鱼类行为识别等方面已经进行了大量的研究。然而，要实现水产养殖的全程控制和精准养殖，必须弄清养殖环境因子的动态变化特征，以及水质参数、鱼体特征和鱼类行为之间的相互作用机制。

4.    鱼体形态特征与水质参数的变化也存在一定的相关性。然而，水质参数对鱼体形态特征的影响具有较长的周期性。特别是在同一养殖环境和不同养殖环境下，应考虑鱼体特征的差异。因此，建立一个复杂的非线性模型来描述水质动态变化与鱼类特征参数之间的关系也是一个很好的科学问题。

文献来源：https://hub.pubmedplus.com/10.1007/s10661-020-08409-9

DOI: 10.1007/s10661-020-08409-9

END