陳英義 程倩倩 成艷君 于輝輝 張 超

(1.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083; 2.農(nóng)業(yè)部農(nóng)業(yè)信息獲取技術(shù)重點(diǎn)實(shí)驗(yàn)室， 北京 100083;3.北京農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心， 北京 100083)

基于GA-BP神經(jīng)網(wǎng)絡(luò)的池塘養(yǎng)殖水溫短期預(yù)測系統(tǒng)

陳英義1,2程倩倩1,3成艷君1,3于輝輝1,3張 超1

(1.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083; 2.農(nóng)業(yè)部農(nóng)業(yè)信息獲取技術(shù)重點(diǎn)實(shí)驗(yàn)室， 北京 100083;3.北京農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心， 北京 100083)

為解決傳統(tǒng)的水溫小樣本非實(shí)時(shí)預(yù)測方法預(yù)測精度低、魯棒性差等問題，基于物聯(lián)網(wǎng)實(shí)時(shí)數(shù)據(jù)，提出了遺傳算法(GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的池塘養(yǎng)殖水溫短期預(yù)測方法，并在此基礎(chǔ)上設(shè)計(jì)開發(fā)了池塘養(yǎng)殖水溫預(yù)測系統(tǒng)，首先采用主成分分析法篩選出影響池塘水溫的關(guān)鍵影響因子，減少輸入元素；然后使用遺傳算法對(duì)初始權(quán)重和閾值進(jìn)行優(yōu)化，獲取最優(yōu)參數(shù)并構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的水溫預(yù)測模型；最后采用Java語言開發(fā)了基于B/S體系結(jié)構(gòu)的預(yù)測系統(tǒng)。該系統(tǒng)在江蘇省宜興市河蟹養(yǎng)殖池塘進(jìn)行了預(yù)測驗(yàn)證。結(jié)果表明：該系統(tǒng)在短期的水溫預(yù)測中具有準(zhǔn)確的預(yù)測效果，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法相比，研究內(nèi)容評(píng)價(jià)指標(biāo)平均絕對(duì)誤差(MAE)、平均絕對(duì)百分誤差(MAPE)和誤差均方根(MSE)分別為0.196 8、0.007 9和0.059 2，均優(yōu)于單一BP神經(jīng)網(wǎng)絡(luò)預(yù)測,可滿足實(shí)際的養(yǎng)殖池塘水溫管理需要。

水產(chǎn)養(yǎng)殖； 水溫預(yù)測系統(tǒng)； 主成分分析； 遺傳算法； BP神經(jīng)網(wǎng)絡(luò)

引言

我國是世界上最大的水產(chǎn)養(yǎng)殖大國，水產(chǎn)品產(chǎn)量約占全世界的70%[1]，水溫是影響?zhàn)B殖水產(chǎn)品健康生長的關(guān)鍵因素之一。溫度的突變會(huì)使魚類抵抗力下降，誘發(fā)疾病甚至死亡，同時(shí)會(huì)引起溶解氧[2]、氨氮[3]等水質(zhì)因子含量的變化，導(dǎo)致水產(chǎn)品出現(xiàn)缺氧、中毒等現(xiàn)象[4]。

水溫預(yù)測研究主要集中于海洋、湖泊[5]大型流動(dòng)水體[6]和池塘育苗[7]。其中，GELEGENIS等[8]基于熱力學(xué)原理對(duì)池塘水溫進(jìn)行預(yù)測研究，模擬了開放式養(yǎng)殖池塘的熱行為。張德林等[9]使用逐步回歸法通過當(dāng)?shù)貧鉁貙?duì)魚塘水溫進(jìn)行預(yù)測，說明了室外水池散熱的主要方式。杜堯東等[10]采用氣溫因子建立了水溫與氣溫的分布滯后模型，并將該模型應(yīng)用在廣州地區(qū)冬季魚塘水溫的預(yù)測中。隨著物聯(lián)網(wǎng)等現(xiàn)代化信息技術(shù)[11]的快速發(fā)展，在水溫預(yù)測模型中引入人工智能算法從而實(shí)現(xiàn)水溫精確的預(yù)測已逐漸成為當(dāng)前預(yù)測模型構(gòu)建的重要方向之一[12-14]。目前關(guān)于養(yǎng)殖池塘水溫預(yù)測的研究較少。由文獻(xiàn)[15]也不難看出，傳統(tǒng)的水溫預(yù)測主要采用數(shù)值計(jì)算和經(jīng)驗(yàn)公式，存在預(yù)測精度低、適用性差等缺陷。

因此，為解決傳統(tǒng)的水溫小樣本非實(shí)時(shí)預(yù)測方法精度低、魯棒性差等問題。本研究提出遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的池塘養(yǎng)殖水溫短期預(yù)測模型，設(shè)計(jì)基于水溫預(yù)測方法的預(yù)測系統(tǒng)。同時(shí)為驗(yàn)證預(yù)測方法及系統(tǒng)的性能，對(duì)江蘇省宜興市河蟹養(yǎng)殖池塘的水質(zhì)參數(shù)進(jìn)行預(yù)測。

1 數(shù)據(jù)獲取

1.1 實(shí)驗(yàn)區(qū)域

本研究選取江蘇省宜興市高塍鎮(zhèn)滆湖養(yǎng)殖區(qū)，作為數(shù)據(jù)獲取的實(shí)驗(yàn)區(qū)域。滆湖位于武進(jìn)西南部和宜興東北部之間，在當(dāng)?shù)匾蚴a(chǎn)大閘蟹而出名。在該養(yǎng)殖區(qū)內(nèi)選取長270 m、寬76 m、水深約1.2 m的池塘作為實(shí)驗(yàn)池塘，在池塘同一深度即距池低30 cm處設(shè)有水溫傳感器，并采用曝氣增氧機(jī)和滾輪增氧機(jī)進(jìn)行增氧。

1.2 數(shù)據(jù)采集

實(shí)驗(yàn)數(shù)據(jù)的采集主要利用基于物聯(lián)網(wǎng)的集約化水產(chǎn)養(yǎng)殖生態(tài)環(huán)境遠(yuǎn)程監(jiān)控系統(tǒng)，對(duì)降水量、風(fēng)速、太陽輻射、空氣溫度、空氣相對(duì)濕度、大氣壓強(qiáng)、水溫等水產(chǎn)養(yǎng)殖生態(tài)環(huán)境數(shù)據(jù)在線采集。并選用宜興市高塍鎮(zhèn)水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)應(yīng)用示范基地河蟹養(yǎng)殖池塘水溫作為研究對(duì)象，其中傳感器等信息采集設(shè)備如圖1所示。池塘里布設(shè)6個(gè)溫度傳感器，岸邊搭建小型氣象站，位置如圖2所示。選取2014年9月12日—16日在線采集的718個(gè)樣本數(shù)據(jù)作為數(shù)據(jù)源，其中600個(gè)樣本作為訓(xùn)練集，118個(gè)樣本作為測試集，分別用來訓(xùn)練和驗(yàn)證水溫預(yù)測模型性能。表1為采集到的部分原始數(shù)據(jù)。

圖1 信息采集設(shè)備Fig.1 Information collection device

圖2 傳感器布設(shè)圖Fig.2 Sensor layout diagram

2 水產(chǎn)養(yǎng)殖水溫關(guān)鍵影響因子篩選

水溫預(yù)測需輸入多種生態(tài)環(huán)境因子，而采集到的數(shù)據(jù)具有多重共線性，所以本文采用主成分分析法[16]對(duì)采集到的生態(tài)環(huán)境數(shù)據(jù)進(jìn)行處理，從而提取影響?zhàn)B殖池塘水溫的關(guān)鍵因子。主要步驟為：

(1)對(duì)高塍鎮(zhèn)池塘養(yǎng)殖環(huán)境的原始數(shù)據(jù)x進(jìn)行數(shù)據(jù)預(yù)處理[17]，包含對(duì)丟失數(shù)據(jù)的修復(fù)、異常值的剔除以及數(shù)據(jù)的歸一化處理。

(2)根據(jù)標(biāo)準(zhǔn)化后的池塘養(yǎng)殖氣象數(shù)據(jù)指標(biāo)計(jì)

表1 實(shí)驗(yàn)基地部分原始數(shù)據(jù)Tab.1 Part of experimental original data

算相關(guān)系數(shù)矩陣。相關(guān)系數(shù)計(jì)算式為

(1)

(3)計(jì)算相關(guān)系數(shù)矩陣特征值及相應(yīng)特征向量。

(4)貢獻(xiàn)率和累計(jì)貢獻(xiàn)率計(jì)算。

(5)計(jì)算主成分載荷矩陣，篩選溫度關(guān)鍵影響因子。

使用SPSS統(tǒng)計(jì)分析軟件對(duì)關(guān)鍵影響因子進(jìn)行篩選，計(jì)算各個(gè)主成分的特征值和貢獻(xiàn)率，如表2所示。鑒于累計(jì)方差貢獻(xiàn)率在80%～85%之間可以作為提取主成分的原則，由表2可看出，前4個(gè)因子的累計(jì)方差貢獻(xiàn)率已達(dá)到了83.664%，因此選擇前4個(gè)因子代替原變量。

表2 解釋的總方差Tab.2 Total variance explained

采用方差極大斜交旋轉(zhuǎn)得到各個(gè)環(huán)境因子對(duì)不同主因子的因子載荷，結(jié)果如表3所示，對(duì)第1因子貢獻(xiàn)最大的有空氣相對(duì)濕度、空氣溫度、太陽輻射；第2因子貢獻(xiàn)較大的是大氣壓強(qiáng)，風(fēng)速和水溫對(duì)第3因子貢獻(xiàn)較大，對(duì)第4因子貢獻(xiàn)較大的是降水量。因此本文選用水溫、太陽輻射、空氣溫度、空氣相對(duì)濕度、降水量、風(fēng)速作為主要成分指標(biāo)，也與養(yǎng)殖領(lǐng)域?qū)＜彝ㄟ^經(jīng)驗(yàn)選擇溫度的關(guān)鍵影響因子基本一致，并選取上述指標(biāo)作為溫度預(yù)測模型的輸入指標(biāo)。通過主成分分析法篩選6個(gè)環(huán)境因子作為模型的輸入變量，簡化了網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)收斂性。

表3 成分矩陣Tab.3 Component matrix

3 池塘養(yǎng)殖水溫短期預(yù)測模型構(gòu)建

3.1 遺傳算法

Holland于1969年首次提出遺傳算法(Genetic algorithm,GA)[18-19]，通過模擬自然界存在的自然選擇和變異現(xiàn)象，基于種群考慮，執(zhí)行選擇、交叉和變異等操作，不斷地進(jìn)化，最終獲得最佳群體。遺傳算法的基本流程[20]：

(1)均勻地產(chǎn)生N個(gè)數(shù)據(jù)，一個(gè)數(shù)據(jù)代表著1個(gè)個(gè)體，構(gòu)成初始群體。

(2)選取合適的適應(yīng)度函數(shù)，計(jì)算群體中每個(gè)個(gè)體的適應(yīng)度。

(3)根據(jù)適應(yīng)度從群體中選擇合適個(gè)體，進(jìn)行交叉和變異操作，計(jì)算所獲取的新個(gè)體適應(yīng)。

(4)判斷是否滿足結(jié)束條件，若滿足則停止操作，否則，重復(fù)步驟(3)。

3.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[21]通過對(duì)原始數(shù)據(jù)進(jìn)行訓(xùn)練，使得訓(xùn)練后的整個(gè)網(wǎng)絡(luò)具有學(xué)習(xí)能力和預(yù)測能力[22]，具體流程如下：

(1)初始化網(wǎng)絡(luò)。首先確定輸入、輸出和隱含層的節(jié)點(diǎn)數(shù)，其中隱含層節(jié)點(diǎn)數(shù)一般由經(jīng)驗(yàn)值或通過實(shí)驗(yàn)確定。其次確定輸入層與隱含層、隱含層與輸出層之間的權(quán)值，初始化隱含層閾值aj，輸出層閾值bk，給定學(xué)習(xí)速率和神經(jīng)元激勵(lì)函數(shù)。

(2)隱含層輸出。已知輸入層和隱含層之間變量,計(jì)算隱含層輸出變量Hj為

(2)

其中

(3)

式中x——輸入變量ωij——輸入層和隱含層之間的連接權(quán)值aj——隱含層閾值l——隱含層節(jié)點(diǎn)數(shù)f——隱含層激勵(lì)函數(shù)

(3)輸出層輸出。通過隱含層和輸出層之間的變量計(jì)算。

(4)

式中bk——隱含層和輸出層之間的閾值Ok——輸出變量ωjk——權(quán)值

(4)誤差計(jì)算。預(yù)測誤差ek由預(yù)測值Ok和實(shí)際值Yk所確定。

ek=Yk-Ok(k=1,2,…,m)

(5)

(5)權(quán)值更新。根據(jù)差值ek重新計(jì)算連接權(quán)值ωij、ωjk，即

(i=1,2,…,n；j=1,2,…,l)

(6)

ωjk=ωjk+ηHiek

(j=1,2,…,l；k=1,2,…,m)

(7)

式中η——學(xué)習(xí)速率

(6)閾值更新。根據(jù)差值ek更新節(jié)點(diǎn)閾值aj、bk。

(7)根據(jù)差值ek判斷是否達(dá)到模型允許范圍或者計(jì)算次數(shù)，如達(dá)到計(jì)算結(jié)束，若沒有達(dá)到，執(zhí)行步驟(2)。

3.3 基于GA-BP神經(jīng)網(wǎng)絡(luò)的池塘養(yǎng)殖水溫預(yù)測模型

由于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)存在易陷入局部極值、收斂速度慢等缺點(diǎn)[23]，而遺傳算法擅于解決非線性和多維空間尋優(yōu)問題[24]，本文將2種算法相結(jié)合，提出基于GA-BP神經(jīng)網(wǎng)絡(luò)的池塘養(yǎng)殖水溫預(yù)測模型。

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(GA-BP神經(jīng)網(wǎng)絡(luò))主要采用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，通過選擇、交叉和變異等操作獲取最優(yōu)的參數(shù)，將獲取的參數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行賦值和訓(xùn)練，最終輸出基于GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型最優(yōu)解,其算法流程如圖3所示。

圖3 算法流程圖Fig.3 Flow chart of algorithm

將采集到的河蟹養(yǎng)殖池塘水溫等環(huán)境因子作為原始數(shù)據(jù)集。通過歸一化處理獲取基于GA-BP神經(jīng)網(wǎng)絡(luò)的養(yǎng)殖池塘水溫預(yù)測模型的樣本集，該預(yù)測模型步驟如下：

(1)將采集到的池塘環(huán)境因子如降水量、水溫、風(fēng)速、空氣溫度、空氣相對(duì)濕度、太陽輻射、大氣壓強(qiáng)數(shù)據(jù)作為原始數(shù)據(jù)集。

(2)采用歸一化方法對(duì)數(shù)據(jù)預(yù)處理，利用主成分分析法篩選出水產(chǎn)養(yǎng)殖關(guān)鍵影響因子。選取其中80%的數(shù)據(jù)作為訓(xùn)練樣本集，剩余的數(shù)據(jù)作為測試樣本集。

(3)計(jì)算種群適應(yīng)度，選取最優(yōu)個(gè)體。使用遺傳算法進(jìn)行選擇、交叉和變異操作，獲取新個(gè)體。

(4)根據(jù)進(jìn)化條件判斷遺傳算法是否結(jié)束，若沒有達(dá)到條件，返回上一步操作。

(5)通過獲取的最優(yōu)參數(shù)對(duì)已確定網(wǎng)絡(luò)結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行賦值和預(yù)測，確定BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)為

(8)

式中m——隱含層節(jié)點(diǎn)數(shù)n——輸入層節(jié)點(diǎn)數(shù)α——常數(shù)，取1～10

本次實(shí)驗(yàn)隱含層的確定通過式(8)的第3種方法，最佳層數(shù)由第1種方法確定即m=5。

(6)更新權(quán)值和閾值，計(jì)算輸出值和實(shí)際值的誤差，判斷誤差是否達(dá)到允許范圍之內(nèi)或達(dá)到計(jì)算次數(shù)。

(7)如果達(dá)到結(jié)束條件，算法結(jié)束，輸出養(yǎng)殖池塘水溫預(yù)測值。否則返回步驟(6)。

3.4 模型評(píng)價(jià)指標(biāo)

為了能夠全面準(zhǔn)確地評(píng)價(jià)水溫預(yù)測模型性能，本文選用平均絕對(duì)誤差(MAE)、平均絕對(duì)百分誤差(MAPE)和均方根誤差(MSE)作為評(píng)價(jià)指標(biāo)，各評(píng)價(jià)指標(biāo)表達(dá)式為

(9)

(10)

(11)

4 系統(tǒng)實(shí)現(xiàn)

采用Java語言開發(fā)，SQL Server2000管理數(shù)據(jù)，基于WEB的B/S體系架構(gòu)，建立了池塘養(yǎng)殖水溫預(yù)測系統(tǒng)。

圖4為溶解氧、水溫、鹽度和pH值的實(shí)時(shí)數(shù)據(jù)采集界面。點(diǎn)擊界面上方“曲線分析”，選擇溫度通道，確定起始時(shí)間，分析歷史水溫曲線如圖5所示。圖6為水溫模型預(yù)測界面，紅色方框一欄表示不同時(shí)刻的養(yǎng)殖池塘水溫預(yù)測值。

圖4 數(shù)據(jù)實(shí)時(shí)監(jiān)控界面Fig.4 Data real-time monitoring interface

圖5 歷史水溫曲線界面Fig.5 Historical water temperature curve interface

圖6 水溫模型預(yù)測界面Fig.6 Water temperature model predictive interface

5 實(shí)驗(yàn)

5.1 實(shí)驗(yàn)數(shù)據(jù)

測試選取的實(shí)驗(yàn)數(shù)據(jù)，為2014年9月12日—16日的河蟹養(yǎng)殖池塘數(shù)據(jù)，包括風(fēng)量、風(fēng)向、風(fēng)速、太陽輻射等。實(shí)驗(yàn)輸入數(shù)據(jù)為降水量、風(fēng)速、太陽輻射、空氣濕度、空氣溫度，輸出數(shù)據(jù)為水溫。

5.2 算法參數(shù)設(shè)置

在系統(tǒng)中，將GA算法參數(shù)設(shè)置為：種群規(guī)模為10，迭代次數(shù)為20，交叉概率和變異概率分別為0.4和0.2。BP網(wǎng)絡(luò)的參數(shù)設(shè)置為：輸入?yún)?shù)為6，隱含層節(jié)點(diǎn)數(shù)為5，輸出節(jié)點(diǎn)數(shù)為1。使用訓(xùn)練集對(duì)模型進(jìn)行優(yōu)化訓(xùn)練，測試集對(duì)模型進(jìn)行驗(yàn)證，選取 MAE、MAPE和MSE作為模型性能的評(píng)價(jià)指標(biāo)。

5.3 預(yù)測結(jié)果分析

適應(yīng)度函數(shù)變化如圖7所示。當(dāng)?shù)螖?shù)為20時(shí)，平均適應(yīng)度和最佳適應(yīng)前期均處于下降趨勢(shì)，隨著迭代次數(shù)的增加逐漸趨于平緩，后期雖有波動(dòng)，但起伏不大，可以得出迭代次數(shù)取20是合理的。

圖7 適應(yīng)度曲線Fig.7 Fitness graphs

圖8表示單一的BP算法和GA-BP神經(jīng)網(wǎng)絡(luò)算法的預(yù)測值與實(shí)際值的比較，可以直觀地看出，GA-BP神經(jīng)網(wǎng)絡(luò)算法和單一BP算法的水溫預(yù)測值變化趨勢(shì)與實(shí)際值變化趨勢(shì)整體上是一致的，但經(jīng)GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測效果更加明顯，預(yù)測結(jié)果相比單一BP算法更接近實(shí)際值，準(zhǔn)確性更高。圖9為BP算法與GA-BP神經(jīng)網(wǎng)絡(luò)2種算法的水溫預(yù)測結(jié)果與實(shí)際值的差值比較，從圖9可以看出GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測曲線被分為兩部分，樣本數(shù)量為30之前即預(yù)測前5 h，預(yù)測結(jié)果與實(shí)際水溫的差值幾乎為0，可以精確地預(yù)測下一時(shí)刻溫度；當(dāng)樣本數(shù)量超過30時(shí)，誤差曲線出現(xiàn)波動(dòng)，與BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差的變化趨勢(shì)以及誤差基本一致，預(yù)測結(jié)果和實(shí)際值存在誤差，預(yù)測結(jié)果不理想。

圖8 BP與GA-BP結(jié)果比較Fig.8 Results comparison of BP and GA-BP

由于模型的訓(xùn)練樣本有限，網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)簡單，當(dāng)樣本數(shù)小于30時(shí)，提出的模型能夠很好地?cái)M合這些數(shù)據(jù)，預(yù)測結(jié)果接近真實(shí)值。當(dāng)樣本數(shù)超過30時(shí)，模型出現(xiàn)過擬合現(xiàn)象，導(dǎo)致預(yù)測值和實(shí)際值出現(xiàn)誤差。所以提出的模型適應(yīng)于短期的水溫預(yù)測。

圖9 BP與GA-BP誤差比較Fig.9 Error comparison of BP and GA-BP

由表4可知，遺傳優(yōu)化BP算法比單一BP算法在預(yù)測精度上有明顯的提高，普通BP準(zhǔn)確率為98.75%，而遺傳優(yōu)化后的BP準(zhǔn)確率達(dá)到了99.21%。GA-BP模型的MAE、MAPE和MSE分別為0.196 8、0.007 9和0.059 2，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相比，MAE、MAPE和MSE分別提高了36.2%、36.8%和 57.2%。由此可見，預(yù)測前5 h，GA-BP算法預(yù)測精度比BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度高，預(yù)測值與實(shí)際值誤差基本為零，能夠很好地預(yù)測養(yǎng)殖池塘溫度，隨著時(shí)間的增加，從預(yù)測結(jié)果比較可以看出，預(yù)測值與實(shí)際值均出現(xiàn)較大波動(dòng)的現(xiàn)象，預(yù)測結(jié)果和實(shí)際值存在一定的誤差，預(yù)測結(jié)果不理想。

表4 BP與GA-BP算法評(píng)價(jià)指標(biāo)Tab.4 Evaluation index of BP and GA-BP

6 結(jié)束語

針對(duì)傳統(tǒng)水溫預(yù)測方法存在預(yù)測精度低、魯棒性差等問題，提出了基于GA-BP神經(jīng)網(wǎng)絡(luò)的池塘養(yǎng)殖水溫短期預(yù)測模型，通過GA優(yōu)化BP網(wǎng)絡(luò)，得到最優(yōu)權(quán)值和閾值，解決了BP神經(jīng)網(wǎng)絡(luò)易陷入局部極值問題，提高了模型的收斂速度和預(yù)測精度。并設(shè)計(jì)了養(yǎng)殖池塘水溫預(yù)測系統(tǒng)，實(shí)現(xiàn)了池塘水溫的在線預(yù)測功能。結(jié)果表明，本文方法在短期水溫預(yù)測方面具有很好的預(yù)測性能和泛化能力?；贕A-BP神經(jīng)網(wǎng)絡(luò)的池塘養(yǎng)殖水溫預(yù)測模型提高了預(yù)測精度，水溫預(yù)測系統(tǒng)可提前5 h準(zhǔn)確預(yù)測水溫的變化，基本滿足實(shí)際生產(chǎn)需要，具有一定的實(shí)用價(jià)值。

1 杜永貴.基于機(jī)器學(xué)習(xí)的跨平臺(tái)水產(chǎn)精準(zhǔn)養(yǎng)殖管理系統(tǒng)設(shè)計(jì)[D].太原:太原理工大學(xué), 2016. DU Yonggui. Design of cross platform aquaculture management system based on machine learning[D].Taiyuan:Taiyuan University of Technology, 2016.(in Chinese)

2 ALI S, MISHRA P K, ISLAM A, et al. Simulation of water temperature in a small pond using parametric statistical models:implications of climate warming[J]. Journal of Environmental Engineering, 2016,142(3):040150853.

3 HUESEMANN M, CROWE B, WALLER P, et al. A validated model to predict microalgae growth in outdoor pond cultures subjected to fluctuating light intensities and water temperatures[J]. Algal Research-Biomass Biofuels and Bioproducts, 2016,13:195-206.

4 倪玉紅, 孫擎, 王學(xué)林, 等. 盱眙龍蝦池塘夏季水溫與溶解氧變化特征及預(yù)報(bào)模型研究[J]. 中國農(nóng)學(xué)通報(bào),2015,31(32):33-39. NI Yuhong, SUN Qing, WANG Xuelin, et al. Changing characteristics and prediction model of water temperature and dissolved oxygen in xuyi lobster pond in summer[J].Chinese Agricultural Science Bulletin,2015,31(32):33-39.(in Chinese)

5 張玉超,錢新,錢瑜,等.太湖水溫分層現(xiàn)象的監(jiān)測與分析[J].環(huán)境科學(xué)與管理,2008,33(6):117-121 ZHANG Yuchao,QIAN Xin, QIAN Yu, et al. Field measurement and analysis on diumal stratification in taihu lake[J].Environmental Science and Management,2008,33(6):117-121.(in Chinese)

6 陳永燦,張寶旭,李玉梁.密云水庫垂向水溫預(yù)測模型研究[J].水利學(xué)報(bào),1998,29(9):14-20. CHEN Yongcan,ZHANG Baoxu, LI Yuliang.Study on model for vertical distribution of water temperature in Miyun Reservoir[J].Journal of Hydraulic Engineering,1998,29(9):14-20.(in Chinese)

7 徐龍琴, 張軍, 李乾川, 等.基于EMD和ELM的工廠化育苗水溫組合預(yù)測模型[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016,47(4):265-271.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160435&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.04.035. XU Longqin, ZHANG Jun, LI Qianchuan, et al. Combined prediction model of water temperature in industrialized cultivation based on empirical mode decomposition and extreme learning machine[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016,47(4):265-271.(in Chinese)

8 GELEGENIS J, DALABAKIS P, ILIAS A. Heating of a fish wintering pond using low-temperature geothermal fluids, Porto Lagos, Greece[J]. Geothermics, 2006, 35(1): 87-103.

9 張德林,李軍,薛正平,等.設(shè)施魚塘冬春季水溫日變化特點(diǎn)及其外界氣溫的統(tǒng)計(jì)模式[J].上海農(nóng)業(yè)學(xué)報(bào), 2010,26(1):60-64. ZHANG Delin, LI Jun, XUE Zhengping, et al. Characteristics of daily temperature change in protected fish pond in winter and spring and its statistical models with environmental air temperature[J].Acta Agriculturae Shanghai,2010,26(1):60-64.(in Chinese)

10 杜堯東,劉錦鑾,何健,等.廣東地區(qū)冬季魚塘水溫特征及其預(yù)測預(yù)報(bào)[J].生態(tài)學(xué)雜志,2004,23(4):52-56. DU Yaodong, LIU Jinluan, HE Jian, et al. Characteristics of water temperature of fishing pond and its forecast in winter in Guangzhou area[J].Chinese Journal of Ecology,2004,23(4):52-56.(in Chinese)

11 文丹楓. 現(xiàn)代信息技術(shù)推進(jìn)我國農(nóng)業(yè)現(xiàn)代化研究[D].武漢:華中師范大學(xué), 2015. WEN Danfeng. The modern information technology to promote the status and countermeasures of agricultural modernization in China[D].Wuhan:Central China Normal University,2015.(in Chinese)

12 宋益春. 智能算法在水產(chǎn)養(yǎng)殖水質(zhì)預(yù)測中的應(yīng)用研究[D].無錫:江南大學(xué), 2015. SONG Yichun. Application research of intelligent algorithm in the prediction of water quality in aquaculture[D].Wuxi:Jiangnan University,2005.(in Chinese)

13 SUN M, CHEN J, LI D. Water temperature prediction in sea cucumber aquaculture ponds by RBF neural network model[J]. IFIP Advances in Information & Communication Technology, 2013, 392:425-436.

14 徐大明, 周超, 孫傳恒, 等. 基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的水產(chǎn)養(yǎng)殖水溫及pH預(yù)測模型[J]. 漁業(yè)現(xiàn)代化, 2016,43(1):24-29. XU Daming, ZHOU Chao, SUN Chuanheng, et al. Prediction model of aquaculture water temperature and pH based on BP neural network optimized by pariticle swarm algorithm[J].Fisher Modernization,2016,43(1):24-29.(in Chinese)

15 岑伯明, 陳漢春, 鄭曉靜, 等. 淡水養(yǎng)殖池塘水溫預(yù)測預(yù)報(bào)模型的應(yīng)用與檢驗(yàn)[J]. 浙江海洋學(xué)院學(xué)報(bào):自然科學(xué)版, 2013(6):561-563. CEN Boming, CHEN Hanchun, ZHENG Xiaojing, et al. The application and inspection of prediction model for water temperature in freshwater aquaculture pond[J].Journal of Zhejiang Ocean University:Natural Science,2013(6):561-563.(in Chinese)

16 梁娜. 基于神經(jīng)網(wǎng)絡(luò)與主成分分析的組合預(yù)測研究[D].武漢:武漢理工大學(xué), 2007. LIANG Na. The study of combinational forecasting based on network and principal component analysis[D].Wuhan:Wuhan University of Technology,2007.(in Chinese)

17 劉雙印, 徐龍琴, 李振波, 等. 基于PCA-MCAFA-LSSVM的養(yǎng)殖水質(zhì)pH值預(yù)測模型[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014,45(5):239-246.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20140537&journal_id=jcsam.DOI: 10.6041/j.issn.1000-1298.2014.05.037. LIU Shuangyin, XU Longqin,LI Zhenbo,et al. Forecasting model for ph value of aquaculture water quality based on PCA-MCAFA-LSSVM[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2014,45(5):239-246.(in Chinese)

18 GOLDBERG D E. Genetic algorithms in search optimization and machine learning[M].Boston:Addison-Wesley Longnan Press,1989.

19 WU L, REN H, BI W. Review of the genetic algorithm for nonlinear equations[J]. Electronic Science and Technology, 2014,27(4):173-178.

20 葛繼科, 邱玉輝, 吳春明, 等. 遺傳算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究, 2008(10):2911-2916. GE Jike, QIU Yuhui, WU Chunming, et al. Summary of genetic algorithms research[J].Application Research of Computers,2008(10):2911-2916.(in Chinese)

21 隋惠惠.基于BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測的研究[D].哈爾濱:哈爾濱工業(yè)大學(xué), 2015. SUI Huihui. Research on short-term electric load forecasting based on BP neural network[D].Harbin:Harbin Institute of Technology,2015.(in Chinese)

22 CHEN Y, XU J, YU H, et al. Three-dimensional short-term prediction model of dissolved oxygen content based on PSO-BPANN algorithm coupled with Kriging interpolation[J].Mathematical Problems in Engineering, 2016(2016):Article ID 6564202.

23 田凱, 孫永泰, 高慧,等. 貝葉斯算法BP神經(jīng)網(wǎng)絡(luò)缺陷量化研究[J].中國測試, 2014, 40(3):93-97. TIAN Kai, SUN Yongtai, GAO Hui,et al. Quantification of slowly varying defect using BP neural network based on Bayesian algorithm[J].China Measurement & Test, 2014, 40(3):93-97.(in Chinese)

24 馬曉敏, 王新.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)改進(jìn)[J].云南大學(xué)學(xué)報(bào):自然科學(xué)版, 2013,35(增刊2):34-38. MA Xiaomin, WANG Xin. An improved BP neural network algorithm based on genetic algorithm[J]. Journal of Yunnan University:Natural Science Edition, 2013，35(Supp.2):34-38.(in Chinese)

Short-term Prediction System of Water Temperature in Pond Aquaculture Based on GA-BP Neural Network

CHEN Yingyi1,2CHENG Qianqian1,3CHENG Yanjun1,3YU Huihui1,3ZHANG Chao1

(1.CollegeofInformationandElectricalEngineering,ChinaAgriculturalUniversity,Beijing100083,China2.KeyLaboratoryofAgriculturalInformationAcquisitionTechnology,MinistryofAgriculture,Beijing100083,China3.BeijingEngineeringandTechnologyResearchCenterforInternetofThingsinAgriculture,Beijing100083,China)

The pond water temperature is one of the most important parameters which directly affect the feeding, growth, livability and reproduction of aquaculture animals. Thus it is significant to grasp the pond water temperature change for the healthy aquaculture. In order to solve the problems of low precision and poor robustness of traditional forecasting methods, a short-term prediction model of water temperature in aquaculture pond was proposed based on BP neural network optimized by genetic algorithm, and pond aquaculture water temperature prediction system was designed and developed. Firstly, the principal component analysis (PCA) was used to ensure the factors that influenced the water temperature in aquaculture pond. Secondly, the genetic algorithm and BP neural network were integrated to optimize initial weights and threshold. The method not only can get optimal parameter, but also can reduce the errors generated by random initialization. Thirdly, the short-term prediction system was developed by using Java language based on B/S architecture. Finally, the system was applied in Yixing City, Jiangsu Province. Results showed that the mean absolute error (MAE), mean absolute percentage error (MAPE) and root mean square error (RMSE) from GA-BP neural network method were 0.196 8, 0.007 9 and 0.059 2, respectively. It was clear that GA-BP neural network was better than BP neural network algorithm. The research result met the practical needs of the pond water temperature management.

aquaculture; water temperature prediction system; principal component analysis; genetic algorithm; BP neural network

10.6041/j.issn.1000-1298.2017.08.019

2016-12-04

2016-12-30

山東省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2015GGX101041)、上海市科技興農(nóng)重點(diǎn)攻關(guān)項(xiàng)目(滬農(nóng)科攻字(2014)第4-6-2號(hào))和廣東省海大集團(tuán)基于物聯(lián)網(wǎng)技術(shù)的智慧水產(chǎn)養(yǎng)殖系統(tǒng)院士工作站(2012B090500008)

陳英義(1980—)，男，副教授，博士生導(dǎo)師，主要從事農(nóng)業(yè)模型和信息處理技術(shù)研究，E-mail： chenyingyi@cau.edu.cn

張超(1972—)，男，教授，博士生導(dǎo)師，主要從事遙感技術(shù)及其農(nóng)業(yè)與土地應(yīng)用研究，E-mail: 05022@cau.edu.cn

TP391； S95

A

1000-1298(2017)08-0172-07