張俊彪，陳 雯，蔡春芳，何 捷

(1.蘇州大學(xué) 基礎(chǔ)醫(yī)學(xué)與生物科學(xué)學(xué)院，江蘇 蘇州 215123；2.常州大學(xué)，江蘇 常州 213164)

我國是水產(chǎn)養(yǎng)殖大國，2018年全國水產(chǎn)品總產(chǎn)量6 457.66萬t，其中淡水養(yǎng)殖產(chǎn)量占48.88%[1]。池塘養(yǎng)殖是淡水養(yǎng)殖的主要方式，目前我國淡水池塘面積266.684萬hm2，年產(chǎn)2 210.97萬t水產(chǎn)品[1]，為滿足城鄉(xiāng)居民生活需要作出了卓越的貢獻(xiàn)。

水產(chǎn)養(yǎng)殖需要良好的水質(zhì)，池塘養(yǎng)殖管理中一項(xiàng)重要舉措就是換水。換水可提高池塘內(nèi)的溶氧含量，降低氨氮和亞硝酸鹽等有害物質(zhì)含量，從而提高養(yǎng)殖動(dòng)物生長速度[2-5]。換水也被視為防病、治病的有效手段[6-8]。然而，我國淡水資源緊缺，人均淡水資源量在全世界排名100多位，加上近年來水體富營養(yǎng)化迅速[9-10]，無論從生態(tài)文明建設(shè)的外在壓力還是從水產(chǎn)養(yǎng)殖健康發(fā)展的內(nèi)在要求來講，都應(yīng)該設(shè)法科學(xué)合理地降低換水量，保護(hù)水源水質(zhì)。因此，探討影響換水量的因素、構(gòu)建關(guān)于換水量的預(yù)測模型具有較高的現(xiàn)實(shí)意義。

水產(chǎn)養(yǎng)殖從業(yè)者更關(guān)心產(chǎn)量和效益，為了追求產(chǎn)量，放養(yǎng)密度不斷提高，由此帶來投餌量增加，殘餌及排泄物則進(jìn)一步導(dǎo)致水中營養(yǎng)物質(zhì)、有機(jī)碎屑等超標(biāo)[11]，加劇水質(zhì)惡化[12]，因而許多養(yǎng)殖者采用換水的方式來改善水質(zhì)，通常在夏季高溫季節(jié)換水需求最大[13-14]。因此，分析影響產(chǎn)量的主要因素，構(gòu)建相應(yīng)的預(yù)測模型，將有助于養(yǎng)殖者作出科學(xué)決策，平衡好經(jīng)濟(jì)效益與生態(tài)效益之間的關(guān)系，保障水產(chǎn)養(yǎng)殖業(yè)的可持續(xù)發(fā)展。

主成分分析(Principal component analysis，PCA)具有降維、聚焦關(guān)鍵綜合信息的作用，可用于篩選影響目標(biāo)參數(shù)的重要因子[15-16]。人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network，ANN)能處理模糊的非線性關(guān)系問題，其中，反向傳播(Back propagation，BP)神經(jīng)網(wǎng)絡(luò)已廣泛用于水體[17-19]、土壤[20-21]、大氣[22-23]等環(huán)境領(lǐng)域以及工業(yè)[24-25]、農(nóng)業(yè)生產(chǎn)[26-27]的研究中。BP-ANN也已被應(yīng)用于構(gòu)建水產(chǎn)養(yǎng)殖產(chǎn)量預(yù)測模型，性能良好[28]。本研究應(yīng)用PCA分析篩選影響?zhàn)B魚池塘產(chǎn)量和換水量的主要因子，在此基礎(chǔ)上，采用BP-ANN算法構(gòu)建養(yǎng)魚池塘放養(yǎng)魚類總產(chǎn)量和夏季換水量模型，為池塘養(yǎng)殖生產(chǎn)管理策略優(yōu)化提供借鑒，也為水產(chǎn)養(yǎng)殖污染管控提供新思路。

1 材料和方法

1.1 數(shù)據(jù)來源

數(shù)據(jù)由蘇州大學(xué)水產(chǎn)養(yǎng)殖與水環(huán)境治理共性技術(shù)試驗(yàn)示范及綜合管理技術(shù)體系研究(2015BAD13B06)課題組在江蘇泰州、揚(yáng)州、淮安等實(shí)地調(diào)查而得，調(diào)查的塘口是混養(yǎng)草魚(Ctenopharyngodonidellus)、鯽魚(Carassiusauratu)、鯉魚(Cyprinuscarpio)的池塘，搭配了鰱魚(Hypophthalmichthysmolitrix)、鳙魚(Aristichthysnobilis)以調(diào)節(jié)水質(zhì)。養(yǎng)殖魚類放養(yǎng)時(shí)間均為冬季，鰱、鳙分別有放養(yǎng)夏花和冬片2種方式。調(diào)查的指標(biāo)如表1所示。共獲得51組完整記錄。

表1 調(diào)查類別及參數(shù)Tab.1 Survey classifications and parameters

注：每次換水量、平均每次補(bǔ)水量分別指池塘換水和補(bǔ)水前后水位高度差，單位為cm；夏季換水量指夏季池塘總的換水水位高度差，單位為cm。
Note:The amount of water exchange each time,the average amount of water per supplement refer to the difference in water level before and after the water exchange or supplement in the pond,the unit is cm.The amount of water exchanged in summer refer to the total difference in water level before and after the water exchange in summer,the unit is cm.

1.2 主成分篩選關(guān)鍵參數(shù)

分別以放養(yǎng)魚類總產(chǎn)量、夏季換水量為基準(zhǔn)，利用SPSS 22.0對整理好的51組記錄進(jìn)行主成分分析。

1.3 BP-ANN模型的建立

運(yùn)用Matlab 2016a進(jìn)行模型的建立，輸入層為主成分分析后篩選出的n個(gè)指標(biāo)，輸出層分別為放養(yǎng)魚類總產(chǎn)量或夏季換水量各1個(gè)指標(biāo)。從51組數(shù)據(jù)中隨機(jī)抽取45組作為訓(xùn)練樣本，其余6組作為測試樣本。隱含層選用一層[29-30]，隱含層節(jié)點(diǎn)數(shù)經(jīng)過多次訓(xùn)練選擇為m，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)即為n-m-1結(jié)構(gòu)。為了去除數(shù)據(jù)量綱的影響，利用最大最小值法(Mapminmax)對數(shù)據(jù)進(jìn)行歸一化處理。參數(shù)上最大訓(xùn)練次數(shù)設(shè)為1 000，訓(xùn)練精度設(shè)為5～10，學(xué)習(xí)率設(shè)為0.01，訓(xùn)練函數(shù)采用trainlm，算法采用Levenberg-Marquardt，輸入層到隱含層之間的傳遞函數(shù)選擇tansig，權(quán)值函數(shù)選擇learngdm，隱含層到輸出層的傳遞函數(shù)選擇purelin，性能函數(shù)選擇mse。

經(jīng)試錯(cuò)法[31]和主成分分析，放養(yǎng)魚類總產(chǎn)量和夏季換水量模型中n-m-1結(jié)構(gòu)最終分別確定為18-11-1、17-10-1。

1.4 模型性能的檢驗(yàn)

采用擬合決定系數(shù)(Coefficient of determination，R2)、相對誤差(Relative error，RE)、平均相對誤差(Mean relative error，MRE)、絕對誤差(Absolute error,AE)、平均絕對誤差(Mean absolute error，MAE)、均方誤差(Mean square error，MSE)來檢驗(yàn)?zāi)Ｐ托阅?。R2值越接近1，表明模型的性能越好，反之越差；而RE、MRE、AE、MAE和MSE值越小，說明模型預(yù)測性能越好。

2 結(jié)果與分析

2.1 主成分?jǐn)?shù)據(jù)篩選

由表2、3可知，放養(yǎng)魚類總產(chǎn)量模型和夏季換水量模型中篩選出的8個(gè)主成分，其累計(jì)方差貢獻(xiàn)率分別為87.603%、87.773%。表4為在載荷值絕對值≥0.7的標(biāo)準(zhǔn)下提取的影響放養(yǎng)魚類總產(chǎn)量和夏季換水量的主要指標(biāo)。參數(shù)中的草魚放養(yǎng)密度、鯽魚放養(yǎng)密度、鯽魚放養(yǎng)規(guī)格、鯉魚捕撈規(guī)格、鳙魚捕撈規(guī)格和鯉魚產(chǎn)量，所有經(jīng)濟(jì)成本情況指標(biāo)(塘租費(fèi)、苗種費(fèi)、飼料費(fèi)、電費(fèi)、調(diào)水費(fèi)、病害防治費(fèi)和人工費(fèi))，以及水深和是否發(fā)生藍(lán)藻這15項(xiàng)指標(biāo)均被篩選進(jìn)入2種模型的輸入指標(biāo)中。放養(yǎng)魚類總產(chǎn)量模型中還篩選進(jìn)鯽魚產(chǎn)量、鳙魚產(chǎn)量和增氧方式3項(xiàng)指標(biāo)。夏季換水量模型中還篩選進(jìn)鯉魚放養(yǎng)密度和鰱鳙放養(yǎng)時(shí)間2項(xiàng)指標(biāo)。

2.2 放養(yǎng)魚類總產(chǎn)量模型的RE、AE、MAE和MRE值

由表5可知,6個(gè)預(yù)測值RE值最大為8.40%，AE值最大為2.53 t/hm2，MAE值為1.51 t/hm2，MRE值為5.81%，說明預(yù)測效果整體良好。

表2 放養(yǎng)魚類總產(chǎn)量的主成分特征值和方差貢獻(xiàn)率Tab.2 Eigenvalue and variance contribution rate of principal components of total production of stocking fish

表3 夏季換水量的主成分特征值和方差貢獻(xiàn)率Tab.3 Eigenvalue and variance contribution rate of principal components of the amount of water exchange in summer

表4 影響放養(yǎng)魚類總產(chǎn)量和夏季換水量的主要參數(shù)Tab.4 The principal parameters that affecting total production of stocking fish and amount of exchanged water in summer

表5 放養(yǎng)魚類總產(chǎn)量模型的RE、AE、MAE和MRE值Tab.5 RE,AE,MAE and MRE values of production of stocking fish model

2.3 夏季換水量模型的RE、AE和MAE值

由表6可以看出，6個(gè)測試樣本擬合效果良好，AE值最大為19.10 cm，MAE值為13.36 cm。由于其余5個(gè)測試樣本實(shí)際值是0，RE值無意義。

表6 夏季換水量模型的RE、AE和MAE值Tab.6 RE,AE and MAE values of amount of exchanged water in summer model

注：RE出現(xiàn)Inf，是由于實(shí)際值(分母)為0.
Note:“Inf” appears inREbecause the actual value is 0.

2.4 2種模型的R2和MSE值

由表7可以看出，放養(yǎng)魚類總產(chǎn)量模型的MSE值為0.006 5，夏季換水量模型的MSE值為0.063 3，MSE值均較小，精度良好。從R2可以看出，放養(yǎng)魚類總產(chǎn)量模型的R2值為0.941 3，夏季換水量模型的R2值為0.996 5，說明模型擬合效果較好，預(yù)測結(jié)果可信度較高。

表7 2種模型的R2和MSE值Tab.7 R2 and MSE values of the two models

3 結(jié)論與討論

R2是衡量一個(gè)神經(jīng)網(wǎng)絡(luò)模型擬合效果的重要指標(biāo)，本研究中放養(yǎng)魚類總產(chǎn)量和夏季換水量這2種模型的R2值分別是0.941 3與0.996 5。李想等[32]在用BP-ANN擬合糧食產(chǎn)量與化肥用量的相關(guān)性時(shí),模型的R2>0.80，并認(rèn)為其擬合準(zhǔn)確度較高；楊瑋等[33]利用BP-ANN對冬小麥產(chǎn)量進(jìn)行預(yù)測，其R2值為0.823 7，認(rèn)為擬合效果較好。對比上述研究，本研究中模型性能良好。

MSE值是評價(jià)神經(jīng)網(wǎng)絡(luò)模型性能的重要指標(biāo)，崔嘉宇等[34]利用BP-ANN對太湖富營養(yǎng)化指標(biāo)進(jìn)行預(yù)測，其模型MSE值最大為0.166 4，且研究認(rèn)為其預(yù)測效果較好，本研究中夏季換水量模型的MSE值為0.063 3，說明預(yù)測效果良好。

在放養(yǎng)魚類總產(chǎn)量模型中，MRE值為5.81%，RE值最大為8.40%。夏季換水量模型中，隨機(jī)篩選出的僅有的1組含相對誤差數(shù)據(jù)計(jì)算的RE值是2.24%，其AE值為2.30 cm，而其他夏季換水量實(shí)際值為0 cm的數(shù)據(jù)預(yù)測出AE值最大是19.10 cm。縱觀全部池塘管理數(shù)據(jù)，夏季換水量最高的是600 cm，因此，19.10 cm的AE值不算高，可以作為0 cm對待。田亞鵬等[35]利用BP神經(jīng)網(wǎng)絡(luò)建立頁巖氣產(chǎn)量遞減預(yù)測模型，其遺傳算法優(yōu)化后的模型RE值最大約為8%，與本研究RE最大值相近。

本研究建立的放養(yǎng)魚類總產(chǎn)量模型和夏季換水量模型整體上能夠較好地反映各自測試樣本的實(shí)際值，基本能夠滿足生產(chǎn)實(shí)際的精度需要。但如果進(jìn)一步提高模型的擬合度，減少RE值，還需收集更多數(shù)據(jù)。建議水產(chǎn)養(yǎng)殖從業(yè)者和管理者加強(qiáng)塘口管理檔案的記錄、整理、共享，重點(diǎn)收集影響放養(yǎng)魚類總產(chǎn)量和夏季換水量的數(shù)據(jù)，以用于進(jìn)一步完善模型，從而指導(dǎo)生產(chǎn)，優(yōu)化管理決策。