海参育苗水质预测预警系统的研究

张启宇， 李兴佐， 刘 峰， 陈英义， 吕冬伟， 李永芹

(1.中国农业大学烟台研究院，山东烟台 2647670；2.中国农业大学信息与电气工程学院，北京 100083)

海参肉质酥脆、滑润，高蛋白质，低脂肪，营养丰富，味道鲜美，是“海味八珍”之一的佳肴和滋补保健品，素有“滋补靠海参、抢救靠人参”的说法[1]。海参种类较多，其中刺参的营养价值和经济价值最高[2]。山东和辽宁两省大力发展刺参养殖业，短短几年内已成为我国北方沿海水产养殖的重要新兴产业之一，取得了巨大的经济效益和社会效益[3]。2014年，我国养殖海参产量200 969 t，比2013年增长3.75%，海参养殖面积214 180 hm2，比2013年降低0.36%，培育海参苗种745.55亿头，比2013年增长1.05%[4]。海参苗种质量的优劣，决定海参的生长速度和产量的高低，影响海参的经济效益。因此，要提高海参的产量和质量，参苗的培育显得非常重要[5]。海参育苗需要一个特定适宜的环境，以刺参为例，一般来说溶解氧含量≥6 mg/L、温度22～24 ℃、pH值8.1～8.3、盐度3.0%～3.3%为最适宜，但不同地区也存在一定差异。海参育苗期间，溶解氧、温度、pH值、盐度最理想状态是在适宜范围内，若超出范围过大，会影响其生长发育，甚至造成死亡。因此，准确预测预警溶解氧含量、温度、pH值、盐度具有重要意义，可以保证海参苗种健康成长。本研究以刺参为研究对象，探究海参育苗水质预测预警系统。

1 水质预测模型

1.1 水质预测方法概述

目前，常用的水质预测方法有水质模拟法、专家评估法、基于数理统计的多元回归法、灰色理论法等[6]，这些方法适合大样本、低维数的数据预测，但对非线性、小样本、高维数等特点的数据预测效果不理想。神经网络法能够解决非线性预测问题，但存在易陷于局部最优值、过学习、不适合高维数等缺陷，制约了其发展[7-8]。支持向量机(support vector machines，SVM)由Vapnik和Corinna Cortes等于1995年首次提出，SVM在解决非线性、小样本及高维数识别中表现出很多特有的优势，并且可以推广到函数拟合等其他机器学习问题中[9]。SVM被应用于文本识别[10]、手写字体识别[11]、人脸图像识别[12]、基因分类[13]及时间序列预测[14]等领域，并取得了很好效果。因此，本研究采用支持向量机方法进行溶解氧含量、温度、pH值、盐度的预测。

1.2 基于SVM的水质预测模型

基于SVM的水质预测模型的流程见图1[15]。

1.2.1 数据 以蓬莱市老参湾科技有限公司育苗场某育苗池水质为研究对象，采用在线监控系统获取海参育苗养殖水质因子数据。在线监控系统每间隔10 min对溶解氧含量、温度、pH值、盐度等海参育苗养殖水质因子数据在线采样1次，以2015年4月26日至6月3日在线采集的5 411个样本数据作为研究的数据源，即5 411×4的矩阵。利用SVM建立的回归模型对上述数据进行回归拟合。

由于数据是连续在线采样获取的，因此假设下一次采样获取的数据与之前采样的全部数据是相关，即把下一次采样获取的数据作为因变量，之前采样的全部数据作为自变量。通过对自变量建立模型来对因变量进行预测。

1.2.2 数据归一化 为提高模型的泛化能力、减少程序训练的时间，在用SVM建模时，对数据进行归一化处理[16]，即将自变量和因变量的取值范围变换为[1，2]区间。 归一化公式[15]为：

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

(1)

式中：Xmin和Xmax分别是原始数据X的最小值和最大值；Ymin和Ymax是映射的范围参数。

[1，2]归一化就是把Ymin置为1，把Ymax置为2。

1.2.3 选择最佳参数c和g关于SVM参数c和g的优化选取，目前没有一个公认统一最好的方法，常用方法是让c和g在一定范围内取值，对于取定的c和g，把训练集作为原始数据集并利用交叉验证方法(K-CV方法)得到在此组c和g下训练集验证拟合准确率，最终取使训练集验证拟合准确率最高组的c和g作为最佳参数[15]。核函数选择径向基函数。

1.2.4 训练与回归预测 以溶解氧含量为例进行训练和回归预测，温度、pH值、盐度的预测过程与之类似。

设S为自变量，V为因变量。对于5 411×4的数据矩阵，V的取值范围为(m×4的矩阵)～(n×4的矩阵)，S的取值范围为[(m-1)×4的矩阵]～[(n-1)×4的矩阵]，其中 2≤m

(2)

R2[18]的计算公式为：

(3)

由表1可知，当n≥1 500时，MSE和R2的综合表现很好，相互之间的差异不明显；当n=3 000时，MSE最小，即误差最小；当n=5 000，R2最大，即拟合最好；当n=10时，MSE最大，R2最小，回归预测效果不是很好。但由图2可知，预测值和真实值之间的差值在0.2之内，所以SVM模型对小样本数据有着很好的预测效果。随着n的增大，预测效果还是很理想的。但并不是随着n的增大，效果就一定很好。在实际应用时，可以灵活选择n的大小。若采样的数据量<10时，n=采样到的数据数量；若监测的数据量<100时，n=10，即最新的10个数据；若监测的数据量<1 500时，n=100，即最新的100个数据；若监测的数据量>1 500时，n=1 500，即最新的1 500个数据。这样既能保证精确度，又能保证运算效率。或者为了提高运算速度，若采样的数据量<10时，n=采样到的数据数量；若监测的数据量<100时，n=10，即最新的10个数据；若采样的数据量>100，n=100，即最新的100个数据。100个数据的计算量要少于1 500个的，但精度有欠缺。

2 水质预警模型

2.1 预警模型理论概述

预警一般要经过确定警情、寻找警源、分析警兆、预报警度、排除警患5个过程[19]。

表1 不同样本大小的SVM模型的预测结果

2.1.1 确定警情 警情是指事物发展过程中出现的极不正常的情况，也就是已经出现或将来可能出现的问题，明确警情是预警的前提[17]。海参育苗期的水质预警的警情为溶解氧含量、温度、pH值、盐度。

2.1.2 寻找警源 警源就是警情出现的源头或者原因。寻找警源就是要找出是什么原因产生的警情。

2.1.3 分析警兆 预警的关键是分析警兆。警情产生于警源，警源只有经过一定的量变与质变过程，才能导致警情的暴发[17]。

2.1.4 预报警度 警度的划分需要根据具体情况来确定。通常把警度划分为4个等级即轻警、中警、重警和巨警，也可以划分为3个等级即轻警、中警和重警，还可以采用类似交通管制的信号灯比如绿灯、蓝灯、橙灯、黄灯和红灯等的标志来表示不同等级的警度，并根据不同信号指示采取相应的对策[20]。

2.1.5 排除警患 根据上述信息把警情排除，使海参能够正常生长和发育。

2.2 水质预警模型的构建

水质预警是根据预测的溶解氧含量、温度、pH值、盐度来进行预警。通过调研，获取海参育苗时生长发育最适宜的溶解氧含量、温度、pH值、盐度的区间范围，并以此来确定警情、划分警度，并进行相关值的预警。

2.2.1 水质预警模型的警度及分析 根据育苗期海参生长发育的实际情况，水质预警模型把警度划分为无警、轻警、中警和重警4个级别，见表2。

表2 水质预警模型的警度级别

对应4个警度级别，需要相应的水质参数范围。通过海参育苗场调研和文献查阅，得出海参育苗期生长发育的最佳、一般、差、恶劣的水质条件，不同地区、不同状态的区间范围存在差异，可以根据实际情况进行设定[21-23]，见表3。

表3 海参育苗期生长环境参数分析

2.2.2 水质预警模型警度判别算法 水质预警模型警度判别的算法是对当前溶解氧含量、温度、pH值、盐度，根据表3判断其各自警度，再综合4个因子的警度判定当前的警度A1；对预测的溶解氧含量、温度、pH值、盐度的值根据表3判断其各自的警度，再综合4个因子的警度判定预测警度A2；最后综合当前的警度A1和预测警度A2，作为最终的警度A。设当前溶解氧含量、温度、pH值、盐度的警度分别为D、T、P、S，预测的溶解氧含量、温度、pH值、盐度的警度分别为D′、T′、P′、S′，无警、轻警、中警、重警的取值分别为0、1、2、3。

水质预警模型警度判别算法如下：

输入：当前溶解氧含量、温度、pH值、盐度值d、t、p、s，当前溶解氧含量、温度、pH值、盐度值d′、t′、p′、s′。

输出：水质预警的警度A。

过程：

(1)当前溶解氧含量、温度、pH值、盐度根据表3判断其各自的警度D、T、P、S；

(2)预测的溶解氧含量、温度、pH值、盐度根据表3判断其各自的警度D′、T′、P′、S′；

(3)当前的警度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)预测的警度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)水质预警的警度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 结语

在水质实时在线监控系统的基础上建立水质预测模型和水质预警模型，采用C#和libsvm 3.20(支持C#的libsvm版本最高为3.20)实现。下一步的工作是在实践应用中进行大规模测试和反馈，通过测试和反馈，进一步提高预测和预警的准确性，还要进一步提高性能和效率，使之更实用，更好地满足海参育苗的水质预测和预警的需求，为海参育苗的生态养殖和健康养殖打下坚实的基础。

[1]郭文场，于 艳，王守本，等. 中国的海参(1)[J]. 特种经济动植物，2007，10(4)：24-25.

[2]车元忠，田春良，舒世平. 人参的亲“姊妹”——海参[J]. 中国民兵，1985(11)：17.

[3]王印庚，荣小军. 我国刺参养殖存在的主要问题与疾病综合防治技术要点[J]. 齐鲁渔业，2004，21(10)：29-31.

[4]农业部渔业渔政管理局. 2015中国渔业统计年鉴[M]. 北京：中国农业出版社，2015.

[5]李晓霞. 把好海参育苗生产关[J]. 科学养鱼，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]刘晓亮，丁世飞. SVM用于文本分类的适用性[J]. 计算机工程与科学，2010，32(6)：106-108.

[11]林开标，王周敬. 基于支持向量机的传真收件人识别方法[J]. 计算机工程与应用，2006，42(7)：156-158.

[12]谢塞琴，沈福明，邱雪娜. 基于支持向量机的人脸识别方法[J]. 计算机工程，2009，35(16)：186-188.

[13]李颖新，阮晓钢. 基于支持向量机的肿瘤分类特征基因选取[J]. 计算机研究与发展，2005，42(10)：1796-1801.

[14]高 伟，王 宁. 浅海混响时间序列的支持向量机预测[J]. 计算机工程，2008，34(6)：25-27.

[15]王小川，史 峰，郁 磊，等. MATLAB神经网络43个案例分析[M]. 北京：北京航空航天大学出版社，2013.

[16]杨锡运，孙宝君，张新房，等. 基于相似数据的支持向量机短期风速预测仿真研究[J]. 中国电机工程学报，2012，32(4)：35-41.

[17]于辉辉. 日光温室温度极值预测预警模型及系统研究[D]. 北京：中国农业大学，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]郑荣宝，刘毅华，董玉祥. 广州市土地资源安全预警及耕地安全警度判定[J]. 资源科学，2009，31(8)：1362-1368.

[20]吴延熊，郭仁鉴，周国模. 区域森林资源预警的警度划分[J]. 浙江林学院学报，1999，16(1)：70-75.

[21]董云伟，董双林. 刺参对温度适应的生理生态学研究进展[J]. 中国海洋大学学报(自然科学版)，2009，39(5)：908-912.

[22]陈爱华. 环境因子对刺参的影响及对策[J]. 河北渔业，2007(3)：22.

[23]邢殿楼，李 强，曲健凤，等. 刺参苗种越冬期水环境因子变化及对刺参急性效应的研究[J]. 渔业现代化，2011，38(2)：6-9.