基于DeepAR-RELM的池塘溶解氧时空预测方法研究

发布时间：2021-07-28 00:49

　　水体溶解氧（Dissolved oxygen,DO）是养殖水产品健康生长的重要生态因子。池塘溶解氧易受多种因素的影响,会产生时间和空间上分布的差异,现有的溶解氧预测方法大多是针对单监测点的时间序列预测,无法描述池塘溶解氧的空间分布,因此,对池塘溶解氧进行时间和空间预测非常重要。本文提出一种基于自回归循环神经网络（Autoregressive recurrent neural network,Deep AR）和正则化极限学习机（Regularized extreme learning machine,RELM）的池塘溶解氧时空预测方法。首先采用样本熵（Sample entropy,SE）衡量各个监测点溶解氧序列的波动程度,采用最大互信息系数（Maximum mutual information coefficient,MIC）衡量监测点溶解氧序列之间的相关性,综合选取出溶解氧序列波动程度较小且与各个监测点相关性较大的监测点作为中心监测点,并以中心监测点为原点,建立池塘空间坐标系;其次采用DeepAR算法构建中心监测点的溶解氧时间序列预测模型,实现中心监测点溶解氧时间序列预测;最后采用RE... 

【文章来源】：农业机械学报. 2020,51(S1)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

不同水层溶解氧含量预测结果

以江苏省宜兴市高滕镇物联网水产养殖基地的蟹塘为实验场地，池塘中部署了溶解氧等多种水质传感器，池塘边安置一个小型气象站，采集数据类型如表1所示。本文采集2019年7月9—22日8个溶解氧监测传感器共15 536条监测数据。蟹塘中8个溶解氧监测点的位置分布俯视图和剖面图如图1所示，在水平方向呈现三角分布，在垂直方向分为上、中、下3层，可以在得到池塘溶解氧更大监测范围的同时，掌握不同位置不同水层溶解氧的变化。在点E、F处于垂直方向分别放置3个传感器，分别距水面0.2、0.4、0.6 m，点D处水位较浅，放置2个传感器，分别距水面0.2、0.4 m，其中点E2处传感器采集的水质参数包括溶解氧含量、水温、p H值、叶绿素含量、浊度，其余点只采集溶解氧参数。系统采集数据时，受到浑浊水质以及网络抖动等影响，会造成采集样本中存在异常值和缺失值，处理方法如下:

具体步骤如下:(1)中心监测点选取。根据各个监测点原始溶解氧序列的样本熵以及序列之间的最大互信息系数综合选取中心监测点，并以中心监测点为原点建立池塘空间坐标系。(2)时间序列预测。采用Deep AR算法构建中心监测点的溶解氧时间序列预测模型，实现中心监测点溶解氧时间序列预测。(3)空间预测。采用RELM算法构建中心监测点与池塘各点溶解氧之间的空间映射关系模型，实现池塘溶解氧的空间预测。1.3 中心监测点选取方法


本文编号：3306863