段青玲 劉怡然 張 璐 李道亮

(中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083)

0 引言

我國水產(chǎn)養(yǎng)殖產(chǎn)量居世界第一，占全球總產(chǎn)量的65%。近20年，養(yǎng)殖產(chǎn)量增長了2倍，為我國城鄉(xiāng)居民提供了1/3的優(yōu)質(zhì)動物蛋白，對保障國家食物安全發(fā)揮了重大作用。但是，傳統(tǒng)水產(chǎn)養(yǎng)殖模式帶來的生產(chǎn)效率低、環(huán)境壓力大和養(yǎng)殖風(fēng)險高問題越發(fā)嚴(yán)重，勞動力成本持續(xù)提高、勞動力來源老齡化嚴(yán)重進(jìn)一步加深了因粗放的生產(chǎn)方式而導(dǎo)致的生產(chǎn)率低下的難題。高效、生態(tài)、精準(zhǔn)、智能的水產(chǎn)養(yǎng)殖是我國水產(chǎn)養(yǎng)殖業(yè)未來發(fā)展的必由之路。水產(chǎn)養(yǎng)殖對象特殊、環(huán)境復(fù)雜、影響因素眾多，精準(zhǔn)的監(jiān)測、檢測和優(yōu)化控制極其困難。大數(shù)據(jù)技術(shù)結(jié)合數(shù)學(xué)模型，把水產(chǎn)養(yǎng)殖產(chǎn)生的大量數(shù)據(jù)加以處理和分析，并將有用的結(jié)果以直觀的形式呈現(xiàn)給生產(chǎn)者與決策者，是解決上述難題的根本途徑。

水產(chǎn)養(yǎng)殖大數(shù)據(jù)技術(shù)是大數(shù)據(jù)技術(shù)在水產(chǎn)養(yǎng)殖領(lǐng)域的具體應(yīng)用技術(shù)，通過對水產(chǎn)養(yǎng)殖數(shù)據(jù)進(jìn)行獲取、分類、加工、管理、挖掘、分析，最終把有價值的信息提取出來，提供給生產(chǎn)者和決策者，進(jìn)而實(shí)現(xiàn)水產(chǎn)品的精準(zhǔn)化、智能化和最優(yōu)化養(yǎng)殖。水產(chǎn)養(yǎng)殖大數(shù)據(jù)技術(shù)中數(shù)據(jù)是根本和前提，分析是核心，利用是目的。通過對水產(chǎn)品的生產(chǎn)、消費(fèi)、存儲、流通、深入加工等全產(chǎn)業(yè)鏈數(shù)據(jù)的全面采集與獲取，智能化分析、挖掘與處理，構(gòu)建水產(chǎn)養(yǎng)殖大數(shù)據(jù)平臺，推廣大數(shù)據(jù)應(yīng)用，實(shí)現(xiàn)大數(shù)據(jù)共享，提供大數(shù)據(jù)服務(wù)，從而優(yōu)化水產(chǎn)養(yǎng)殖資源配置，提高水產(chǎn)養(yǎng)殖生產(chǎn)效率，降低養(yǎng)殖風(fēng)險。近年來，國內(nèi)外學(xué)者已經(jīng)對水產(chǎn)品養(yǎng)殖生理、養(yǎng)殖、市場和生態(tài)效應(yīng)進(jìn)行了大量的研究，積累了海量的數(shù)據(jù)和模型，隨著大數(shù)據(jù)技術(shù)的發(fā)展與應(yīng)用，水產(chǎn)養(yǎng)殖產(chǎn)業(yè)將進(jìn)入新的發(fā)展時代。基于此，本文對水產(chǎn)養(yǎng)殖大數(shù)據(jù)應(yīng)用技術(shù)進(jìn)行總結(jié)，為大數(shù)據(jù)技術(shù)在水產(chǎn)養(yǎng)殖業(yè)中的深入應(yīng)用提供支持。

圖1 水產(chǎn)養(yǎng)殖大數(shù)據(jù)技術(shù)架構(gòu)Fig.1 Technical framework of big data in aquaculture

1 水產(chǎn)養(yǎng)殖大數(shù)據(jù)技術(shù)研究進(jìn)展

水產(chǎn)養(yǎng)殖大數(shù)據(jù)是指利用大數(shù)據(jù)的理念和相關(guān)技術(shù)，對水產(chǎn)養(yǎng)殖全產(chǎn)業(yè)鏈產(chǎn)生的大量數(shù)據(jù)進(jìn)行處理和分析，來解決水產(chǎn)養(yǎng)殖領(lǐng)域的資源利用率不高、生態(tài)環(huán)境惡化、生產(chǎn)效率效益低等問題，并從中發(fā)現(xiàn)新知識、創(chuàng)造新價值、提升新能力的新一代信息技術(shù)和服務(wù)業(yè)態(tài)[1]。目前，大數(shù)據(jù)技術(shù)在我國水產(chǎn)養(yǎng)殖業(yè)已有初步的應(yīng)用，但總體上仍處于試驗(yàn)示范階段，本文從水產(chǎn)養(yǎng)殖大數(shù)據(jù)技術(shù)架構(gòu)、數(shù)據(jù)來源、處理和分析方法、應(yīng)用平臺等方面闡述水產(chǎn)養(yǎng)殖大數(shù)據(jù)技術(shù)的研究進(jìn)展。

1.1 水產(chǎn)養(yǎng)殖大數(shù)據(jù)技術(shù)架構(gòu)

水產(chǎn)養(yǎng)殖大數(shù)據(jù)技術(shù)架構(gòu)如圖1所示，右面是水產(chǎn)養(yǎng)殖業(yè)中所應(yīng)用大數(shù)據(jù)技術(shù)的總稱及其所處層次，左面是相應(yīng)層級所包含的主要技術(shù)類別。金字塔底層是海量水產(chǎn)養(yǎng)殖大數(shù)據(jù)的來源，自下而上地，數(shù)據(jù)采集技術(shù)用于采集水產(chǎn)養(yǎng)殖生產(chǎn)、加工和銷售過程中產(chǎn)生的數(shù)據(jù)；數(shù)據(jù)存儲與計算技術(shù)用于存儲和處理水產(chǎn)養(yǎng)殖大數(shù)據(jù)；數(shù)據(jù)分析與挖掘技術(shù)用于構(gòu)建水產(chǎn)養(yǎng)殖數(shù)據(jù)分析與挖掘模型并將它們集成在水產(chǎn)養(yǎng)殖大數(shù)據(jù)平臺上，將數(shù)據(jù)分析結(jié)果和數(shù)據(jù)服務(wù)提供給用戶進(jìn)行決策。每個層次的數(shù)據(jù)量依次遞減，但每個層次中數(shù)據(jù)的價值卻依次遞增。

1.2 水產(chǎn)養(yǎng)殖大數(shù)據(jù)來源

水產(chǎn)養(yǎng)殖是一個涉及多變的物理世界和人類社會的復(fù)雜系統(tǒng)，在其生產(chǎn)、經(jīng)營、管理和服務(wù)等各種活動中，產(chǎn)生具有潛在價值的、海量的、活的數(shù)據(jù)，即為水產(chǎn)養(yǎng)殖大數(shù)據(jù)。水產(chǎn)數(shù)據(jù)資源來源豐富、結(jié)構(gòu)復(fù)雜、質(zhì)量參差、用途廣泛，經(jīng)過針對水產(chǎn)養(yǎng)殖領(lǐng)域應(yīng)用需要的整理和設(shè)計，采用合理的方式在計算機(jī)中表示、存儲和管理，以便于使用和傳播[2-3]。水產(chǎn)養(yǎng)殖大數(shù)據(jù)的主要來源是互聯(lián)網(wǎng)數(shù)據(jù)、物聯(lián)網(wǎng)感知數(shù)據(jù)、產(chǎn)業(yè)管理系統(tǒng)、專業(yè)數(shù)據(jù)庫和傳統(tǒng)數(shù)據(jù)源。表1從獲取方式、數(shù)據(jù)類型、獲取難度和數(shù)據(jù)質(zhì)量幾方面比較了水產(chǎn)養(yǎng)殖大數(shù)據(jù)的主要來源。

表1 水產(chǎn)養(yǎng)殖大數(shù)據(jù)的主要來源比較Tab.1 Comparison of the main data source of aquaculture industry

(1)互聯(lián)網(wǎng)數(shù)據(jù)

互聯(lián)網(wǎng)數(shù)據(jù)數(shù)量龐大且容易獲取，其主要獲取方式是通過網(wǎng)絡(luò)爬蟲和網(wǎng)絡(luò)服務(wù)接口。如表2所示，隨著水產(chǎn)養(yǎng)殖業(yè)信息化程度的提升，目前已有眾多水產(chǎn)行業(yè)網(wǎng)站，主要內(nèi)容有水產(chǎn)養(yǎng)殖技術(shù)、市場價格信息、病害風(fēng)險預(yù)警和水產(chǎn)相關(guān)知識等數(shù)據(jù)，如中國水產(chǎn)網(wǎng)、中國水產(chǎn)養(yǎng)殖網(wǎng)和中國水產(chǎn)門戶網(wǎng)等。另外，政府、非營利組織和企業(yè)信息公開網(wǎng)站向全社會提供的數(shù)據(jù)資源服務(wù)，能夠促進(jìn)數(shù)據(jù)資源的深度挖掘利用，如漁業(yè)與水產(chǎn)科學(xué)數(shù)據(jù)分中心。由于網(wǎng)站設(shè)計的多樣性和網(wǎng)站內(nèi)容的豐富性，水產(chǎn)網(wǎng)站中多為半結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)，如圖片、文本、音頻、視頻等。

(2)物聯(lián)網(wǎng)感知數(shù)據(jù)

水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)感知數(shù)據(jù)主要包括養(yǎng)殖環(huán)境參數(shù)、水產(chǎn)動植物個體/群體參數(shù)和水產(chǎn)品個體/群體行為參數(shù)、養(yǎng)殖裝備參數(shù)，通過物聯(lián)網(wǎng)感知設(shè)備進(jìn)行感知與識別。主要的物聯(lián)網(wǎng)感知設(shè)備有水質(zhì)參數(shù)傳感器、水下機(jī)器人、水下相機(jī)、水下攝像頭和氣象站等。水產(chǎn)養(yǎng)殖環(huán)境參數(shù)以流數(shù)據(jù)為主，其特點(diǎn)是實(shí)時性、時序性和連續(xù)性，大規(guī)模流數(shù)據(jù)處理和挖掘成為研究者們主要探索的領(lǐng)域[4-5]。在水產(chǎn)養(yǎng)殖過程中，最受養(yǎng)殖戶和研究者關(guān)注的是溶解氧含量、水溫、酸堿度、電導(dǎo)率和氨氮等水體環(huán)境參數(shù)，主要通過傳感器獲取，表3是主要的水體信息傳感器。其次是水產(chǎn)養(yǎng)殖動植物水產(chǎn)品個體/群體參數(shù)和水產(chǎn)品個體/群體行為參數(shù)，主要是通過采集圖像和視頻獲取，利用計算機(jī)視覺技術(shù)識別其形狀特征、紋理特征和顏色特征等進(jìn)而對其行為進(jìn)行估計。再次是水產(chǎn)養(yǎng)殖裝備狀態(tài)參數(shù)，主要通過傳感器和射頻裝置獲得。以上數(shù)據(jù)實(shí)時采集，每年產(chǎn)生的數(shù)據(jù)量呈井噴式增長。

表2 水產(chǎn)行業(yè)主要網(wǎng)站及其內(nèi)容Tab.2 Major websites and their subjects in aquaticulture industry

表3 主要水體信息傳感器Tab.3 Major water information sensors

(3)產(chǎn)業(yè)管理系統(tǒng)

產(chǎn)業(yè)管理系統(tǒng)主要是指政府的漁業(yè)產(chǎn)業(yè)管理系統(tǒng)、統(tǒng)計年鑒和企業(yè)的生產(chǎn)管理系統(tǒng)。產(chǎn)業(yè)管理系統(tǒng)供政府工作人員辦公使用，如各地漁業(yè)部門通過中國漁業(yè)政務(wù)網(wǎng)向漁業(yè)局報送各水產(chǎn)統(tǒng)計數(shù)據(jù)。統(tǒng)計年鑒是與水產(chǎn)的生產(chǎn)、市場、流通等相關(guān)的統(tǒng)計數(shù)據(jù)的可靠來源；由于統(tǒng)計數(shù)據(jù)描述一定地域范圍內(nèi)的整體情況，無法進(jìn)行細(xì)粒度的數(shù)據(jù)分析和挖掘。企業(yè)的生產(chǎn)管理系統(tǒng)中除了物聯(lián)網(wǎng)采集的水產(chǎn)養(yǎng)殖環(huán)境參數(shù)和水產(chǎn)個體/群體行為參數(shù)，還有關(guān)于投喂、病害、用藥、換水等日常管理操作的記錄，這些數(shù)據(jù)的質(zhì)量雖然不如水產(chǎn)專業(yè)知識庫，但其研究價值較高。

(4)專業(yè)數(shù)據(jù)庫

與水產(chǎn)相關(guān)的數(shù)據(jù)庫資源主要有水產(chǎn)行業(yè)數(shù)據(jù)庫和文獻(xiàn)數(shù)據(jù)庫等。水產(chǎn)行業(yè)數(shù)據(jù)庫，由水產(chǎn)養(yǎng)殖領(lǐng)域?qū)＜液蛙浖_發(fā)工程師聯(lián)合建設(shè)，包含了水產(chǎn)養(yǎng)殖領(lǐng)域相關(guān)數(shù)據(jù)、知識和經(jīng)驗(yàn)，數(shù)據(jù)質(zhì)量很高，其自動化更新和維護(hù)是當(dāng)前研究的重點(diǎn)和難點(diǎn)。文獻(xiàn)數(shù)據(jù)庫是指數(shù)字出版平臺提供的學(xué)科專業(yè)數(shù)字圖書館和行業(yè)圖書館中與水產(chǎn)有關(guān)的文獻(xiàn)資料，主要包括期刊雜志、博士論文、碩士論文、會議論文、報紙、工具書、專利和標(biāo)準(zhǔn)等，是質(zhì)量較高的知識級數(shù)據(jù)。

(5)傳統(tǒng)數(shù)據(jù)源

傳統(tǒng)數(shù)據(jù)源是指水產(chǎn)業(yè)信息化程度較低的階段數(shù)據(jù)的主要來源，如紙質(zhì)文獻(xiàn)，水產(chǎn)養(yǎng)殖專家、水產(chǎn)養(yǎng)殖企業(yè)和養(yǎng)殖戶的手工記錄。這些數(shù)據(jù)可通過問卷調(diào)查、專家訪談、紙質(zhì)文獻(xiàn)查閱和養(yǎng)殖日志查閱等非電子方式獲取，再錄入到計算機(jī)中。手工錄入的數(shù)據(jù)經(jīng)過加工和整理，符合人類思維方式，但有可能具有主觀性或者存在錄入錯誤的情況發(fā)生。

1.3 水產(chǎn)養(yǎng)殖大數(shù)據(jù)存儲與計算

水產(chǎn)養(yǎng)殖大數(shù)據(jù)存儲與計算主要解決的是水產(chǎn)養(yǎng)殖大數(shù)據(jù)如何存儲和如何使用的問題。由于水產(chǎn)養(yǎng)殖大數(shù)據(jù)的多源異構(gòu)性，需要對數(shù)據(jù)進(jìn)行融合處理才能存入目標(biāo)數(shù)據(jù)庫或進(jìn)一步處理分析；又由于水產(chǎn)養(yǎng)殖大數(shù)據(jù)多樣的處理要求，數(shù)據(jù)在存儲和處理時也需要有針對性的方法。

1.3.1多源水產(chǎn)養(yǎng)殖大數(shù)據(jù)融合

多源數(shù)據(jù)融合技術(shù)是將來源廣泛的、用不同手段獲得的數(shù)據(jù)綜合到一起，分為數(shù)據(jù)級融合、特征級融合和決策級融合[6]。數(shù)據(jù)級融合技術(shù)在水產(chǎn)養(yǎng)殖領(lǐng)域主要用于提升物聯(lián)網(wǎng)所采集數(shù)據(jù)的質(zhì)量，由于傳感器類型、生產(chǎn)廠家的差異，水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)采集的數(shù)據(jù)通常是多源異構(gòu)的，另一方面，傳感器感知到的數(shù)據(jù)可能存在冗余性?？娦路f等[7]采用自適應(yīng)加權(quán)融合算法，對水產(chǎn)養(yǎng)殖環(huán)境監(jiān)控系統(tǒng)中放置在8個不同位置的水溫傳感器所采集的數(shù)據(jù)進(jìn)行了融合處理，數(shù)據(jù)精度得到提升。陳明等[8]使用BP神經(jīng)網(wǎng)絡(luò)對南美白對蝦集約化養(yǎng)殖監(jiān)控系統(tǒng)中的水溫等6個參數(shù)進(jìn)行了融合。毛力等[9]基于聚類分析法對水溫、溶解氧、pH 值、氨氮含量等水質(zhì)參數(shù)進(jìn)行了數(shù)據(jù)融合處理，并結(jié)合計算機(jī)視覺技術(shù)量化了魚類行為學(xué)行為特征參數(shù)，基于極限學(xué)習(xí)機(jī)融合水質(zhì)參數(shù)與魚類行為共同表征水質(zhì)狀況。HASSAN等[10]深入分析了一些特征級和決策級的數(shù)據(jù)融合研究，主要包括采集傳感器網(wǎng)絡(luò)數(shù)據(jù)和視頻圖像共同對水產(chǎn)養(yǎng)殖環(huán)境進(jìn)行監(jiān)測，建立投喂模型和進(jìn)行疾病診斷。數(shù)據(jù)級融合技術(shù)在水產(chǎn)養(yǎng)殖領(lǐng)域有較廣泛的應(yīng)用，但特征級和決策級融合研究較少，是水產(chǎn)養(yǎng)殖大數(shù)據(jù)今后研究的重點(diǎn)。

1.3.2水產(chǎn)養(yǎng)殖大數(shù)據(jù)存儲技術(shù)

物聯(lián)網(wǎng)感知的水產(chǎn)養(yǎng)殖環(huán)境數(shù)據(jù)通常是高維時空數(shù)據(jù)，且有實(shí)時處理要求，適用于有極高讀寫性能的內(nèi)存數(shù)據(jù)庫存儲[11]。對于水產(chǎn)動物視頻圖像和互聯(lián)網(wǎng)水產(chǎn)輿情等非結(jié)構(gòu)化數(shù)據(jù)，關(guān)系模型不適用，No SQL 技術(shù)通過列表、集合、哈希表等概念對數(shù)據(jù)進(jìn)行建模，既增強(qiáng)了數(shù)據(jù)庫系統(tǒng)的擴(kuò)展性和效率，又保證了數(shù)據(jù)庫的一致性[12-14]。分布式數(shù)據(jù)庫技術(shù)可以解決數(shù)據(jù)規(guī)模大的問題，通過分割數(shù)據(jù)的方法，數(shù)據(jù)被并行地處理，動態(tài)地把數(shù)據(jù)和負(fù)載分布到整個集群系統(tǒng)上，達(dá)到高效率處理數(shù)據(jù)的目的[15]。從應(yīng)用的角度看，水產(chǎn)養(yǎng)殖生產(chǎn)管理系統(tǒng)和專業(yè)數(shù)據(jù)庫的業(yè)務(wù)通常是對數(shù)據(jù)的管理且涉及的數(shù)據(jù)流普遍較少，傳統(tǒng)的關(guān)系型數(shù)據(jù)庫即可勝任；但想要在水產(chǎn)養(yǎng)殖大數(shù)據(jù)之上進(jìn)行分析，對于聯(lián)機(jī)分析處理和數(shù)據(jù)挖掘的任務(wù)，面向分析應(yīng)用的數(shù)據(jù)庫技術(shù)更加適應(yīng)潮流，如具有高效壓縮、更高I/O效率等特點(diǎn)的列存儲數(shù)據(jù)庫技術(shù)和具有高度擴(kuò)展性和容錯性的MapReduce技術(shù)。

1.3.3水產(chǎn)養(yǎng)殖大數(shù)據(jù)處理框架

實(shí)時性是水產(chǎn)養(yǎng)殖大數(shù)據(jù)的重要特點(diǎn)，為了在環(huán)境或者生產(chǎn)操作等出現(xiàn)異常時，能夠采取及時的措施，養(yǎng)殖環(huán)境參數(shù)等流式數(shù)據(jù)的處理將日益受到重視。目前水產(chǎn)養(yǎng)殖大數(shù)據(jù)主流的處理技術(shù)是MapReduce編程模型與Hadoop 架構(gòu)，Hadoop 是典型的大數(shù)據(jù)批處理架構(gòu)，由HDFS 負(fù)責(zé)存儲整合好的海量數(shù)據(jù)，并通過MapReduce 將計算邏輯分配到各數(shù)據(jù)節(jié)點(diǎn)進(jìn)行數(shù)據(jù)計算和價值發(fā)現(xiàn)，但對流式數(shù)據(jù)的處理不夠重視[16-18]。為了適應(yīng)水產(chǎn)養(yǎng)殖大數(shù)據(jù)的應(yīng)用場景，通過實(shí)現(xiàn)Lambda Architecture的方式將實(shí)時計算平臺與離線批處理機(jī)制結(jié)合在一起，使水產(chǎn)養(yǎng)殖大數(shù)據(jù)處理框架既具備流式數(shù)據(jù)功能，又提供歷史數(shù)據(jù)挖掘的能力[19-21]，是未來研究的方向。

圖2是在Hadoop上部署Storm系統(tǒng)從而實(shí)現(xiàn)Lambda架構(gòu)的示意圖，Lambda架構(gòu)分為3層：批處理層、流式處理層和服務(wù)層。流式處理層中，實(shí)時數(shù)據(jù)先到達(dá)Storm，它負(fù)責(zé)在數(shù)據(jù)一到達(dá)時就將數(shù)據(jù)復(fù)制到新的數(shù)據(jù)中心，漸增地進(jìn)行計算，從而使系統(tǒng)具備實(shí)時處理數(shù)據(jù)的功能；批處理層存儲數(shù)據(jù)集的主副本，并用Hadoop系統(tǒng)實(shí)現(xiàn)離線的批處理，處理那些實(shí)時性要求不高，卻需要大量數(shù)據(jù)驅(qū)動的數(shù)據(jù)分析任務(wù)。因此，基于Lambda架構(gòu)大數(shù)據(jù)處理方案是未來水產(chǎn)養(yǎng)殖大數(shù)據(jù)處理平臺的發(fā)展方向。

圖2 基于Hadoop和Storm系統(tǒng)的Lambda架構(gòu)Fig.2 Lambda architecture based on Hadoop and Storm systems

1.4 水產(chǎn)養(yǎng)殖大數(shù)據(jù)分析與挖掘

傳統(tǒng)的數(shù)據(jù)分析建模需要大量的先驗(yàn)知識和工具，憑借人類的認(rèn)知能力從數(shù)據(jù)中抽象出自然規(guī)律，從而構(gòu)建機(jī)理模型。水產(chǎn)養(yǎng)殖復(fù)雜的生產(chǎn)環(huán)境造成數(shù)據(jù)的多樣性、異構(gòu)性和不確定性，僅憑人的觀察發(fā)掘潛藏的知識和規(guī)律過程變得漫長，事先建立的模型無法完全擬合真實(shí)情況。數(shù)據(jù)挖掘技術(shù)作為一種由數(shù)據(jù)驅(qū)動進(jìn)行建模的過程，能夠自動發(fā)現(xiàn)隱藏在數(shù)據(jù)中的模式，通常可以分為分類分析、預(yù)測分析、聚類分析和關(guān)聯(lián)規(guī)則分析[22-24]，數(shù)據(jù)驅(qū)動正是在實(shí)測數(shù)據(jù)和抽象規(guī)律間找到了一個平衡點(diǎn)。因此，數(shù)據(jù)驅(qū)動建模是水產(chǎn)養(yǎng)殖大數(shù)據(jù)分析必然趨勢，數(shù)據(jù)驅(qū)動建模降低了數(shù)據(jù)分析的門檻，大大節(jié)約了數(shù)據(jù)建模的時間，更重要的是解決了大數(shù)據(jù)價值密度低的問題。

1.4.1大數(shù)據(jù)分析技術(shù)在水產(chǎn)養(yǎng)殖中應(yīng)用的現(xiàn)狀

近年來，大數(shù)據(jù)分析技術(shù)與水產(chǎn)養(yǎng)殖業(yè)相結(jié)合，在水產(chǎn)養(yǎng)殖業(yè)產(chǎn)前、產(chǎn)中和產(chǎn)后均有運(yùn)用，主要用于研究解決水產(chǎn)養(yǎng)殖業(yè)中養(yǎng)殖環(huán)境預(yù)測與預(yù)警、病害診治與預(yù)警、異常行為檢測與分析、市場分析與挖掘、質(zhì)量控制與追溯和水產(chǎn)養(yǎng)殖大數(shù)據(jù)平臺構(gòu)建等實(shí)際問題。表4和表5是基于中國知網(wǎng)、萬方數(shù)據(jù)庫和Web of Science等文獻(xiàn)檢索平臺檢索的SCI、EI、中文核心期刊文獻(xiàn)數(shù)據(jù)，表4是從應(yīng)用領(lǐng)域的角度，對近5年國內(nèi)外大數(shù)據(jù)技術(shù)在水產(chǎn)養(yǎng)殖業(yè)的應(yīng)用領(lǐng)域文獻(xiàn)進(jìn)行分類統(tǒng)計的結(jié)果。

表4 近5年國內(nèi)外水產(chǎn)養(yǎng)殖大數(shù)據(jù)技術(shù)應(yīng)用領(lǐng)域Tab.4 Main research issues of big data technologies in aquaculture in recent 5 years

表5是從大數(shù)據(jù)技術(shù)的角度，對近5年來幾種典型大數(shù)據(jù)分析技術(shù)在水產(chǎn)養(yǎng)殖領(lǐng)域的應(yīng)用文獻(xiàn)進(jìn)行分類統(tǒng)計的結(jié)果。近5年來對水產(chǎn)養(yǎng)殖大數(shù)據(jù)挖掘的研究非常豐富，也有部分研究將云計算和分布式系統(tǒng)等大數(shù)據(jù)處理應(yīng)用于水產(chǎn)養(yǎng)殖領(lǐng)域。

表5 近5年國內(nèi)外大數(shù)據(jù)技術(shù)在水產(chǎn)養(yǎng)殖領(lǐng)域的應(yīng)用研究成果Tab.5 Research on big data technologies in aquaculture in recent 5 years

1.4.2基于預(yù)測分析的水產(chǎn)養(yǎng)殖大數(shù)據(jù)挖掘

預(yù)測技術(shù)是利用歷史數(shù)據(jù)來預(yù)測未來可能發(fā)生的行為或者現(xiàn)象。預(yù)測問題是水產(chǎn)養(yǎng)殖大數(shù)據(jù)挖掘最常見的問題，例如養(yǎng)殖環(huán)境參數(shù)預(yù)測和市場價格預(yù)測。近些年，基于統(tǒng)計學(xué)理論的機(jī)器學(xué)習(xí)方法被廣泛應(yīng)用于解決各種預(yù)測問題，主要包括灰色理論法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、最小二乘支持向量機(jī)等。

(1)水產(chǎn)養(yǎng)殖環(huán)境參數(shù)預(yù)測

(2)水產(chǎn)品價格預(yù)測

針對水產(chǎn)品價格波動區(qū)間大、波動頻率低和影響因素多等特點(diǎn)，目前已經(jīng)提出的水產(chǎn)品價格預(yù)測模型按照數(shù)據(jù)組成，可以分為一元預(yù)測模型和多元預(yù)測模型；按照模型構(gòu)造方式，可以分為單一預(yù)測模型和組合預(yù)測模型，表7列舉了近年來水產(chǎn)品價格預(yù)測模型研究成果。水產(chǎn)品價格波動不是單一因素作用的結(jié)果，通過采集多源數(shù)據(jù)，綜合時間范圍、地理環(huán)境和經(jīng)濟(jì)條件等因素進(jìn)行挖掘，是當(dāng)前水產(chǎn)品價格預(yù)測的研究方向。

表6 水產(chǎn)養(yǎng)殖水質(zhì)參數(shù)預(yù)測模型對比Tab.6 Comparison of the main prediction models of water quality in aquaculture industry

表7 近年來水產(chǎn)品價格預(yù)測模型研究Tab.7 Researches on aquatic product price forecasting models in recent years

1.4.3基于分類分析的水產(chǎn)養(yǎng)殖大數(shù)據(jù)挖掘

分類技術(shù)是通過觀察大量數(shù)據(jù)后得出規(guī)則以建立類別模式，在水產(chǎn)養(yǎng)殖領(lǐng)域，許多場景都基于分類技術(shù)解決問題，如養(yǎng)殖環(huán)境多因素綜合預(yù)警、疾病診治、品質(zhì)分級和異常行為檢測等。常用的分類技術(shù)有決策樹、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、樸素貝葉斯分類、粗糙集分類等。

(1)養(yǎng)殖環(huán)境多因素綜合預(yù)警

傳統(tǒng)的水質(zhì)預(yù)警是基于水產(chǎn)品對各水質(zhì)參數(shù)適應(yīng)范圍的先驗(yàn)知識，對水質(zhì)演化的趨勢、方向、速度預(yù)警，未能綜合考慮各水質(zhì)參數(shù)間的關(guān)聯(lián)[67-69]。而基于大數(shù)據(jù)技術(shù)的水產(chǎn)養(yǎng)殖環(huán)境多因素綜合預(yù)警的特點(diǎn)在于能夠關(guān)聯(lián)水質(zhì)數(shù)據(jù)和水文、氣象等其他多源數(shù)據(jù)，對當(dāng)前水質(zhì)狀況進(jìn)行評價并對后續(xù)水質(zhì)環(huán)境進(jìn)行不同時空尺度的分析預(yù)測[70]。朱瓊瑤等[71]結(jié)合粗糙集理論和D-S證據(jù)理論實(shí)現(xiàn)了主客觀知識結(jié)合的水質(zhì)數(shù)據(jù)規(guī)律挖掘。劉雙印等[27]提出了粗糙集融合支持向量機(jī)(RS-SVM)的水質(zhì)預(yù)警模型，粗糙集用于對14個預(yù)警指標(biāo)的屬性約簡，得到5個核心預(yù)警指標(biāo)構(gòu)建SVM水質(zhì)預(yù)警模型。LIU等[46]將物聯(lián)網(wǎng)采集到的大量河蟹池塘養(yǎng)殖水環(huán)境數(shù)據(jù)與生產(chǎn)效益數(shù)據(jù)關(guān)聯(lián)，建立了基于Adaboost的水質(zhì)評價模型。

(2)疾病診治

早期的水產(chǎn)品疾病診治方法主要是基于規(guī)則的推理和基于案例的方法，這兩種方法的重點(diǎn)在于知識的表示和推理機(jī)的設(shè)計，難點(diǎn)在于知識庫的自動獲取和更新[72-76]。表8總結(jié)了近年來基于分類技術(shù)進(jìn)行推理的疾病診治方法。由表8可知：①由于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)算法能夠解決傳統(tǒng)疾病推理知識獲取困難的不足，被廣泛應(yīng)用于魚病診治。②圖像處理方法的發(fā)展使人們可以從圖像中挖掘更多的信息，漸漸成為水產(chǎn)疾病診治的主流方法。③為了提高診治的精確度，許多研究采用了基于規(guī)則和基于數(shù)據(jù)共同建模的方法。另一方面，基于大數(shù)據(jù)技術(shù)對水產(chǎn)疾病診治充分利用計算能力，對多源數(shù)據(jù)進(jìn)行綜合考慮和聯(lián)合分析。晏萍[77]建立了水產(chǎn)動物疾病數(shù)據(jù)倉庫，采用OLAP切塊分析技術(shù)和決策樹模型從時間維、癥狀維、環(huán)境維分析診斷水產(chǎn)病害。馬冬萍等[78]結(jié)合多Agent 技術(shù)的智能性、自治性、協(xié)作性的優(yōu)異性能以及分布式計算能力，構(gòu)建了分布式魚病診斷專家系統(tǒng)的體系結(jié)構(gòu)，實(shí)現(xiàn)了跨區(qū)域的協(xié)同診斷。

表8 基于分類技術(shù)的水產(chǎn)養(yǎng)殖疾病診治模型對比Tab.8 Comparison of the recent disease diagnosis models based on classification in aquaculture industry

(3)品質(zhì)分級

水產(chǎn)品因品種、重量、產(chǎn)地和上市時間的不同，風(fēng)味和價格有較大差異，這也使得水產(chǎn)品在銷售過程中存在品質(zhì)分級和質(zhì)量追溯問題[29]。品質(zhì)分級是對水產(chǎn)品進(jìn)行品種識別、大小(質(zhì)量)估計和新鮮度評估等操作后，對水產(chǎn)品質(zhì)量的分級評定?；咀R別實(shí)現(xiàn)過程為：獲取水產(chǎn)品圖像、提取特征、構(gòu)建分類器，并將特征向量輸入分類器以實(shí)現(xiàn)種類識別[86]。表9總結(jié)了近年來基于分類技術(shù)進(jìn)行品質(zhì)分級的方法。由表9可知，近年來基于分類技術(shù)的水產(chǎn)養(yǎng)殖品質(zhì)分級模型研究仍然集中于對魚品種的分類，而分級分選、新鮮度評估等問題國內(nèi)外研究都不多。由于計算機(jī)視覺技術(shù)的非接觸性和非破壞性，在品質(zhì)分級問題中被廣泛使用。更重要的是，由于對數(shù)據(jù)關(guān)注度的提升和深度學(xué)習(xí)方法的流行，近年來研究中用于訓(xùn)練模型的樣本數(shù)較之前的研究有大幅增加，大量的數(shù)據(jù)可以提升模型的精確度和降低對數(shù)據(jù)的要求。

表9 基于分類技術(shù)的水產(chǎn)養(yǎng)殖品質(zhì)分級模型對比Tab.9 Comparison of the recent quality detection models based on classification in aquaculture industry

(4)異常行為分析

溫度、溶解氧的變化、寄生蟲等都會造成水產(chǎn)品行為的改變，水產(chǎn)動物異常行為的檢測能夠?yàn)槠浣】当O(jiān)控與預(yù)警提供重要的方法和手段[96]。水產(chǎn)動物異常行為分析通常采集大量的視頻圖像數(shù)據(jù)，通過對其位置的提取和運(yùn)動軌跡的跟蹤，得到行為活動特征，再通過各種相似度度量方法構(gòu)建分類器，從而識別其異常行為。TAHA等[31]通過對攝食前、攝食中和攝食后魚群進(jìn)行監(jiān)測，提取魚群的密度和質(zhì)心等特征，采用支持向量機(jī)分類對魚群的饑餓行為進(jìn)行了檢測。王斌等[32]應(yīng)用經(jīng)典人臉檢測算法Haar-like特征和Adaboost算法結(jié)合檢測三疣梭子蟹的蛻殼行為，成功實(shí)現(xiàn)了無沙背景的蛻殼自動檢測，檢測準(zhǔn)確率達(dá)到97.9%。程淑紅等[97]研究水質(zhì)變化對紅鯽魚運(yùn)動軌跡的影響，提取正常和異常水質(zhì)中紅鯽魚的速度、加速度、曲率、鄰近特征4個特征參數(shù)，輸入支持向量機(jī)分類識別紅鯽魚的異常運(yùn)動。

1.4.4基于聚類分析的水產(chǎn)養(yǎng)殖大數(shù)據(jù)挖掘

聚類分析的目標(biāo)是通過對無標(biāo)記樣本的學(xué)習(xí)來揭示數(shù)據(jù)內(nèi)在的性質(zhì)及規(guī)律，為進(jìn)一步的數(shù)據(jù)分析提供基礎(chǔ)。聚類分析依據(jù)數(shù)據(jù)相似度或者相異度將數(shù)據(jù)歸屬到若干類，使得同類中數(shù)據(jù)相似程度較高，而各類間相似程度較小，它是一個無監(jiān)督的分類，不需要其他先驗(yàn)知識，是一種典型的數(shù)據(jù)驅(qū)動建模方法[98-102]。在水產(chǎn)養(yǎng)殖數(shù)據(jù)分析中，聚類技術(shù)的應(yīng)用遠(yuǎn)不如分類技術(shù)和預(yù)測技術(shù)廣泛，主要應(yīng)用是在水產(chǎn)疾病診治和魚類種類識別時采用聚類原則構(gòu)建分類器，實(shí)現(xiàn)對特征庫的特征以及圖像庫中影像的自動分類。HAN等[103]在對班氏蟹、盲蛛蟹及兩者雜交的螃蟹圖像進(jìn)行識別時，引入聚類技術(shù)以最小化特征圖像分類器的錯誤分類率，采用改進(jìn)線性判別分析和二次判別分析法構(gòu)建了分類器。YAO等[30]提出了一種將K均值聚類分割算法與數(shù)學(xué)形態(tài)學(xué)相結(jié)合魚類圖像分割方法，選取灰度直方圖擬合曲線的峰的數(shù)量作為聚類中心的數(shù)量。HU等[47]提出了一種基于模糊C均值聚類的分割常見魚類疾病的方法，該方法具有較強(qiáng)的魯棒性和快速的分割能力，能夠精確分割鯉魚常見病的彩色圖像。另外，聚類分析常與其他算法整合，將聚類結(jié)果作為后續(xù)分析的輸入。如宦娟等[57]在養(yǎng)殖水質(zhì)溶解氧預(yù)測時，采用K-means 聚類方法將歷史日樣本劃分為若干類，然后分類識別獲得與預(yù)測日最相似的一類歷史日樣本集，將其與預(yù)測日的實(shí)測環(huán)境因素作為預(yù)測模型的輸入樣本建立ELM 神經(jīng)網(wǎng)絡(luò)溶解氧預(yù)測模型。該方法通過聚類降低了不同趨勢樣本間的干擾，能夠挖掘出溶解氧數(shù)據(jù)的固有規(guī)律，提高預(yù)測數(shù)據(jù)源的準(zhǔn)確性。

1.4.5基于關(guān)聯(lián)規(guī)則分析的水產(chǎn)養(yǎng)殖大數(shù)據(jù)挖掘

關(guān)聯(lián)規(guī)則分析在商業(yè)領(lǐng)域的成功應(yīng)用使其成為人所熟知的大數(shù)據(jù)分析算法，它的任務(wù)是分析尋找變量的取值之間存在的規(guī)律性。隨著數(shù)據(jù)量的增大，經(jīng)典Apriori算法遇到瓶頸，為解決這一問題，研究者們提出并行、增量和基于先驗(yàn)知識壓縮候選集的方法[104-105]。但在水產(chǎn)養(yǎng)殖領(lǐng)域，關(guān)聯(lián)規(guī)則挖掘的應(yīng)用非常貧乏，有待進(jìn)一步的深化研究。王立華等[106]改進(jìn)了Apriori關(guān)聯(lián)規(guī)則算法并用其對Web進(jìn)行日志挖掘，分析了漁業(yè)科學(xué)數(shù)據(jù)共享平臺用戶頻繁訪問模式，設(shè)計并開發(fā)了漁業(yè)信息推薦系統(tǒng)。陳志民等[107]通過提取珠海斗門大宗水產(chǎn)品常見病害和常見魚病的特征，采用Apriori算法從收集的病害資料中提取珠海斗門大宗水產(chǎn)品常見病害和常見魚病的關(guān)聯(lián)規(guī)則。朱文君[43]提出了基于優(yōu)化加權(quán)概念格關(guān)聯(lián)規(guī)則挖掘算法并將此算法應(yīng)用于副溶血性弧菌的風(fēng)險評價，發(fā)現(xiàn)未經(jīng)加熱而生食的食用方式是副溶血性弧菌污染的重要因素。

1.4.6基于深度學(xué)習(xí)的水產(chǎn)養(yǎng)殖大數(shù)據(jù)挖掘

大數(shù)據(jù)分析的一個核心問題是如何對數(shù)據(jù)進(jìn)行有效表達(dá)、解釋和學(xué)習(xí)，深度學(xué)習(xí)利用層次化的架構(gòu)學(xué)習(xí)出對象在不同層次上的表達(dá)，這種層次化的表達(dá)可以幫助解決更加復(fù)雜抽象的問題。以海量數(shù)據(jù)訓(xùn)練分析模型，自動抽取數(shù)據(jù)中蘊(yùn)含的特征，理論上可以通過深度學(xué)習(xí)算法獲得對現(xiàn)實(shí)世界的一切過程進(jìn)行數(shù)學(xué)表達(dá)[108-109]。在水產(chǎn)養(yǎng)殖領(lǐng)域，深度學(xué)習(xí)被用于處理魚類圖像，從而檢測魚類異常行為和自動魚類種類識別。李慶武等[110]提出了一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的魚群異常行為識別方法，從視頻信息中提取圖像，結(jié)合時空圖像處理手段，可以對視頻中的魚群行為進(jìn)行分類，從而判斷魚群行為是否正常。林明旺[94]利用卷積神經(jīng)網(wǎng)絡(luò)能在訓(xùn)練過程中自動學(xué)到“好”特征，避免了手動選擇特征的特性，設(shè)計了一種基于卷積神經(jīng)網(wǎng)絡(luò)的魚類圖像分類系統(tǒng)，該系統(tǒng)分類準(zhǔn)確率達(dá)到了96.99%。顧?quán)嵠降萚95]提出了基于卷積神經(jīng)網(wǎng)絡(luò)的分類模型和基于遷移學(xué)習(xí)的PreCNN和SVM分類模型，對23類深海魚魚種識別準(zhǔn)確率達(dá)98.6%。

1.5 水產(chǎn)養(yǎng)殖大數(shù)據(jù)平臺

水產(chǎn)養(yǎng)殖大數(shù)據(jù)平臺是面向水產(chǎn)養(yǎng)殖全產(chǎn)業(yè)鏈開展決策與服務(wù)的軟件工具，在水產(chǎn)養(yǎng)殖生產(chǎn)、經(jīng)營、管理、服務(wù)等各個環(huán)節(jié)，為經(jīng)營主體提供生產(chǎn)決策、經(jīng)營服務(wù)，為政府部門提供決策支持和行業(yè)服務(wù)。目前構(gòu)建的水產(chǎn)養(yǎng)殖大數(shù)據(jù)平臺主要包括生產(chǎn)管理平臺、電子商務(wù)平臺、智能決策平臺和品質(zhì)追溯平臺[111-112]。但是這些平臺仍不足以構(gòu)成真正“平臺”，主要問題是它們職能單一，相互封閉，也沒有與政府管理平臺進(jìn)行對接，缺乏行業(yè)整體解決方案。

(1)生產(chǎn)管理平臺

水產(chǎn)養(yǎng)殖生產(chǎn)管理平臺利用物聯(lián)網(wǎng)感知和互聯(lián)網(wǎng)技術(shù)，實(shí)現(xiàn)水產(chǎn)養(yǎng)殖全產(chǎn)業(yè)鏈的各環(huán)節(jié)數(shù)據(jù)和信息的全程信息化監(jiān)管，規(guī)范水產(chǎn)養(yǎng)殖操作流程，提高水產(chǎn)養(yǎng)殖管理水平，完善品質(zhì)追溯環(huán)節(jié)，由中國農(nóng)業(yè)大學(xué)宜興農(nóng)業(yè)物聯(lián)網(wǎng)工程中心研發(fā)的水產(chǎn)養(yǎng)殖物聯(lián)網(wǎng)平臺就是典型代表[37-38]。政府的漁業(yè)產(chǎn)業(yè)管理平臺采集全國定點(diǎn)縣漁業(yè)生產(chǎn)基本數(shù)據(jù)、投入產(chǎn)出數(shù)據(jù)和存塘數(shù)據(jù)，實(shí)現(xiàn)對全國養(yǎng)殖漁情的數(shù)據(jù)監(jiān)管，中國農(nóng)業(yè)大學(xué)與全國水產(chǎn)技術(shù)推廣總站研發(fā)的全國養(yǎng)殖漁情云服務(wù)平臺是典型代表[39,113]。水產(chǎn)養(yǎng)殖企業(yè)生產(chǎn)管理平臺通過分布式的架構(gòu)，實(shí)現(xiàn)水質(zhì)實(shí)時監(jiān)控、設(shè)備管理、池塘管理、日常操作管理、庫存管理、銷售管理和專家咨詢服務(wù)等功能[42,44]。張清春等[114]通過對水產(chǎn)養(yǎng)殖日志實(shí)際管理環(huán)節(jié)的分析，設(shè)計管理系統(tǒng)對水產(chǎn)養(yǎng)殖對象的引入到出售進(jìn)行養(yǎng)殖環(huán)境、飼料、養(yǎng)殖管理、用藥情況等進(jìn)行全程的跟蹤記錄，對記錄數(shù)據(jù)根據(jù)需要自動形成豐富的分析報表、圖表。但現(xiàn)有水產(chǎn)養(yǎng)殖生產(chǎn)管理平臺存在數(shù)據(jù)無法覆蓋全產(chǎn)業(yè)鏈、所提供的功能有限和各生產(chǎn)環(huán)節(jié)無法協(xié)同和銜接的問題，無法對生產(chǎn)過程進(jìn)行有效監(jiān)管。

(2)電子商務(wù)平臺

銷售是水產(chǎn)養(yǎng)殖產(chǎn)業(yè)鏈的重要環(huán)節(jié)。構(gòu)建水產(chǎn)養(yǎng)殖電子商務(wù)平臺，可以為養(yǎng)殖戶、經(jīng)銷商和消費(fèi)者提供針對性服務(wù)，使市場更加高效公平有序，產(chǎn)品質(zhì)量受到監(jiān)督，養(yǎng)殖戶利益得到保障[115]。目前，水產(chǎn)品線上交易額雖然已經(jīng)達(dá)每年十幾億以上的規(guī)模，還提供了競拍、眾籌、團(tuán)購以及期貨交易等經(jīng)營模式，但是水產(chǎn)養(yǎng)殖電子商務(wù)平臺的功能仍不完善[116]，數(shù)據(jù)的收集和管理欠缺，無法形成全產(chǎn)業(yè)鏈產(chǎn)品質(zhì)量信息追溯，也無法提供專業(yè)的數(shù)據(jù)分析服務(wù)。因此，一些水產(chǎn)銷售商進(jìn)駐了淘寶、京東等電子商務(wù)平臺。淘寶聚石塔電子商務(wù)平臺提供云服務(wù)器(Elastic compute service, ECS)、開放數(shù)據(jù)處理服務(wù)(Open data processing service, ODPS)、分布式關(guān)系型數(shù)據(jù)庫服務(wù)(Distribute relational database service, DRDS)等服務(wù)，對于食品行業(yè)商品提出全產(chǎn)業(yè)鏈解決方案[117]。

(3)智能決策平臺

表10從決策內(nèi)容、推理機(jī)設(shè)計和是否可以進(jìn)行知識發(fā)現(xiàn)3方面總結(jié)了現(xiàn)有的決策支持系統(tǒng)，它們大多數(shù)都可以提供水質(zhì)管理、投喂決策和病害診斷等綜合決策，但只有少數(shù)具備知識發(fā)現(xiàn)功能。

表10 現(xiàn)有決策支持平臺比較Tab.10 Comparison of existing decision support systems

(4)品質(zhì)追溯平臺

水產(chǎn)品品質(zhì)追溯平臺采集水產(chǎn)品在加工、倉儲、運(yùn)輸和銷售環(huán)節(jié)的品質(zhì)參數(shù)，采用射頻識別(RFID)技術(shù)和統(tǒng)一的編碼技術(shù)對水產(chǎn)品進(jìn)行唯一標(biāo)識，從而對水產(chǎn)品的質(zhì)量進(jìn)行管理和追溯。目前研究者們提出了一些水產(chǎn)品品質(zhì)追溯平臺的構(gòu)建方案，袁紅春等[124]提出了一種基于RFID的Petri網(wǎng)的水產(chǎn)品全程質(zhì)量追蹤和溯源系統(tǒng)，顏波等[35]基于RFID和產(chǎn)品電子代碼物聯(lián)網(wǎng)技術(shù)開發(fā)了水產(chǎn)品供應(yīng)鏈可追溯平臺，楊信廷等[36]基于USB Key的水產(chǎn)品監(jiān)管碼密鑰動態(tài)分配技術(shù)，生成了融合一維碼、二維碼的水產(chǎn)品混合條碼標(biāo)簽，從而建立了水產(chǎn)養(yǎng)殖產(chǎn)品質(zhì)量追溯平臺。

2 水產(chǎn)養(yǎng)殖大數(shù)據(jù)技術(shù)面臨的挑戰(zhàn)

(1)水產(chǎn)養(yǎng)殖大數(shù)據(jù)資源缺乏、共享程度低

數(shù)據(jù)采集技術(shù)發(fā)展和產(chǎn)業(yè)規(guī)?；潭认拗屏怂a(chǎn)養(yǎng)殖大數(shù)據(jù)的可獲取性。水產(chǎn)動物的生物多樣性及其生長環(huán)境的復(fù)雜性對數(shù)據(jù)獲取提出了挑戰(zhàn)，目前許多研究都是在實(shí)驗(yàn)室環(huán)境下進(jìn)行的，自然環(huán)境條件下的視頻圖像采集，如魚病發(fā)病過程和魚類異常行為等數(shù)據(jù)采集一直是水產(chǎn)養(yǎng)殖大數(shù)據(jù)的瓶頸。另一方面，水產(chǎn)養(yǎng)殖經(jīng)營主體規(guī)模性小且分散，生產(chǎn)數(shù)據(jù)分散在養(yǎng)殖戶和養(yǎng)殖企業(yè)手中，僅限于內(nèi)部使用。由于缺乏適合水產(chǎn)養(yǎng)殖產(chǎn)業(yè)特點(diǎn)的數(shù)據(jù)共享模式與管理機(jī)制，跨企業(yè)、跨行業(yè)的數(shù)據(jù)共享仍不順暢，有價值的公共信息資源和商業(yè)數(shù)據(jù)開放程度低，政府、養(yǎng)殖企業(yè)和養(yǎng)殖戶個體各自形成信息孤島。

(2)水產(chǎn)養(yǎng)殖智能化分析模型與技術(shù)缺乏

互聯(lián)網(wǎng)和物聯(lián)網(wǎng)技術(shù)的發(fā)展大大豐富了水產(chǎn)養(yǎng)殖大數(shù)據(jù)的來源，水產(chǎn)養(yǎng)殖大數(shù)據(jù)基礎(chǔ)已經(jīng)形成，然而水產(chǎn)養(yǎng)殖大數(shù)據(jù)研究的智能化程度仍需進(jìn)一步提升。目前大數(shù)據(jù)技術(shù)與水產(chǎn)養(yǎng)殖領(lǐng)域的結(jié)合仍處于磨合期，簡單直接地套用現(xiàn)有智能方法，而對水產(chǎn)養(yǎng)殖領(lǐng)域特點(diǎn)關(guān)注不足，這導(dǎo)致水產(chǎn)養(yǎng)殖大數(shù)據(jù)分析的實(shí)用性落后于市場需求，遠(yuǎn)不能滿足實(shí)際生產(chǎn)。提升水產(chǎn)養(yǎng)殖產(chǎn)業(yè)的智能化程度，還需要在關(guān)鍵的智能化技術(shù)上取得突破，增加深度學(xué)習(xí)、知識計算、群智計算和混合智能等技術(shù)在水產(chǎn)養(yǎng)殖上應(yīng)用的深度和廣度。

(3)水產(chǎn)養(yǎng)殖數(shù)據(jù)缺乏全產(chǎn)業(yè)鏈的關(guān)聯(lián)性分析

當(dāng)前對水產(chǎn)養(yǎng)殖大數(shù)據(jù)研究只關(guān)注生產(chǎn)單一或局部的過程，缺乏橫向關(guān)聯(lián)性和縱向關(guān)聯(lián)性，沒有水產(chǎn)養(yǎng)殖全行業(yè)的解決方案。一方面，數(shù)據(jù)本身缺乏時空關(guān)聯(lián)性，加上大數(shù)據(jù)技術(shù)水產(chǎn)養(yǎng)殖各方面應(yīng)用深度不一導(dǎo)致的數(shù)據(jù)規(guī)模和數(shù)據(jù)質(zhì)量有差異，數(shù)據(jù)鏈條無法對應(yīng)和協(xié)同，無法形成多方面問題的關(guān)聯(lián)分析。另一方面，水產(chǎn)養(yǎng)殖產(chǎn)前、產(chǎn)中和產(chǎn)后的數(shù)據(jù)相互割裂而無法貫通產(chǎn)業(yè)鏈，也難以發(fā)掘其中隱含的關(guān)聯(lián)，如無法形成全產(chǎn)業(yè)鏈的水產(chǎn)品質(zhì)量追溯。

3 發(fā)展趨勢展望與建議

目前水產(chǎn)養(yǎng)殖大數(shù)據(jù)建設(shè)還處于探索階段，沒有成熟的建設(shè)模式可供借鑒，但水產(chǎn)養(yǎng)殖業(yè)數(shù)字化、精準(zhǔn)化、智能化的重大需求和大數(shù)據(jù)技術(shù)迅猛發(fā)展的態(tài)勢為水產(chǎn)養(yǎng)殖大數(shù)據(jù)技術(shù)發(fā)展提供了一次重要機(jī)遇。未來水產(chǎn)養(yǎng)殖大數(shù)據(jù)技術(shù)的研究將主要從如下幾方面展開：

(1)通過物聯(lián)網(wǎng)使水產(chǎn)養(yǎng)殖大數(shù)據(jù)獲取更加自動化

隨著數(shù)據(jù)采集技術(shù)的提升，水產(chǎn)養(yǎng)殖業(yè)可以量化指標(biāo)大大提升，數(shù)據(jù)采集對象、采集范圍和采集方式都逐漸增加，實(shí)現(xiàn)對水產(chǎn)養(yǎng)殖全產(chǎn)業(yè)鏈的全時全程感知和數(shù)字化獲取。整合水產(chǎn)養(yǎng)殖全產(chǎn)業(yè)鏈數(shù)據(jù)，通過構(gòu)建大數(shù)據(jù)共享平臺，實(shí)現(xiàn)全行業(yè)甚至跨行業(yè)數(shù)據(jù)的交換和共享。

(2)通過人工智能使水產(chǎn)養(yǎng)殖大數(shù)據(jù)應(yīng)用更加智能化

隨著深度學(xué)習(xí)、知識計算、群體智能等人工智能技術(shù)在水產(chǎn)養(yǎng)殖領(lǐng)域深層次運(yùn)用，大數(shù)據(jù)技術(shù)將更適應(yīng)水產(chǎn)養(yǎng)殖領(lǐng)域的具體需求，對水產(chǎn)養(yǎng)殖大數(shù)據(jù)研究和分析更加深入，從而真正實(shí)現(xiàn)精準(zhǔn)化、智能化水產(chǎn)養(yǎng)殖。

(3)通過區(qū)塊鏈實(shí)現(xiàn)水產(chǎn)養(yǎng)殖大數(shù)據(jù)應(yīng)用產(chǎn)業(yè)鏈鏈條化

隨著大數(shù)據(jù)技術(shù)在水產(chǎn)養(yǎng)殖全產(chǎn)業(yè)鏈應(yīng)用范圍的擴(kuò)大，通過區(qū)塊鏈技術(shù)達(dá)成全行業(yè)共識機(jī)制，研究實(shí)現(xiàn)水產(chǎn)養(yǎng)殖生產(chǎn)效益對生產(chǎn)過程的“反饋調(diào)節(jié)”，建立綜合產(chǎn)業(yè)鏈全要素、面向產(chǎn)業(yè)鏈全過程的聯(lián)動分析，形成數(shù)據(jù)驅(qū)動的產(chǎn)業(yè)發(fā)展。

(4)通過標(biāo)準(zhǔn)體系建設(shè)實(shí)現(xiàn)水產(chǎn)養(yǎng)殖大數(shù)據(jù)標(biāo)準(zhǔn)化

隨著水產(chǎn)養(yǎng)殖業(yè)數(shù)據(jù)獲取范圍的擴(kuò)展和數(shù)據(jù)獲取技術(shù)的提高，數(shù)據(jù)規(guī)?；鲩L，研究構(gòu)建標(biāo)準(zhǔn)化的適宜本領(lǐng)域的大數(shù)據(jù)管理體系，促成制定數(shù)據(jù)標(biāo)準(zhǔn)、應(yīng)用接口標(biāo)準(zhǔn)、測試標(biāo)準(zhǔn)和維護(hù)標(biāo)準(zhǔn)迫在眉睫。

4 結(jié)束語

大數(shù)據(jù)技術(shù)已經(jīng)成為水產(chǎn)養(yǎng)殖全產(chǎn)業(yè)鏈向集約化、精準(zhǔn)化和智能化發(fā)展的關(guān)鍵技術(shù)。在這樣的大背景下，近年來，國家出臺了一系列強(qiáng)有力的政策措施，開展大數(shù)據(jù)關(guān)鍵技術(shù)研究，加強(qiáng)大數(shù)據(jù)技術(shù)在農(nóng)業(yè)生產(chǎn)、經(jīng)營、管理和服務(wù)等方面的創(chuàng)新應(yīng)用，這些都為水產(chǎn)養(yǎng)殖大數(shù)據(jù)的發(fā)展提供了難得的歷史機(jī)遇和良好的發(fā)展環(huán)境。數(shù)據(jù)是根本，分析是核心，利用大數(shù)據(jù)技術(shù)提高水產(chǎn)養(yǎng)殖綜合生產(chǎn)力和效益是最終目的，應(yīng)深度挖掘現(xiàn)實(shí)需求，整合水產(chǎn)養(yǎng)殖全產(chǎn)業(yè)鏈數(shù)據(jù)，加強(qiáng)基礎(chǔ)理論和核心關(guān)鍵技術(shù)研究，從而推進(jìn)大數(shù)據(jù)技術(shù)與水產(chǎn)養(yǎng)殖產(chǎn)業(yè)的深度融合與應(yīng)用，支撐我國水產(chǎn)養(yǎng)殖業(yè)徹底轉(zhuǎn)型升級。

1 中華人民共和國國務(wù)院. 促進(jìn)大數(shù)據(jù)發(fā)展行動綱要[EB/OL]. http:∥www.gov.cn/zhengce/content/2015-09/05/content_10137.htm, 2015-08-31.

2 程學(xué)旗, 靳小龍, 王元卓,等. 大數(shù)據(jù)系統(tǒng)和分析技術(shù)綜述[J]. 軟件學(xué)報, 2014,25(9):1889-1908.

CHENG Xueqi, JIN Xiaolong, WANG Yuanzhuo, et al. Survey on big data system and analytic technology[J]. Journal of Software, 2014, 25(9): 1889-1908.(in Chinese)

3 BIMBA A T, IDRIS N, ALHUNAIYYAN A, et al. Towards knowledge modeling and manipulation technologies: a survey [J]. International Journal of Information Management, 2016, 36(6):857-871.

4 HEINZE T, ANIELLO L, QUERZONI L, et al. Cloud-based data stream processing[C]∥ACM International Conference on Distributed Event-Based Systems, 2014:238-245.

5 KIM H G, PARK Y H, YANG H C, et al. Time-slide window join over data streams [J]. Journal of Intelligent Information Systems, 2014, 43(2):323-347.

6 中國計算機(jī)學(xué)會大數(shù)據(jù)專家委員會. 中國大數(shù)據(jù)技術(shù)與產(chǎn)業(yè)發(fā)展白皮書[EB/OL]. http:∥dl.ccf.org.cn/books/detail.html?id=3812216177936384, 2013-12-01.

7 繆新穎, 鄧長輝, 高艷萍. 數(shù)據(jù)融合在水產(chǎn)養(yǎng)殖監(jiān)控系統(tǒng)中的應(yīng)用[J]. 大連海洋大學(xué)學(xué)報, 2009, 24(5):436-438.

MIAO Xinying, DENG Changhui, GAO Yanping. Application of data fusion in an aquaculture supervisory system [J]. Journal of Dalian Fisheries University, 2009, 24(5):436-438. (in Chinese)

8 陳明, 朱文婷, 周汝雁,等. BP神經(jīng)網(wǎng)絡(luò)信息融合技術(shù)在水質(zhì)監(jiān)控中的應(yīng)用[J]. 微計算機(jī)信息, 2010, 26(10):15-17.

CHEN Ming, ZHU Wenting, ZHOU Ruyan, et al. The application of information fusion technology based on BP neural network in water monitoring[J]. Microcomputer Information, 2010, 26(10):15-17. (in Chinese)

9 毛力, 肖煒, 楊弘. 用信息融合技術(shù)改進(jìn)水產(chǎn)養(yǎng)殖水質(zhì)監(jiān)控系統(tǒng)[J]. 水產(chǎn)學(xué)雜志, 2015(2):55-58.

10 HASSAN S G, HASAN M, LI D L. Information fusion in aquaculture:a state-of the art review[J]. Frontiers of Architectural Research, 2016, 3(3):1-16.

11 覃雄派, 王會舉, 李芙蓉,等. 數(shù)據(jù)管理技術(shù)的新格局[J]. 軟件學(xué)報, 2013, 24(2):175-197.

QIN Xiongpai, WANG Huiju, LI Furong, et al. New landscape of data management technologies [J]. Journal of Software, 2013, 24(2):175-197. (in Chinese)

12 DECANDIA G, HASTORUN D, JAMPANI M, et al. Dynamo: Amazon’s highly available key-value store[J]. ACM SIGOPS Operating Systems Review, 2007, 41(6):205-220.

13 KUMAR R, PARASHAR B B, GUPTA S, et al. Apache hadoop, NoSQL and NewSQL solutions of big data [C]∥International Journal of Advance Foundation and Research in Science & Engineering, 2014.

14 ZHU X F, HUANG Z, SHEN H T, et al. Linear cross-modal hashing for efficient multimedia search[C]∥Proceedings of the 21st ACM International Conference on Multimedia, Barcelona, 2013:143-152.

15 KARUN A K, CHITHARANJAN K. A review on hadoop-HDFS infrastructure extensions[C]∥Information & Communication Technologies. IEEE, 2013:132-137.

16 于喆. 漁業(yè)大數(shù)據(jù)綜述[J]. 安徽農(nóng)業(yè)科學(xué), 2017, 45(9):211-213.

YU Zhe. Review of fishery big data[J]. Journal of Anhui Agricultural Sciences, 2017, 45(9):211-213. (in Chinese)

17 李道亮, 楊昊. 農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)研究進(jìn)展與發(fā)展趨勢分析[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報, 2018,49(1):1-20.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20180101&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2018.01.001.

LI Daoliang,YANG Hao. State-of-the-art review for internet of things in agriculture[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2018,49(1):1-20. (in Chinese)

18 王東雨, 鄭紀(jì)業(yè), 王迪,等. 我國水產(chǎn)大數(shù)據(jù)及應(yīng)用技術(shù)研究初探[J]. 山東農(nóng)業(yè)科學(xué), 2016, 48(10):152-156.

WANG D Y, ZHENG J Y, WANG D, et al. Primary research of fishery big data and application technology in China[J]. Shandong Agricultural Sciences, 2016, 48(10):152-156. (in Chinese)

19 JAMBI S, ANDERSON K M. Engineering scalable distributed services for real-time big data analytics[C]∥IEEE Third International Conference on Big Data Computing Service and Applications. IEEE, 2017:131-140.

20 Apache Storm. Why use Storm[EB/OL]. http:∥storm.incubator.apache.org/,2018-02-19.

21 吉奧茲,奧尼爾. Storm分布式實(shí)時計算模式[M]. 北京: 機(jī)械工業(yè)出版社, 2015.

22 孟小峰, 慈祥. 大數(shù)據(jù)管理:概念、技術(shù)與挑戰(zhàn)[J]. 計算機(jī)研究與發(fā)展, 2013, 50(1):146-169.

MENG X F， CI X. Big data management: concepts, techniques and challenges [J]. Journal of Computer Research & Development, 2013, 50(1):146-169. (in Chinese)

23 KANG G, GAO J Z, XIE G. Data-driven water quality analysis and prediction: a survey[C]∥IEEE Third International Conference on Big Data Computing Service and Applications. IEEE, 2017：224-232.

24 ZHU X F, ZHANG S, HU R, et al. Local and global structure preservation for robust unsupervised spectral feature selection[J]. IEEE Transactions on Knowledge & Data Engineering, 2018, 30(3):517-529.

25 XU L Q, LIU S Y, LI D L. Prediction of water temperature in prawn cultures based on a mechanism model optimized by an improved artificial bee colony[J]. Computers & Electronics in Agriculture, 2017, 140:397-408.

26 CHEN Y Y, CHENG Y J, CHENG Q Q, et al. Short-term prediction model for ammonia nitrogen in aquaculture pond water based on optimized LSSVM[J]. International Agricultural Engineering Journal, 2017, 26(3):416-427.

27 劉雙印, 徐龍琴, 李道亮. 基于粗糙集融合支持向量機(jī)的水質(zhì)預(yù)警模型[J]. 系統(tǒng)工程理論與實(shí)踐, 2015, 35(6):1617-1624.

LIU S Y, XU L Q, LI D L. Water quality early-warning model based on support vector machine optimized by rough set algorithm[J]. System Engineering—Theory & Practice, 2015, 35(6):1617-1624. (in Chinese)

28 田野, 方磊, 魏芳芳,等. 基于物聯(lián)網(wǎng)的南美白對蝦環(huán)境監(jiān)控系統(tǒng)設(shè)計[J]. 漁業(yè)信息與戰(zhàn)略, 2017, 32(1):38-43.

29 HONG H, YANG X, YOU Z, et al. Visual quality detection of aquatic products using machine vision[J]. Aquacultural Engineering, 2014, 63(63):62-71.

30 YAO H, DUAN Q L, LI D L, et al. An improved k-means clustering algorithm for fish image segmentation[J]. Mathematical & Computer Modelling, 2013, 58(3-4):784-792.

31 TAHA Z, RAZMAN M A M, ADNAN F A, et al. The identification of hunger behaviour of lates calcarifer through the integration of image processing technique and support vector machine[C]∥IOP Conference Series: Materials Science and Engineering, 2018, 319(1): 12-28.

32 王斌, 徐建瑜, 王春琳. 基于計算機(jī)視覺的梭子蟹蛻殼檢測及不同背景對蛻殼的影響[J]. 漁業(yè)現(xiàn)代化, 2016, 43(2):11-16.

33 段青玲,張磊,魏芳芳,等.基于時間序列GA-SVR 的水產(chǎn)品價格預(yù)測模型及驗(yàn)證[J].農(nóng)業(yè)工程學(xué)報，2017，33(1):308-314.

DUAN Q L, ZHANG L, WEI F F, et al. Forecasting model and validation for aquatic product price based on time series GA-SVR[J]. Transactions of the CSAE, 2017, 33(1): 308-314. (in Chinese)

34 樊旭兵. 大數(shù)據(jù)時代的羅非魚內(nèi)銷[J]. 海洋與漁業(yè)·水產(chǎn)前沿, 2014(1):26-27.

35 顏波, 石平, 黃廣文. 基于RFID和EPC物聯(lián)網(wǎng)的水產(chǎn)品供應(yīng)鏈可追溯平臺開發(fā)[J]. 農(nóng)業(yè)工程學(xué)報, 2013, 29(15):172-183.

YAN B, SHI P, HUANG G W. Development of traceability system of aquatic foods supply chain based on RFID and EPC internet of things[J]. Transactions of the CSAE, 2013, 29(15):172-183. (in Chinese)

36 楊信廷, 吳滔, 孫傳恒,等. 基于USB Key的水產(chǎn)品企業(yè)監(jiān)管溯源系統(tǒng)設(shè)計與應(yīng)用[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報, 2012, 43(8):128-133.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20120824&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2012.08.024.

YANG X T， WU T, SUN C H, et al. Design and application of aquatic enterprise governance traceability system based on USB Key[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(8):128-133. (in Chinese)

37 TAI H J, LIU S Y, LI D L, et al. A multi-environmental factor monitoring system for aquiculture based on wireless sensor networks[J]. Sensor Letters, 2012, 10(1):265-270.

38 YU H H, CHEN Y Y, HASSAN S, et al. Dissolved oxygen content prediction in crab culture using a hybrid intelligent method[J]. Scientific Reports, 2016, 6:1-10.

39 農(nóng)業(yè)部. 農(nóng)業(yè)部關(guān)于2016—2017年度神農(nóng)中華農(nóng)業(yè)科技獎的表彰決定[EB/OL]. http:∥jiuban.moa.gov.cn/zwllm/tzgg/tz/201712/t20171207_5966881.htm, 2017-12-05.

40 YANG Y M, TSONG C, TSOU F. Aquaculture cloud management system[J]. Journal of Information Technology and Applications,2014,8(2):75-79.

41 劉光明, 邢克智, 田云臣,等. 基于云計算的水產(chǎn)集約化養(yǎng)殖信息平臺構(gòu)建[J]. 江蘇農(nóng)業(yè)科學(xué), 2013, 41(12):248-251.

42 CHEN Y J, LIU P X, JIANG B H, et al. The design of water quality monitoring cloud platform based on BS architecture[C]∥International Conference on Computational Science and Engineering, 2016.

43 朱文君. 構(gòu)造概念格的權(quán)值優(yōu)化改進(jìn)算法研究[D].上海: 上海海洋大學(xué), 2016.

44 王新安. 基于云服務(wù)的智慧水產(chǎn)養(yǎng)殖平臺的研究與實(shí)現(xiàn)[D]. 青島: 青島科技大學(xué), 2017.

45 SHI B, XU K, JIANG J M. Arrangement of sensor nodes for wireless sensor network in aquatic products breeding[J]. Advanced Materials Research, 2014, 989-994:3433-3436.

46 LIU Y R, DUAN Q L, ZHANG L. Evaluation model for water environment of Eriocheir sinensis ponds based on AdaBoost classifier[J]. International Agricultural Engineering Journal, 2017, 26(3): 340-348.

47 HU J, LI D L, DUAN Q L, et al. A fuzzy c-means clustering based algorithm to automatically segment fish disease visual symptoms[J]. Sensor Letters, 2012, 10(1):190-197.

48 SUN Y, LI D L, DU S, et al. WSN-based intelligent detection and control of dissolved oxygen in crab culture[J]. Sensor Letters, 2013, 11(6):1050-1054.

49 LIU S Y, TAI H J, DING Q, et al. A hybrid approach of support vector regression with genetic algorithm optimization for aquaculture water quality prediction[J]. Mathematical & Computer Modelling, 2013, 58(3-4):458-465.

50 劉雙印, 徐龍琴, 李道亮,等. 基于蟻群優(yōu)化最小二乘支持向量回歸機(jī)的河蟹養(yǎng)殖溶解氧預(yù)測模型[J]. 農(nóng)業(yè)工程學(xué)報, 2012, 28(23):167-175.

LIU S Y, XU L Q, LI D L, et al. Dissolved oxygen prediction model of Eriocheir Sinensis culture based on least squares support vector regression optimized by ant colony algorithm[J]. Transactions of the CSAE, 2012, 28(23): 167-175. (in Chinese)

51 LIU S Y, XU L Q, LI D L, et al. Prediction of dissolved oxygen content in river crab culture based on least squares support vector regression optimized by improved particle swarm optimization[J]. Computers & Electronics in Agriculture, 2013, 95(4):82-91.

52 劉雙印, 徐龍琴, 李道亮,等. 基于時間相似數(shù)據(jù)的支持向量機(jī)水質(zhì)溶解氧在線預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報, 2014, 30(3):155-162.

LIU S Y, XU L Q, LI D L, et al. Online prediction for dissolved oxygen of water quality based on support vector machine with time series similar data[J]. Transactions of the CSAE, 2014, 30(3):155-162. (in Chinese)

53 LIU S Y, XU L Q, JIANG Y, et al. A hybrid WA-CPSO-LSSVR model for dissolved oxygen content prediction in crab culture[J]. Engineering Applications of Artificial Intelligence, 2014, 29(3):114-124.

54 YANG Y T, TAI H J, LI D L. Real-time optimized prediction model for dissolved oxygen in crab aquaculture ponds using back propagation neural network[J]. Sensor Letters, 2014, 12(3):723-729.

55 CHEN Y Y, XU J, YU H 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, 2016:1-10.

56 朱成云, 劉星橋, 李慧,等. 工廠化水產(chǎn)養(yǎng)殖溶解氧預(yù)測模型優(yōu)化[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報, 2016, 47(1):273-278.

http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160137&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2016.01.037.

ZHU C Y, LIU X Q, LI H, et al. Optimization of prediction model of dissolved oxygen in industrial aquaculture [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(1):273-278. (in Chinese)

57 宦娟, 劉星橋. 基于K-means聚類和ELM神經(jīng)網(wǎng)絡(luò)的養(yǎng)殖水質(zhì)溶解氧預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報, 2016, 32(17):174-181.

HUAN J, LIU X Q. Dissolved oxygen prediction in water based on K-means clustering and ELM neural network for aquaculture[J]. Transactions of the CSAE, 2016, 32(17):174-181. (in Chinese)

58 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, 2014, 45(5):239-246. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140537&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2014.05.037.

LIU S Y, XU L Q, LI Z B, 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)

59 徐龍琴, 李乾川, 劉雙印,等. 基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和人工蜂群算法的工廠化養(yǎng)殖pH值預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報, 2016,32(3):202-209.

XU L Q, LI Q C, LIU S Y, et al. Prediction of pH value in industrialized aquaculture based on ensemble empirical mode decomposition and improved artificial bee colony algorithm[J]. Transactions of the CSAE, 2016,32(3):202-209. (in Chinese)

60 LIU S Y, XU L Q, LI D L. Multi-scale prediction of water temperature using empirical mode decomposition with back-propagation neural networks[J]. Computers & Electrical Engineering, 2016, 49:1-8.

61 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 particle swarm algorithm[J]. Fishery Modernization, 2016, 43(1):24-29. (in Chinese)

62 丁金婷, 臧澤林, 黃敏. 模糊方法改進(jìn)的反向傳輸神經(jīng)網(wǎng)絡(luò)預(yù)測南美白對蝦養(yǎng)殖的水質(zhì)[J]. 浙江大學(xué)學(xué)報:農(nóng)業(yè)與生命科學(xué)版, 2017, 43(1):128-136.

DING J T, ZANG Z L, HUANG M. Penaeus vannamei aquaculture water quality prediction based on the improved back propagation neural network[J]. Journal of Zhejiang University: Agric. & Life Sci., 2017, 43(1):128-136. (in Chinese)

63 CHANDANAPALLI S B, REDDY E S, LAKSHMI D R. FTDT: rough set integrated functional tangent decision tree for finding the status of aqua pond in aquaculture [J]. Journal of Intelligent & Fuzzy Systems, 2017, 32(3):1821-1832.

64 胡濤. 基于非參數(shù)的水產(chǎn)品價格預(yù)測系統(tǒng)研究 [D]. 北京: 中國農(nóng)業(yè)大學(xué), 2005.

65 賀艷輝. 基于BP人工神經(jīng)網(wǎng)絡(luò)水產(chǎn)品價格預(yù)測的研究[D]. 南京: 南京農(nóng)業(yè)大學(xué), 2009.

66 LI H W, GAO X X, CHENG K J. The application of wavelet neural network in prediction of the fish price [J]. Applied Mechanics and Materials, 2014, 687-691: 1945-1949.

67 于承先, 徐麗英, 邢斌,等. 集約化水產(chǎn)養(yǎng)殖水質(zhì)預(yù)警系統(tǒng)的設(shè)計與實(shí)現(xiàn)[J]. 計算機(jī)工程, 2009, 35(17):268-270.

YU Chengxian, XU Liying, XING Bin, et al. Design and implementation of intensive aquaculture water quality early warning system[J]. Computer Engineering, 2009, 35(17):268-270. (in Chinese)

68 周慧. 河蟹養(yǎng)殖環(huán)境監(jiān)測及預(yù)警模型研究[D]. 長沙:湖南農(nóng)業(yè)大學(xué), 2014.

69 胡金有, 王靖杰, 張小栓,等. 水產(chǎn)養(yǎng)殖信息化關(guān)鍵技術(shù)研究現(xiàn)狀與趨勢[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報, 2015,46(7):251-263. http:∥www.j-csam.org/ch/reader/view_abstract.aspx?file_no=20150737&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2015.07.037.

HU J Y, WANG J J, ZHANG X S, et al. Research status and development trends of information technologies in aquacultures[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(7):251-263. (in Chinese)

70 王瑞梅, 何有緣, 傅澤田. 淡水養(yǎng)殖池塘水質(zhì)預(yù)警模型[J]. 吉林農(nóng)業(yè)大學(xué)學(xué)報, 2011, 33(1):84-88.

71 朱瓊瑤, 張光新, 馮天恒,等. 基于粗糙集和證據(jù)理論的水質(zhì)分析預(yù)警技術(shù)研究[J]. 浙江大學(xué)學(xué)報:農(nóng)業(yè)與生命科學(xué)版, 2012, 38(6):747-754.

72 ZHU W, LI D L. A CBR system for fish disease diagnosis[J]. International Federation for Information Processing,2008,259:1453-1457.

73 SHI Y, GAO W, HU L, et al. The meta-ontology model of the fishdisease diagnostic knowledge based on OWL[M]∥Computer and Computing Technologies in Agriculture (II), Springer US, 2008:1415-1422.

74 YUAN H, YANG Y, CHEN Y. Crab-expert: a web-based ES for crab farming[C]∥International Conference on Control, Automation, Robotics and Vision. IEEE, 2007:1-5.

75 ZHANG X S, FU Z T, CAI W, et al. Applying evolutionary prototyping model in developing FIDSS: an intelligent decision support system for fish disease/health management[J]. Expert Systems with Applications An International Journal, 2009, 36(2):3901-3913.

76 溫繼文, 李道亮, 陳梅生,等. 基于UML的魚病遠(yuǎn)程監(jiān)測預(yù)警與診斷系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報, 2008,24(增刊2):166-171.

WEN Jiwen，LI Daoliang，CHEN Meisheng，et al．UML-based remote monitoring and early warning system for fish diseases diagnosis[J]．Transactions of the CSAE,2008,24(Supp.2):166-171. (in Chinese)

77 晏萍. 基于數(shù)據(jù)倉庫的水產(chǎn)動物疾病診斷系統(tǒng)研究與實(shí)現(xiàn)[D]. 上海:復(fù)旦大學(xué), 2006.

78 馬冬萍, 陳明, 陳文娜. 基于MAS魚病診斷專家系統(tǒng)的設(shè)計與應(yīng)用[J]. 計算機(jī)應(yīng)用與軟件, 2014(2):96-99.

79 LOU Dongmei, CHEN Ming, YE Jiechao. Study on a fish disease case reasoning system based on image retrieval[C]∥International Conference on Computers and Computing Technologies in Agriculture, 2007:887-893.

80 WU Y H, LIU J. A new method for fish disease diagnosis system based on rough set and classifier fusion[C]∥IEEE Artificial Intelligence and Computational Intelligence, Shanghai, 2009.

81 LOPES J N S, GONANDCCEDILALVES A N A, FUJIMOTO R Y, et al. Diagnosis of fish diseases using artificial neural networks[J]. International Journal of Computer Science Issues, 2011, 8(6):68-74.

82 DENG C H, LIN X, GU J. Expert system for fish disease diagnosis based on fuzzy neural network[C]∥IEEE Third International Conference on Intelligent Control and Information Processing. IEEE, 2012:146-149.

83 YAO H, DUAN Q L. The diseased fish recognition technology based on consolidated feature[J]. Sensor Letters, 2014, 12(3):678-683.

84 HANAFIAH N, SUGIARTO K, ARDY Y, et al. Expert system for diagnosis of Discus fish disease using fuzzy logic approach[C]∥IEEE International Conference on Computer and Communications, 2016:56-61.

85 MALIK S, KUMAR T, SAHOO A K. Image processing techniques for identification of fish disease[C]∥IEEE International Conference on Signal and Image Processing. IEEE, 2017:55-59.

86 吳一全, 殷駿, 戴一冕,等. 基于蜂群優(yōu)化多核支持向量機(jī)的淡水魚種類識別[J]. 農(nóng)業(yè)工程學(xué)報, 2014, 30(16):312-319.

WU Y Q, YIN J, DAI Y M, et al. Identification method of freshwater fish species using multi-kernel support vector machine with bee colony optimization[J]. Transactions of the CSAE, 2014, 30(16):312-319. (in Chinese)

87 MISIMI E, ERIKSON U, SKAVHAUG A. Quality grading of Atlantic salmon (Salmo salar) by computer vision [J]. Journal of Food Science, 2008, 73(5):211-217.

88 ALSMADI M K, OMAR K B, NOAH S A M. Fish classification based on robust features extraction from color signature using back-propagation classifier[J]. Journal of Computer Science, 2011, 7(1):52-58.

89 HU J, LI D L, DUAN Q L, et al. Fish species classification by color, texture and multi-class support vector machine using computer vision[J]. Computers & Electronics in Agriculture, 2012, 88(4):133-140.

90 MUHAMMAD S N, NURUL H Z, NURDIYANA Z, et al. Fish quality study using ordor-profile case-based reasoning classification technique[J]. ARPN Journal of Engineering and Applied Sciences, 2016, 11(10):6692-6696.

91 杜偉東, 李海森, 魏玉闊,等. 基于SVM的決策融合魚類識別方法[J]. 哈爾濱工程大學(xué)學(xué)報, 2015,36(5):623-627.

DU W D, LI H S, WEI Y K, et al. Decision fusion fish identification using SVM and its experimental study[J]. Journal of Harbin Engineering University, 2015, 36(5):623-627. (in Chinese)

92 DUTTA M K, SENGAR N, KAMBLE N, et al. Image processing based technique for classification of fish quality after cypermethrine exposure[J]. LWT—Food Science and Technology, 2016, 68:408-417.

93 ROSSI F, BENSO A, CARLO S D, et al. FishAPP: a mobile APP to detect fish falsification through image processing and machine learning techniques[C]∥IEEE International Conference on Automation, Quality and Testing, Robotics. IEEE, 2016:1-6.

94 林明旺. 基于卷積神經(jīng)網(wǎng)絡(luò)的魚類圖像識別與分類[J]. 電子技術(shù)與軟件工程, 2017(6):82-83.

95 顧?quán)嵠? 朱敏. 基于深度學(xué)習(xí)的魚類分類算法研究[J]. 計算機(jī)應(yīng)用與軟件, 2018(1):200-205.

96 于欣, 侯曉嬌, 盧煥達(dá),等. 基于光流法與特征統(tǒng)計的魚群異常行為檢測[J]. 農(nóng)業(yè)工程學(xué)報, 2014, 30(2):162-168.

YU X, HOU X J, LU H D, et al. Anomaly detection of fish school behavior based on features statistical and optical flow methods[J]. Transactions of the CSAE, 2014, 30(2):162-168. (in Chinese)

97 程淑紅, 劉潔, 李雷華. 基于魚類運(yùn)動行為的水質(zhì)異常評價因子研究[J]. 儀器儀表學(xué)報, 2015, 36(8):1759-1766.

98 XUE Z, SHEN G, XU Q, et al. Compression-aware I/O performance analysis for big data clustering[C]∥International Workshop on Big Data, Streams and Heterogeneous Source Mining: Algorithms, Systems, Programming MODELS and Applications. ACM, 2012:45-52.

99 HAVENS T C, BEZDEK J C, LECKIE C, et al. Fuzzy c-means algorithms for very large data[J]. IEEE Transactions on Fuzzy Systems, 2012, 20(6):1130-1146.

100 孫吉貴, 劉杰, 趙連宇. 聚類算法研究[J]. 軟件學(xué)報, 2008, 19(1):48-61.

SUN J G, LIU J, ZHAO L Y. Clustering algorithms research[J]. Journal of Software, 2008, 19(1):48-61. (in Chinese)

101 ZHU X F, ZHANG L, HUANG Z. A sparse embedding and least variance encoding approach to hashing[J]. IEEE Trans Image Process, 2014, 23(9):3737-3750.

102 ZHU X F, LI X, ZHANG S, et al. Graph PCA hashing for similarity search[J]. IEEE Transactions on Multimedia, 2017, 19(9):2033-2044.

103 HAN K J, TEWFIK A H. Expert computer vision based crab recognition system[C]∥International Conference on Image Processing Proceedings IEEE, 2001,2:649-652.

104 AGRAWAL R, SRIKANT R. Fast algorithms for mining association rules in large databases[C]∥International Conference on Very Large Data Bases. Morgan Kaufmann Publishers Inc., 1994:487-499.

105 何清, 李寧, 羅文娟,等. 大數(shù)據(jù)下的機(jī)器學(xué)習(xí)算法綜述[C]∥中國計算機(jī)學(xué)會人工智能會議, 北京, 2013.

106 王立華, 肖慧, 徐碩,等. 基于關(guān)聯(lián)規(guī)則的漁業(yè)信息推薦系統(tǒng)設(shè)計與實(shí)現(xiàn)[J]. 農(nóng)業(yè)工程學(xué)報, 2013, 29(7):124-130.

107 陳志民, 李亭, 楊敬鋒,等. 珠海市斗門區(qū)水產(chǎn)品病害網(wǎng)絡(luò)診斷與防治系統(tǒng)算法設(shè)計[J]. 安徽農(nóng)業(yè)科學(xué), 2010, 38(17):9348-9349.

108 GOODFELLOW I, BENGIO Y, COURVILLE A. Deep learning[M]. Cambridge: The MIT Press, 2016.

109 BOJNORDI M N, IPEK E. Memristive boltzmann machine: a hardware accelerator for combinatorial optimization and deep learning: international architecture-proceedings[C]∥IEEE, Symposium on High-Performance Computing, NEW YORK, 2016:1-13.

110 李慶武, 俞楷, 許金鑫,等. 基于深度學(xué)習(xí)網(wǎng)絡(luò)模型的魚群異常行為識別方法: 201510434598 [P]. 2015-07-22.

111 HUANG J, MENG X, XIE Q, et al. Complete sets of aquaculture automation equipment and their monitoring cloud platform[J]. Advances in Intelligent Systems and Computing, 2017, 691: 429-435.

112 FENG Y, WANG X N, LI H T. Research and construction of intelligent service platform for aquaculture [C]∥5th International Conference on Frontiers of Manufacturing Science and Measuring Technology, 2017, 130:801-804.

113 魏芳芳, 段青玲, 肖曉琰,等. 基于支持向量機(jī)的中文農(nóng)業(yè)文本分類技術(shù)研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報, 2015,46(增刊):174-179.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=2015S029&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn．1000-1298.2015.S0.029.

WEI F F, DUAN Q L, XIAO X Y, et al.Classification technique of chinese agricultural text information based on SVM[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(Supp.):174-179. (in Chinese)

114 張清春, 宋武林. 水產(chǎn)養(yǎng)殖生產(chǎn)日志管理系統(tǒng)的設(shè)計[J]. 福建電腦, 2011, 27(8):124-125.

115 周一敏. 大數(shù)據(jù)時代我國農(nóng)產(chǎn)品電子商務(wù)平臺模式研究[J]. 科技資訊, 2016, 14(25):15.

116 興化市政府. 中國蟹庫網(wǎng)通過“中國河蟹第一電商交易網(wǎng)”評審[EB/OL].http:∥www.xinghua.gov.cn/art/2017/6/7/art_8195_419827.html, 2017-06-07.

117 阿里.阿里聚石塔[EB/OL].http:∥cloud.taobao.com/, 2018-03-15.

118 徐麗英, 于承先, 邢斌,等. 基于PDA的集約化水產(chǎn)飼料投喂決策系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報, 2008, 24(增刊2):250-254.

XU L Y, YU C, XING B, et al. PDA-based aquaculture feeding decision support system[J]. Transactions of the CSAE, 2008, 24(Supp.2):250-254. (in Chinese)

119 ZHANG M, XUE H, WANG L, et al. A decision support system for fish feeding based on hybrid reasoning[J]. IFIP Advances in Information & Communication Technology, 2016, 392:19-26.

120 王超. 基于Weka輔助的中華絨螯蟹設(shè)施養(yǎng)殖物聯(lián)網(wǎng)決策支持系統(tǒng)設(shè)計[D]. 南京:東南大學(xué), 2015.

121 王蕾, 傅澤田, 李道亮. 網(wǎng)絡(luò)化河蟹養(yǎng)殖專家系統(tǒng)的設(shè)計[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報, 2002, 7(4):54-58.

WANG L, FU Z T, LI D L. Design on the limnetic crab culture expert system based-on web[J]. Journal of China Agricultural University, 2002, 7(4):54-58. (in Chinese)

122 王秀芬, 張樹林, 邢克智,等. 河蟹養(yǎng)殖專家決策系統(tǒng)的設(shè)計[J]. 天津農(nóng)學(xué)院學(xué)報, 2003, 10(3):12-15.

WANG X F, ZHANG S L, XING K Z, et al. Design of crab culture expert decision system based on internet[J]. Journal of Tianjin Agricultural College, 2003, 10(3):12-15. (in Chinese)

123 蘇賢明, 溫繼文, 李道亮. 基于MDA的魚病遠(yuǎn)程會診群決策支持系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報, 2008,24(增刊2):240-245.

SU X M, WEN J W, LI D L. MDA-based group decision support system for teleconsultation of fish disease[J]. Transactions of the CSAE, 2008,24(Supp.2): 240-245. (in Chinese)

124 袁紅春, 叢斯琳. Petri網(wǎng)的水產(chǎn)品溯源系統(tǒng)模型[J]. 傳感器與微系統(tǒng), 2016, 35(9):42-45.