水产养殖水质检测与控制技术研究进展分析

尹宝全 曹闪闪 傅泽田 白雪冰

(1.中国农业大学烟台研究院， 烟台 264670； 2.中国农业大学信息与电气工程学院， 北京 100083；3.中国农业大学工学院， 北京 100083； 4.食品质量与安全北京实验室， 北京 100083)

0 引言

中国是世界上最大的水产品消费国和生产国，中国和其他地区对水产品的需求为全球渔业和水产养殖业的发展提供了机遇。水产养殖是指在人为控制条件下养殖鱼类、虾蟹类、贝类、软体动物、藻类等水产品。按生产程度不同可分为粗放型、半集约型和集约型3种模式[1]。过去30年，全球水产养殖产量以年均8%的速度快速增长[2]，到2030年全球的水产品将有近2/3来自水产养殖[3-4]。在水产养殖过程中，养殖水环境为淡水或海洋生物提供了食物、生存环境和氧气。由于人类活动、环境污染、农业生产等原因，可能导致养殖水域的温度、溶解氧含量、酸碱度等指标发生变化，进而影响水生生物的生长。因此，对水质参数进行实时监测和调控是水产养殖过程中的重要环节，是决定水产品品质的重要措施。

本文在分析国外先进水产养殖技术的基础上，结合国内水产养殖多为池塘、网箱等封闭水质环境的特点，从水质控制系统构架角度，分别对现有的水产养殖领域水质传统检测方法、无线通讯技术、水质重要参数的预测建模方法和智能控制技术加以综述分析，并对水质监测与控制技术的发展趋势进行展望。

1 发达国家水产养殖模式及技术现状

根据养殖水域的不同可分为淡水养殖、海水养殖和深远海海水养殖。淡水养殖通常利用池塘、水库、江河、湖泊等，养殖鱼类、虾类、蟹类、贝类、莲、藕等。海水养殖是利用浅海、滩涂、港湾等海域养殖海产经济动植物的生产方式[5]。

在海水养殖方面，发达国家的水产养殖以开放环境的海水养殖为主，以北欧的挪威、丹麦等国为代表，其水产养殖技术具有很高的自动化程度。由于受外部水域环境恶化和内部水质劣化的影响，陆基或近浅海养殖的发展空间受到挤压，发展离岸深远海海水养殖成为水产养殖的新方向和趋势。

深海养殖是指在远离大陆、水深20 m以下的海域开展的养殖方式[6]。2005年美国国会通过了国家深水养殖法令(National offshore aquaculture act of 2005)，成为世界上第一个为深水海域进行海水养殖立法的国家。目前深远海海水养殖已在挪威、日本、美国、加拿大等国家得到成功实施[7-8]。挪威在全球深海养殖领域内处于领先地位，具备较强的深海养殖装备设计能力，其大型深水网箱养殖业几乎垄断了深水网箱式养殖平台的设计技术及运营市场。在配套设施上，挪威大型深水网箱已形成自动投饵系统、鱼苗自动计数设备、水下监控系统、自动分级收鱼和自动收集死鱼设备等为一体的智能管理系统[9]。

在淡水养殖方面，日本、美国、欧盟等国家或地区科技比较发达，对水环境保护方面要求较高，有较为完善的环境评估体系和养殖废水排放标准，这些国家普遍发展集约化养殖，操作机械化程度很高，从饲料投喂、养殖模式、水质调控、养殖工程和设施以及水处理技术都具有较高的水平[10]。目前，德国有70多座工厂化水产养殖系统；在丹麦有5 000多家循环水养殖场，平均每1 000人左右就拥有一家循环水养殖场；西班牙和葡萄牙的养殖量有70%采用工厂化循环水模式；荷兰的工厂化模式养殖尖齿胡鲶鱼，养殖密度可达300 kg/m3[11]。以色列集约化养殖系统均配有自动化供饵系统、自动化疫苗注射机、鱼类起捕和分选设备等[12]。

在养殖水质检测方法方面，经历从经验法、化学法、仪器法3个阶段。经验法是指养殖人员根据经验，人为判断水质的各项指标，如鱼类集中在水面，可能是水中溶解氧偏低；鱼类摄食减少，可能是pH值偏高或偏低，或氨氮超标等。该类方法判断的结果只是一个粗略估计，作为一种水质检测方法已被淘汰。传统化学法是指利用化学方法对水质各参数进行检测。该类方法是目前最为成熟的分析方法，具备精度高、可靠性好、敏感度强、可重复等优点，能够定性、定量的分析水环境。但缺点也较为明显，其检测周期长、成本高、操作复杂，且其自动化程度低，难以满足现代水质检测技术的要求。仪器法是指利用水质检测企业所研制的相关仪器或设备进行检测。该类仪器多为便携式，操作简单，可实现快速检测。

在养殖水质监测仪器研发方面，国外公司起步较早，目前水质检测的主流产品向便携式、多参数可同时测量方向发展。其中代表性公司有美国的YSI公司、HACH公司、In-Situ公司；德国的WTW公司；意大利的HANNA公司；日本的岛津公司等。美国YSI公司以溶解氧检测研究为主，其溶解氧测量仪分辨率为0.01 mg/L，测量精度可达±0.03 mg/L；YSI proplus多参数水质分析仪可同时检测溶解氧含量、水温、电导率、酸碱度、盐度、总溶解固体含量、氧化还原电位、氨氮含量、氯化物含量等多项水质指标。HACH公司成立于1947年，致力于水质分析领域的研究，旗下拥有多个品牌，如：GLI、American Sigma、Hydrolab、OTT、Radiometer、Lachat、Polymetron、Orbisphere、ELE等。同时针对中国市场研发了一系列水质分析仪，如CODmax铬法COD分析仪、DR1010 COD测定仪和1900C便携式浊度仪等。德国的WTW公司成立于1945年，主要生产环保分析仪器和水质在线监测仪器。WTW水质检测产品非常齐全，Multi 3430 IDS三通道数字参数计，可接3支相同或不同的探头，同时测试3个参数。瑞士ABB公司生产的水质分析仪可以实现多个参数同时测量，测量时间短且输出稳定，适合于水域复杂，或水质参数变化较快的场合。相对于国外水质检测设备，国内的水质检测设备在测量范围、精度和稳定性等方面尚存在一定的差距。

虽然国内水产养殖目前仍以池塘、网箱等封闭水质环境为主，但海水网箱养殖向深远海方向发展是国内外海水养殖的共同趋势。2018年5月由中国海洋大学与湖北海洋工程装备研究院联合设计，青岛武船重工有限公司建造的“深蓝1号”全潜式大型网箱已成功应用于离岸130海里的黄海海域。深远海水产养殖的发展对养殖设备的智能化提出更高的要求，因此自动化、智能化以及在线监测等特点将是水质检测设备未来发展的方向。

2 水产养殖水质监测系统典型结构

目前在水产养殖水质监控与控制系统方面已开展了许多研究[13-18]，并在水产养殖领域得到了广泛应用。典型的水质控制系统通常采用农业物联网的4层架构体系[19]，即感知层、传输层、处理层和应用层。

感知层是水产养殖水质监控系统的基础，它利用溶解氧含量、水温、pH值等水质传感器及摄像头等感知设备实现对现场水质参数和环境信息的采集。

传输层是指借助于现有的通信技术与感知层技术相融合，把感知层获取的数据快速、安全、可靠地远距离传送到控制中心[20]。农业物联网的数据传输包括有线和无线两种方式。有线方式是指传感器节点与控制系统之间采用现场总线的方式进行连接，农业物联网中常用的现场总线技术有CAN总线和RS485总线。无线方式是指现场传感器采用无线传感网络(Wireless sensor network，WSN)的方式组网。与有线方式相比，无线方式具有移动性、分散性、易于部署等特点，在水产养殖水质监控系统中应用更为广泛。因此，基于WSN的系统架构是目前水产养殖水质监控系统的典型架构(图1)。

图1 水产养殖水质监控系统典型架构Fig.1 Typical framework of aquaculture water quality monitoring and control system

处理层是指利用数据融合、机器学习等方法对数据进行预处理，并根据预测模型对水质的变化做出判断。

应用层是农业物联网体系的最高层，面向用户，为用户提供现场水质参数的实时显示、历史数据查询和分析、发送现场设备控制命令等功能。

水质控制系统的技术流程：由数据采集模块(传感器、摄像头等)采集水质信息，通过通信模块传输给控制中心，控制中心对数据进行汇总、分析并预测，用户手动或系统根据智能控制模型自动发送控制命令，通过执行机构驱动现场增氧机、水泵、投饵机等设备对现场水质做出调控动作。

3 水产养殖水质检测技术

水产养殖过程中水质的变化将直接影响鱼类的生长和收获时间，水质是水产养殖是否成功的关键，因此需要对养殖水体的水质进行实时监控，并能预测水质变化的趋势，及时采取措施对水质进行调整。

3.1 水质重要参数检测技术

3.1.1水质重要参数及传统检测技术

影响水产养殖环境的关键参数包括溶解氧含量(Dissolved oxygen，DO)、水温、 pH值、氨氮含量、盐度、化学需氧量(Chemical oxygen demand，COD)、亚硝酸盐含量、重金属含量、浊度等，其中水温、溶解氧含量和pH值尤为关键[21]。养殖种类的不同对水质参数的需求也不相同，不同国家和地区对养殖水质参数的范围指定了相应的标准。

水温：养殖水域的温度变化不仅影响鱼类的食欲和新陈代谢，也影响鱼类的繁殖活动。另外，水温还影响水中的溶解氧、有毒物质的化学反应和氨的毒性等[22]。比如：水温上升，水中的溶解氧将减少，鱼类呼吸加速，耗氧量增大，溶解氧进一步减少；如果水温过低，可能会造成鱼类陷入休眠停止生长阶段，因此及时检测水体温度，并采取措施将水体温度稳定在一定范围内十分必要。

水温的监测最常用的方法是采用水银温度计，这种方法比较简单，成本低，但只能测水体表层的温度。目前，大部分水质分析仪、溶氧测定仪等检测设备常配有温度测量功能，且可测定不同水层的水温。

溶解氧含量(DO)：溶解氧是指溶解在水或液相中的分子态氧，是鱼类呼吸、废物分解和藻类呼吸所必需[1]。溶解氧是水代谢的指标，可用于监测有机污染物和营养污染物[23]。溶解氧过低不仅影响鱼类的生存，也会造成厌氧菌的快速繁殖，导致水质变差；但如果溶解氧过高，对卵和幼虫有显著的发育影响[24]，也易造成鱼塘富营养化和气泡病等灾害。目前常用的溶解氧含量测量方法有碘量法、电化学法(电流测定法、电导测定法)和荧光淬灭法等。其中，碘量法属于化学检测方法，耗时长、步骤繁杂，不适于现场测定；电化学法技术成熟、仪器价格相对低廉，检测步骤简单快捷，属于国家标准方法；荧光淬灭法检测溶解氧是基于氧分子对荧光物质的淬灭效应的原理来实现的，精度高、速度快，但价格昂贵[25]。

pH值：是衡量水的酸碱度的指标，因此也称酸碱度，是水环境中化学和生物反应的指标[26]。pH值影响鱼类生存养殖的全过程。鱼类通常适于在中性或微碱性的水体中生长，当pH值过低时，鱼类维持盐平衡的能力将受到影响，血液中的载氧量会迅速降低，可能会出现窒息；pH值过高时，鱼类可能会出现鳃出血的现象。pH值与其他水质参数相互依赖，如二氧化碳含量、碱度、硬度等，同时pH值也会在一定程度上影响硫化氢、氯化物、重金属和氨的毒性。传统的pH值测量方法包括：试纸法、酸碱滴定法、电位法(pH计)等。试纸法操作简便，但缺点是误差较大；酸碱滴定法较试纸法测量精确，但操作繁杂，耗时较长；pH计测定结果准确，对生产指导作用大。

总磷：磷是生物生长的重要元素，是评定水质富营养化的重要指标。如果磷含量过大，会引起水体中藻类过度繁殖，导致水中缺氧。目前总磷的标准检测方法是钼酸铵分光光度法，但该方法检测过程复杂、耗时耗能。总磷的其他检测方法还包括过硫酸盐消解法、气相色谱法、连续流动分析法、光催化氧化法、微波消解法等[34-36]。

重金属：是一种典型的累积性污染物，在水环境中不仅不可降解而且会在生物体中长期积累和传递，引发多种疾病。常用的水质重金属含量检测方法有：原子吸收光谱法、电化学分析法、电感耦合等离子体法、原子荧光光谱法、紫外-可见分光光度法、高效液相色谱法、生物检测法等[37-38]。

浊度：是指水中悬浮物对光线通过时所产生的阻碍程度[39]，是鱼类粪便、食物残渣、水中的微小藻类(浮游植物)、溶解的有机物等悬浮颗粒对光线的反射引起的。其中的浮游植物提供了溶解氧和鱼类的食物，但浊度过高时，水体透明度下降，又影响藻类的光合作用和浮游生物的生长，导致水体中的溶解氧浓度下降。浊度测量方法有：透射法、散射法和表面散射法等[40]。其中，透射法适用于浊度较高的情况，在低浊度时，检测精度低、误差较大。散射法与表面散射法适于低浊度检测。

化学需氧量(COD)：是在一定的条件下用强氧化剂氧化水中有机物时所消耗的氧化剂的量，反映了水体中受有机物、亚硝酸盐、硫化物等还原性物质的污染程度[41]，是确定改水调水方案的重要依据。COD的常规检测方法根据使用氧化剂的不同可分为重铬酸盐法(CODCr)和高锰酸盐法(CODMn)[42-43]。CODCr法主要用于测定有机污染物含量较多的水。CODMn法主要用于监测含有少量污染物的水体，如地表水和地下水。这些方法均存在操作复杂、耗时长、存在二次污染等问题。

盐度：水体中含盐的总量称为盐度或矿化度。盐度的变化会导致鱼类生长存活与摄食等相关生理指标发生相应的变化。关于盐度的检测，国内学者进行了大量的研究，常用的检测方法有液滴分析法、比重法、电导率法、折射率法、微波遥感法等[44-45]。

3.1.2基于光谱分析的水质参数检测技术

光谱分析法，又称光谱法，是基于朗伯比尔定律，利用物质的光谱来鉴定物质及其化学组成和相对含量的方法。光谱法可分为吸收光谱法、发射光谱法和散射光谱。其中红外光谱法、近红外光谱法、紫外-可见光分光光度法、原子吸收光谱法等属于吸收光谱法；原子发射光谱法、分子荧光光谱法、原子荧光光谱法等属于发射光谱法；拉曼光谱法属于散射光谱[38]。相应的实验设备有近红外光谱仪、紫外光谱仪、紫外可见光分光光度计、离子色谱仪、拉曼光谱仪等。与传统方法相比，基于光谱法的水质监测技术具有快速、灵敏、无损等优点，是水质参数检测的一个重要发展方向[46-47]。在利用光谱法进行水质检测方面，国内外已有大量学者开展了研究[48-51]。可利用光谱法进行检测的常见水质参数有溶解氧含量、pH值、化学需氧量、总氮含量、总磷含量、重金属含量、有机物含量等[52-58]。

文献[59]对光谱法在水产养殖水质检测中的数据处理方法和研究进展进行了详细综述。应用光谱法进行水样的定性或定量分析包括建模和检测过程，流程如图2所示。

图2 光谱分析法流程图Fig.2 Process flow chart of spectral analysis

建模过程是利用样品光谱和标准方法测定样品成分性质或含量，建立预测模型的过程；检测过程是利用建模过程中构建的预测模型对采集到的待测样品的成分或含量进行预测的过程。采集到的光谱数据中常含有各种干扰信号，因此在建模或预测前需首先对光谱数据进行预处理，常见的光谱预处理的方法有标准正态变量变换(Standard normal variate correction，SNV)、SG平滑算法、小波分析、多元散射校正(Multiple scatter correction，MSC)等。通常光谱仪获取的光谱数据中含有大量冗余数据和无关信息，这样数据导致光谱分析的速度变慢，效率降低。因此，建模前通常需从采集到的光谱数据中提取有益于建模的波长变量，去除冗余变量和无信息变量，以提高预测模型的性能。常见的光谱特征波段选择方法有连续投影算法、主成分分析法、无信息变量消除等。其中，连续投影算法广泛应用于光谱领域，是一种最常用的光谱特征波段选择的算法。主成分分析法是一种典型的高维数据的降维方法，该方法最大优势在于可极大地缩短分类时间，常用于定性分析。常用的光谱建模方法有偏最小二乘法(Partial least squire，PLS)、人工神经网络(Artificial neutral networks，ANN)、最小二乘支持向量机(Least squares support vector machine，LS-SVM)等方法。其中，PLS算法属于线性建模算法，从广义上讲，相当于主成分分析、多元线性回归和典型相关分析的组合，在水质重要参数检测中具有较好的效果；LS-SVM和ANN算法属于非线性建模，其中LS-SVM更适于小样本建模情况下的应用；人工神经网络适于大样本情况下的建模，相对于其它人工神经网络，在水质检测中BP神经网络应用更为广泛。

总之，基于光谱分析的水质参数检测方法突破了传统检测方法的操作繁杂、耗时长、易造成二次污染等缺点，成为水产养殖水质检测的重要方法。目前，基于水产养殖对水质监测的需求，光谱法在水质水产监测领域的研究方向主要包括水质的在线监测技术[53,60]、多参数监测技术和多源光谱融合技术[7]等。

3.1.3传感器在水质重要参数监测中的应用

传统的水质参数检测和基于光谱分析的水质参数检测技术均较难实现对水产养殖水质的实时在线监测。根据传输方式的不同，传感器可分为有线传感器和无线传感器两种。有线传感器故障率低、抗干扰能力强，可以保证传感器数据的可靠传输，相应技术比较成熟，是农业物联网关键节点间信息传输的必备技术。但在水产养殖领域中存在范围比较广，需要测不同位置和不同深度的水质参数，有线传感器的安装和维护存在很大的局限性。随着学者们在无线传感器节点和网络技术研究的不断深入，无线传感器的应用领域越来越广泛[61]。

无线传感器通常由感知模块、中央处理单元、无线收发模块和电源模块组成。感知模块执行数据的采集，将待测信息转换成电信号，可由一个或多个传感器和传感处理模块组成；中央处理单元负责对接收到的数据执行处理和存储等操作；无线收发模块负责无线通信，可采用Wi-Fi、ZigBee等无线通信技术；电源模块由电池和电源管理系统组成，为整个传感器提供连续稳定的电源[62]。

与陆地环境不同，水下环境更加恶劣和复杂，对于长期部署在水下的传感器除能满足水下设备间无线通信的复杂性外，还应具有低维护、可实现长期监测的特点[63]。因此，与陆上传感器相比，水下传感器应具备以下特点[64]：

(1)保护层应具有防水、防腐蚀、坚固等特点。因为传感器长时间工作在水下环境，特别是在海水环境时盐度较高，易造成传感器的保护层被腐蚀。因此，传感器的保护层应为防水、绝缘、防腐材料，建议采用塑料或防水硅胶等材料作为保护层[65]。WIRANTO等[26]将传感器密封在PVC中，用于在线监测养虾池中的DO、pH值。以抗腐蚀性的钛合金作为防护层也是一种比较常见的做法，如美国YSI公司的溶解氧传感器等。

(2)可长时间工作，少维护。少维护包括两方面：一是传感器可部署在水面或水下不同深度，安装和维护比较困难，传感器本身应尽量运行可靠，故障率较低；二是传感器长时间固定在水下环境中，极易受到水中悬浮物的污染或者水中藻类等生物体的附着，进而影响传感器的精度。为延长传感器的维护周期，水下传感器应尽量避免使用需要周期性校正或需添加反应介质的化学传感器、需定期人工清洗的光学传感器，或者使用膜或电解质的传感器。目前有些学者在研究水下传感器的免清洗或可自动清洁维护的功能，如单慧勇等[66]设计了一套集成传感器清洁装置的全自动多点水质监测系统，设备采用清水浸泡、水流冲洗、海绵柔性擦拭相结合的清洗方式，可有效缓解传感器上藻类及微生物的附着问题，实现水质传感器的自动清洁维护。

(3)低能耗。传感器节点的电池功率有限，同时，无线信号在水下传输消耗了很大一部分能量。因此，传感器的低能耗特点是保证长期监测的关键。另外，有些学者在研究采用太阳能、风能或潮汐能等可再生能源来延长电池的使用时间，如SHAREEF等[2]、CHEN等[67]，采用外接太阳能作为传感器的备用能源。

(4)传感器本身不应影响养殖水生物的生长或对生物体及生物群产生有害影响。因此应尽量避免使用紫外光[68]以及鱼类能感觉到的声波[69]和磁场[70]。

(5)水产养殖水质检测传感器不需要微型化和很高的精度。小型化的传感器反而易丢失或被鱼类吞食。

水质传感器主要包括化学传感器、物理传感器、生物传感器[71]、光学传感器[72]等。根据上述描述，水产养殖领域的水质参数传感器宜尽量选用物理传感器，不宜选择化学传感器或光学传感器。在选用光学传感器时传感器应具有自动清洗功能。文献[73]介绍一种超声波自动清洗方法，并设计了一种pH电极和溶解氧电极的自动清洗装置。但在选取水质参数感知原理时，应综合考虑传感器的能耗、成本、对水生物的影响等各种因素。如水产养殖中的水下温度传感器常采用RTD导体电阻、NTC热敏电阻或IC传感器；盐度传感器常采用电感法；浊度的自动检测方法包括：利用光学效应和声学的多普勒效应两种方法，但声学传感器通常比光学传感器成本高、能耗高，因此，光学方法更适合水产养殖中浊度的监测；溶解氧传感器常采用荧光淬灭法或Clark电极法，如In-situ公司的RDO光学溶解氧传感器、HACH公司LDO溶解氧传感器采用的是荧光淬灭法；HACH公司的GLI、日本FIGARO公司的KDS采用的是Clark电极法。其中Clark电极法需要定期清洗，因此基于荧光淬灭法的传感器更为常见。但这两种方法均需要定期维护或更换，目前没有其他更好的方法供选择。

表1是部分水质参数传感器的常见检测原理及应用情况[74]。

表1 主要水质参数传感器Tab.1 Major water quality sensors

3.2 水产养殖水质重要参数预测模型

由于养殖水体具有体量大，水质变化具有非线性、动态性、多变性和复杂性等特点，构建水质参数预测模型对养殖水体的变化进行提前预测，对及时发现异常、降低养殖风险具有重要意义[75-77]。水质参数预测也是近几年国内外学者在水产养殖领域研究的热点之一。

CHEN等[79]以水库的水质参数为研究对象，分别建立BP神经网络模型、自适应神经模糊推理系统模型(Adaptive neural network fuzzy reasoning system，ANFIS)和多元线性回归模型(Multivariable linear regression，MLR)，对水库的溶解氧含量进行预测。输入变量采用水温、pH值、电导率、浊度、悬浮物含量、总硬度、总碱度和氨氮含量。实验结果表明，神经网络模型优于多元线性回归模型，其中ANFIS模型的预测结果最优。

OLYAIE等[81]分别利用两种人工神经网络(MLP模型和RBF模型)、LGP线性遗传算法和SVM算法对Delaware河的溶解氧含量进行预测，预测因子采用pH值、电导率、水温度和流量。实验结果表明以上算法在DO值较低时预测精度均较好，但当DO值较高时预测精度较差，但SVM算法要显著优于另外两种算法。最后，建议通过多种算法结合和优化以节省时间和搜索SVM的最优参数。

LIU等[82]提出了一种RGA-SVR模型，该模型是在支持向量回归算法的基础上，利用RGA算法(Real-value genetic algorithm，RGA)搜索SVR的最优参数，然后采用最优参数构建SVR模型。最后，采用无线传感器获取的pH值、溶解氧含量、电导率、水温、太阳辐射、气温和风速作为预测因子，对河蟹养殖池中的溶解氧含量和水温进行了短期预测。实验结果表明，RGA-SVR模型在均方根误差(RMSE)和平均绝对百分比误差(MAPE)方面均优于传统的SVR和BP神经网络模型。

BASANT等[83]利用pH值、总碱度、总硬度、总固体量、COD、氨氮含量、硝酸盐氮含量、氯化物含量、磷含量、钾含量、钠含量、DO和BOD，构建PLS和FFBP神经网络模型，同时对河流的表层水的OD和BOD进行预测。结果表明，两种模型都能同时对DO和BOD进行预测。

另外，AHMED[84]、XU等[85]对DO进行了预测；丁金婷等[86]采用模糊方法优化的自适应变步长BP神经网络算法对水温、pH值和溶解氧含量进行了预测；徐大明等[87]提出了一种基于粒子群优化BP神经网络算法对水温和pH值进行了预测。

由上述可见，水产养殖水质参数预测模型主要涉及溶解氧含量、pH值、水温、氨氮含量和BOD等，其中以溶解氧含量的预测研究最多。预测因子主要包括溶解氧含量、水温、pH值、电导率、空气温度、风速等。相应的预测模型构建方法中非线性模型优于线性模型。其中，以神经网络、支持向量机及其优化算法和组合算法效果最优。另外，PLS和神经网络可实现对多参数同时进行预测。

4 水产养殖水质控制系统通信技术

4.1 水质控制系统通信技术分类

由于应用环境的影响，传统的有线方式的控制系统需要铺设电缆，不适于水产养殖的水质监控，水产养殖领域的水质控制系统通信方式以无线为主，且应具有低成本、低功耗等特点。下面着重分析基于无线传感网的水质控制系统的通信技术。

按通讯距离和覆盖范围的不同，无线传感网可以分为无线局域网技术和无线广域网技术。无线局域网技术主要包括ZigBee、Wi-Fi、蓝牙等，其通讯距离较短，适于作为前端无线传感器的组网形式。ZigBee相对于Wi-Fi、蓝牙等技术具有低功耗、低成本的特点(如表2所示[88-89])，同时具有多跳、自组织的特点，每个节点均可作为相邻节点传输数据的中继，易于扩展网络的覆盖范围，被广泛应用于无线传感网络中。无线广域网技术包括蜂窝移动通信网(如2G/3G/4G、GPRS等)、低功耗广域网(LPWAN)，目前在水产物联网的远程通信技术中仍以GPRS为主。

表2 无线局域网技术对比Tab.2 Contrast of wireless local area networks communication performance

基于无线传感网的水产养殖水质控制系统的网络拓扑图如图3所示[90-91]。水质传感器节点和路由节点部署在水产养殖监测区域内，利用ZigBee以自组织形式构成网络，网络具有节点和路由双重功能。传感器节点既负责数据的采集和处理，同时将数据融合后以多跳的网络方式传送到汇聚节点。汇聚节点接收和处理网络中所有节点的信息后，通过GPRS传输到远端控制中心[92]。

图3 水质控制系统网络拓扑图Fig.3 Network topology of aquaculture water quality monitoring and control system

4.2 ZigBee通信技术

ZigBee技术是一种低成本、低功耗、低速率的无线通信技术，采用IEEE802.15.4标准，适于能耗要求低、数据吞吐量要求不高的场合。

ZigBee技术具有强大的组网能力，可形成星形、网状、树形3种网络拓扑结构，如图4所示。其中，星形和树形拓扑具有简单、低功耗等特点，适于小规模、低复杂度、距离相对较近的场景使用；Mesh网具有高容错能力、自适应性好，传输距离长，适合于大范围、通信距离较远的复杂网络组网方案。在水产养殖水质监控系统中Mesh拓扑方式更为常见。

图4 ZigBee网络拓扑图Fig.4 Network topology of ZigBee

4.3 无线广域网技术

通用分组无线服务GPRS(General packet radio service)是介于2G和3G之间的移动通信技术，也被称为2.5G，是目前水产物联网中普遍使用的一种无线广域网组网技术[2]。它是在GSM的基础上，采用分组交换技术将分组业务与移动业务相结合，以移动分组IP或x.25的形式为用户提供无线网络链接和高效数据传输。它具有成本低、可扩展、无约束、低误差、系统稳定等优点。GPRS是物联网建设初期担任网络层数据传输任务的主要技术，特别适于中低数据率、高频率通信的环境监测和监控领域，如水质监测等[93]。

为满足越来越多的远距离物联网设备的连接需求，低功耗广域网(Low power wide area network，LPWAN)应运而生。相对于传统的GPRS/2G/3G/4G等移动通信技术，LPWAN进一步降低了能耗、提高了续航能力、扩大了网络覆盖范围、可以大量接入，成为近年来物联网研究的热点之一。

LPWAN按工作频谱是否授权，又可分为工作于非授权频谱下的LPWAN和工作于授权频谱下的LPWAN。非授权频谱LPWAN技术有LoRa、SigFox等，其中以LoRa技术为代表；授权频谱的LPWAN技术有EC-GSM、LTE Cat-m、NB-IoT等，其中以NB-IoT为代表。目前我国移动、联通和电信三大运营商以及华为、中兴等设备供应商已于2017年推动NB-IoT的应用。LoRa和NB-IoT的技术对比如表3所示[88]。

表3 LoRa和NB-IoT技术对比Tab.3 Contrast between LoRa and NB-IoT

由上可见，GPRS是目前水质监测物联网中应用最为广泛的无线广域网技术；以LoRa和NB-IoT为代表的LPWAN技术虽然目前应用较少，但LPWAN是未来物联网的发展方向，特别是在对低功耗、长待机、远距离、大容量有需求的应用场景。另外，随着水产养殖领域对图像和视频信息的实时传输的需要，4G/5G技术将弥补LPWAN传输速率方面的不足，成为LPWAN的有效补充。

5 水产养殖水质智能控制技术

5.1 控制中心智能控制机理

水产养殖水质智能控制系统通常包括控制中心和养殖现场设备控制两部分。控制中心除具有对现场水质参数进行实时监视和控制现场设备的功能外，还应根据现场采集的数据、相应预测模型和专家知识库等对水质参数进行分析和预测，并根据设定的报警规则辅助用户做出相应决策。

目前的水质自动控制系统基本上尚未脱离实验室环境，控制方法也限于阈值控制、定时控制、PID控制等简单算法。但如溶解氧含量等参数的变化受多重因素的制约，其变化存在较大的滞后，当监测到参数值低于阈值时往往来不及采取措施，因此养殖水质的智能控制技术需要利用3.2节中介绍的水质参数预测算法对水质的变化趋势做出预测，并结合现场自动控制设备实现水质的智能控制。基于预测的智能控制模型如图5所示[20]。

图5 基于预测的智能控制模型Fig.5 Aquaculture water quality control model based on prediction

传感器将采集到的DO、pH值、水温、盐度、氨氮含量等水质参数及温度、光照强度、风速等环境参数经GPRS传送至控制中心，控制中心的监控系统利用建立的预测模型对待控制参数进行预测，并根据养殖品种的不同生长期搜索养殖信息库获取该时期养殖水质的参数指标和报警规则库；如果预测参数超出限值需要报警，则以设定的报警方式(如短信、语音等)发出报警信息及预警等级，并记入报警记录；对于预测值超出限值但未达报警值的情况，应记入日志并向用户提供提醒信息。控制中心还应配置专家知识库，当有报警信息时，能为用户自动提供当前状况下的应对措施。同时，控制中心应具有传感器数据实时显示、历史数据查询、趋势分析、多传感器间的数据比较、现场设备远程控制等功能。

5.2 现场水质调控设备智能控制

现场设备控制应具有就地控制和远程控制两种模式。就地模式是指独立于控制中心，由现场控制装置直接实现调控设备的控制。就地模式又可分为就地手动控制和就地自动控制模式。就地手动控制是利用现场控制装置上的控制开关或按钮，以人工手动的方式对设备进行启/停控制。就地自动控制是利用现场控制装置上内置的控制流程或简单算法(如阈值、PID、定时)实现设备自动运行和停止。远方控制即由控制中心的控制软件通过GPRS向现场控制装置发生控制命令，实现对调控装置的远程控制。

由于水产养殖水体环境具有波动性、季节周期性、趋势性等的非线性特点，以及时间滞后性和大惯性的特点，就地自动控制采用简单的阈值、定时控制无法实现水质参数的精准调控。为实现水质参数的精准调控，王德望等[102]在PID算法的基础上与BP神经网络算法相融合，提出一种BP-PID控制算法实现对水中的溶解氧的调控，仿真结果显示出其控制品质优于常规的PID算法；魏坤鹏[103]提出一种灰色预测和聚类融合理论实现对浊度的调整，仿真结果显示该算法相对于PID算法具有更好的动态响应。文献[20]中设计了一种基于模糊控制的溶解氧智能控制器，控制器包括模糊化、模糊推理和解模糊3个环节，并选取实时溶解氧和实时溶解氧的变化量作为输入，增氧时间为输出变量。模糊控制器的结构原理如图6所示。该控制器在江苏省宜兴市河蟹养殖基地进行了试验，试验结果明显优于传统的定时控制。总之，现场水质参数调控算法以闭环为主，控制原理主要有智能控制及人工控制、模糊PID控制、模糊控制与神经网络等，控制算法有关系方程、自动调整因子模糊算法等[96]。

图6 模糊控制结构原理图Fig.6 Structure diagram of fuzzy control

5.3 水质调节措施及设备

水产养殖水质调控主要有物理调控、化学调控和生物调控等方式[97]。其中，物理调控方式见效快，不产生二次污染，但可持续性差；化学调控见效快，但易产生二次污染；生物调控无毒害，但见效慢，操控复杂。因此实际调控中应多种方式综合使用，有效提高调控性能，但尚缺乏统一有效的调控标准。常见的溶解氧含量的调控措施有启动增氧机、换水、投放增氧剂或沸石等。增加水体中的溶解氧含量的同时可达到调节亚硝酸盐含量和硫化氢含量等参数的目的；pH值的常见调控措施有换水或投放酸性或碱性药物等；氨氮含量的调控可采用换水、加溶剂和臭氧等措施[98-99]。

可自动化控制的调控设备主要有增氧设备、循环泵、压缩机及部分调温设备和水质净化设备[100]等。其中增氧设备是规模化水产养殖的必备设备，其主要用途是通过搅拌水体，促进水体上下循环，达到增加水中溶氧量的目的。增氧设备的研究向节能低耗、高效可控方向发展。常见的增氧设备主要有叶轮增氧机、水车式增氧机、喷水式增氧机、射流式增氧机、涡流式增氧机、充气式增氧机、微孔曝气增氧机等。目前我国水产养殖中以叶轮式、水车式增氧机为主[101-102]。国外增氧技术的研究以富(纯)氧增氧为主，富(纯)氧增氧设备具有结构简单、节电、增氧效率高[103]等优点。

6 发展趋势展望

水产养殖区往往位于偏远地区，环境比较恶劣，特别是随着海洋水产养殖业的扩大并进一步向深海和深远海转移[104]，使水产养殖水质检测系统不同于普通的陆上物联网系统。水产养殖水质监测系统应具有方便部署、低功耗、无人操作、少维护、需远距离传输等特点。

(1)在水质检测技术方面，基于光谱技术的水质检测方法可同时实现多个参数的预测，并具有快速、无损等特点，已成为水质检测领域新的研究方向。将光谱技术与在线监测技术相结合，实现水质的在线实时监测，将对水产养殖领域水质监测具有重要意义。

(2)根据水产养殖水质检测系统的特点，不需要定期维护或更换电池，或者利用太阳能、风能或潮汐能等可再生资源解决无线传感器的长期待机是目前急需解决的问题。

(3)基于数据融合技术的多参数传感器是水产养殖水质监测未来的发展趋势。首先，在水产养殖环境下，特别是海水养殖，多参数传感器可减少系统部署和维护的工作量。其次，数据融合技术可以对传感器数据进行预处理，提高传感器的精度和稳定性[105]。同时，可以去除冗余信息，减小所需传输的数据量，提高无线通道的利用率。

(4)养殖水质重要参数预测、预警仍将是水产养殖领域的重点研究方向，随着数据的不断积累和深度学习技术的发展，构建增量式在线预测模型将成为未来的研究热点。

(5)未来应将NB-IoT、LaRa等低功耗广域网技术以及IPv6技术应用于水产养殖水质监控和控制系统中。