技术领域
[0001] 本发明属于水产养殖技术与人工智能领域交叉的一部分，专注于利用先进的机器学习模型——特别是Informer模型，对池塘中的溶解氧浓度进行精确预测。此方法结合物联网技术，旨在提高水产养殖过程的环境可持续性和经济效益。
相关背景技术
[0002] 水产养殖的环境管理是保证养殖效益和生态平衡的关键因素，其中，溶解氧的含量直接影响水生生物的健康生长和水体的自净能力。传统池塘养殖面临的主要挑战包括：深水养殖环境中溶解氧浓度的不均匀分布，以及底层有机物因缺氧而难以分解，这不仅增加了养殖风险，而且降低了水质。目前，利用物联网技术结合智能算法对溶解氧的实时监测和预测，能够实现增氧机的自动调节，从而保持溶解氧浓度的稳定。这种方法不仅能有效降低能耗和污染，还符合绿色低碳养殖的理念，对实现国家碳减排目标具有重要意义。尽管如此，目前也面临着时间序列预测算法在处理长序列数据时存在的依赖关系捕捉不足、难以并行化处理、模型训练的高内存需求和计算复杂度等问题。因此，研发一种具有高预测精度、高效率且计算复杂度低的预测模型显得尤为关键。这不仅是实现增氧机自适应调节、优化池塘溶解氧浓度的重要基础，也是确保养殖过程经济、社会和生态效益最大化的有效手段。
具体实施方式
[0059] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0060] 本发明提出了一种基于Informer的池塘溶解氧预测方法，通过在池塘部署高精度传感器实时监测和采集池塘的水质/环境数据，构建池塘溶解氧垂直分布模型，通过理论方法初步预测未来溶解氧浓度值，同时采用Informer预测模型，结合垂直分布模型的溶解氧特征，实时预测输出未来溶解氧浓度预测值，为后续控制增氧机自适应增氧维持塘底溶解氧稳定提供保障，进而最大程度改善池塘水质，同时节约增氧机能耗，所采取的技术方案如下：
[0061] 本发明利用部署在池塘的传感器采集的水质/环境数据，以及构建的溶解氧垂直分布模型提取的溶解氧垂直分布特征，对这些数据进行数据预处理后输入Informer预测模型进行学习，并得出预测结果。
[0062] 具体的，一种基于Informer模型的池塘溶解氧预测方法，所述的溶解氧预测方法包括：
[0063] 步骤1、布置传感器实时采集池塘的水质/环境数据和养殖场的气象环境数据，获得相关水质和气象原始数据，并对所述相关水质和气象原始数据进行数据预处理；
[0064] 步骤2、基于扩散理论构建溶解氧垂直分布模型，提取溶解氧分布特征；利用Spearman相关系数法针对所述预处理后的水质/环境数据与所述池塘溶解氧浓度进行相关性分析，确定所述相关水质/环境数据中与所述池塘溶解氧浓度的相关性系数，选取相关系数大于0.4的数据参数；
[0065] 步骤3、将步骤2中所述溶解氧垂直分布特征作和相关系数大于0.4的水质/环境参数作为Informer模型的输入，通过Informer模型预测所述池塘的下一时刻的溶解氧浓度值；
[0066] 具体的，步骤1中所述水质环境数据包括池塘水温、pH值、浊度、盐度、氨氮、余氯、化学需氧量、总磷和溶解氧浓度；所述相关气象环境数据包括太阳辐射，大气压强，气温，湿度、光照强度。
[0067] 具体的，步骤1所述的数据预处理包括数据清洗和数据归一化，处理后的数据作可为Informer模型的输入参数，归一化的公式如下：
[0068]
[0069] 其中X*表示归一化处理后的数据，Xmax为所有数据中X的最大值，Xmin为所有数据中X的最小值，Xn为归一化处理后得到的新值。
[0070] 具体的，步骤2所述建立的基于扩散理论的溶解氧垂直分布模型为：
[0071]
[0072] 其中，C是传输物质的浓度，z表示水体的某处的深度，P表示光合速率，Rmac表示水草呼吸作用，Min表示水中有机物的矿化作用。进一步的，用此模型预测溶解氧浓度的的垂直分布后，将此输出作为后续Informer模型的输入。所述的溶解氧垂直分布模型具体建立步骤包括：
[0073] 步骤201：建立扩散方程的扩散项，通常物质在水体中的单方向传输常用一维对流扩散方程描述：
[0074]
[0075] 式中，C是传输物质的浓度，A为水体深度z处的水平面面积，Kz为水体垂直扩散系数，S是各个水层传输物质的净生产速率。Kz与水体中的溶解氧垂直分布以及水域热流分层有关，传统的计算方法为：
[0076] Kz＝α(N2)‑γ
[0077] 其中，α和γ为常数，由水体湍流顶决定，N2由当前位置水体的密度与重力加速度的比值决定。假设在池塘水体某矩形空间内，氧气分子的浓度随着时间产生变化，且氧分子在转移过程中遵循质量守恒定律，那么在单位时间υ内会有J(x)个氧分子通量进入此空间，同时会有J(x+Δx)的氧分子通量离开该空间点。当τ→0，Δx→0时，该空间点的溶解氧浓度变化为：
[0078]
[0079] 结合菲克第一定律：
[0080]
[0081] 并将式中x用池塘深度z代替可得池塘溶解氧垂直扩散方程的扩散项为：
[0082]
[0083] 步骤202：建立光合速率源项，所建立的模型为：
[0084] P＝Pmax×fm(I)×B
[0085] 式中，Pmax表示水草每日最大产氧速率，Pmax＝a×ebT，a为回归系数，b为温度系数；fm(I)为光限制函数， I是水体表面太阳辐射强度，Iopt为水草光合
作用最佳太阳辐射强度；B为水草生物量。
[0086] 步骤203：建立水草呼吸作用源项：所建立的模型为：
[0087] Rmac＝resp×B
[0088] 式中，resp代表水温对呼吸速率的限制函数，resp＝m×enT，m为指数回归系数，n为呼吸作用温度修正系数。
[0089] 步骤204：建立有机物矿化作用源项，所建立的模型为：
[0090]
[0091] 式中，min0为0℃下的标准矿化速率，kT为生化反应温度系数，Oom为每摩尔有机物分子反应需氧量，Com为水体有机物浓度。
[0092] 具体的，步骤2中利用Spearman相关系数法对预处理后的所述相关水质/环境数据进行相关系数分析：
[0093]
[0094] 其中，cov(x,y)表示x和y的协方差；σ(x)表示x的标准差；σ(y)表示y的标准差；xi表示序号为i的变量x； 表示变量x的平均值；yi表示序号为i的变量y； 表示变量y的平均值。
[0095] 具体的，步骤3中所述利用Informer模型预测下个时刻溶解氧浓度，具体包括：
[0096] 步骤301：使用Informer模型对处理后的数据进行训练，学习溶解氧浓度与选定输入参数之间的关系，具体的，Informer模型为编码器‑解码器结构。
[0097] 步骤302：在编码器中，采用ProbSparse自注意力机制，可以在时间复杂度和内存使用方面达到O(LlogL)，其中L是序列长度，具体公式为
[0098]
[0099] 其中，Q表示query，K表示key，V表示value，d表示维度。
[0100] 步骤303：进一步的，在编码器中，采用self‑attention蒸馏机制，对每个注意力层结果上套一个Conv1d，再加一个Maxpooling层，来对每层输出减半，突出主导注意，并有效地处理过长的输入序列，从从j到j+1层的distilling操作的过程如下：
[0101]
[0102] 其中，Conv1d表示时间序列上的一维卷积操作，ELU为激活函数。
[0103] 步骤304：在解码器中，使用并行生成式解码器机制进行预测，具体表现为批量生成式预测直接输出多步预测结果。公式如下：
[0104]
[0105] 其中， 表示占位符(预测值)， 表示开始字符。
[0106] 步骤305：完成模型训练后，使用交叉测试数据集来评估模型的性能，并输出单步或多步预测步长。
[0107] 具体的，步骤1中所述使用高精度传感器实时采集池塘的水质/环境数据，获得相关水质气象原始数据，包括：
[0108] s1：根据实际监测需求动态调整间隔采样时间周期，初始设定为120秒。该动态调整机制允许根据环境变化和特定事件自动调整采样频率，确保在关键时刻获取更高密度的数据。
[0109] s2：在每个采样周期内，采集包括pH值、浊度、盐度、氨氮浓度、化学需氧量、余氯、总磷、溶解氧浓度等水质参数，以及光照强度、风速、湿度、太阳辐射、气温等环境参数。采用智能化策略，根据当前环境状况和历史数据分析结果，自适应调整各参数的采集密度，从而在保证数据全面性的同时，提高采集效率。
[0110] s3：对于每个标准周期内收集的数据，采用数据平滑处理技术，将含有多个数据点的参数值转换为周期内的平均值，确保每种水质和环境参数在最终分析中以单一数据点呈现。这一步骤旨在减少数据噪声，提升模型预测的准确性。
[0111] s4：将处理后的数据集成为单一的水质/环境数据组，用于模型训练和溶解氧水平的实时预测。这确保了每个采样周期的数据都能有效反映池塘的当前状态，为溶解氧预测提供了准确的输入。
