一种用于鱼菜共生系统的养分动态预测方法与流程

1.本发明涉及农业养殖领域，具体涉及一种用于鱼菜共生系统的养分动态预测方法。


背景技术：

2.鱼菜共生系统是一种整合了水产养殖和水培种植的综合生产系统。使用管道连接不同组件(鱼缸,生物过滤器,水培系统)构成循环系统装置，将水产养殖的污染物用作可供植物生长的养料。系统中的硝化细菌将水体中的氨氮转化成硝酸盐，以便于植物吸收。鱼菜共生系统实现了养殖废水的循环利用，提高了养分利用效率，还避免了传统渔业造成的环境污染。是一种值得探究的环境友好型养殖模式。此外，鱼菜共生系统摆脱了对于土地的依赖，可以在不同环境条件下进行构建不同规模的培育系统。在水产养殖和城市农业等领域具有诱人的潜力，联合国粮农组织把小型鱼菜共生系统视为极具价值的可持续农业模式向全球推荐。
3.但鱼菜共生系统在生产过程中经常出现因某种营养元素缺失或者过剩，从而引发植物病害。由于鱼菜共生系统是闭环系统，目前的应对手段诸如农药喷洒等，均不符合鱼菜共生系统的生产规范，因此通过预防可能发生的植物病害是面对该问题最好的解决方案。机器学习(machine learning)是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习在各个领域都有广泛的应用，特别在数据分析领域有着深远的影响。通过机洗学习下的数据分析进行鱼菜共生系统内的营养元素动态分析，及早对营养元素进行调控，从而在源头上实现对病害的预防。


技术实现要素：

4.为了更为准确的对鱼菜共生系统中的营养元素进行动态分析，从而更快的在病害发生前介入干涉，本发明提出了一种用于鱼菜共生系统的养分动态预测方法，包括步骤：
5.s1：以预设时间间隔采集共生系统若干生态组别中各目标监测点处的水样样本；
6.s2：获取各水样样本中的养分参数和环境参数；
7.s3：根据皮尔森相关系数对养分参数中的各目标元素进行元素聚类划分；
8.s4：根据相异度距离进行各生态组别中目标元素的聚类分布相似性统计；
9.s5：根据各水样样本的样本来源信息，以及聚类划分结果和相似性统计训练决策树模型；
10.s6：通过训练后的决策树模型进行共生系统的养分动态预测。
11.进一步地，所述s1步骤中，目标检测点包括种植管、过滤装置和养殖池。
12.进一步地，所述s1步骤中，各生态组别的运行参数根据类别区分要求设有相应的水体流速和喂食频率。
13.进一步地，所述养分参数中的目标元素包括铁、锰、氮、镍、硼、镁、钾、钙、磷、硫、锌、铜、钼中的一种或多种，所述环境参数包括温度、溶解氧和酸碱度。
14.进一步地，所述s3步骤中，聚类划分具体为：
15.根据目标元素的皮尔森相关系数，将目标元素依据预设系数梯度进行聚类划分。
16.进一步地，所述皮尔森相关系数可表示为如下公式：
[0017][0018]
式中，r为皮尔森相关系数，n为生态组别的数量，i为常数，xi和yi分别为第i个生态组别中目标元素x、y的丰度，分别为目标元素x、y的平均丰度。
[0019]
进一步地，所述s4步骤中，相似性统计具体为：
[0020]
根据目标元素的相异度距离，将目标元素依据预设距离梯度进行类型划分。
[0021]
进一步地，所述相异度距离可表示为如下公式：
[0022][0023]
式中，d为目标元素的相异度距离，s
a,i
和s
b,i
分别为第i个目标元素分别在生态组别a和生态组别b中的丰度。
[0024]
进一步地，所述s5步骤中，决策树模型采用自适应增强后的c5.0决策树模型。
[0025]
与现有技术相比，本发明至少含有以下有益效果：
[0026]
(1)本发明所述的一种用于鱼菜共生系统的养分动态预测方法，其利用统计学相关性指数和生态学群落相异性度量指标将鱼菜共生系统营养元素分步情况分类，从而能够更好的获取不同养殖环境下共生系统中营养元素的动态变化，进而在元素失调前及时进行调整，降低植蔬病虫害的发生几率；
[0027]
(2)采用决策树模型进行动态预测，决策过程更加透明，能够根据植蔬实际需求的营养元素进行相关元素的预测更改；
[0028]
(3)采用决策树模型作为预测模型，更加符合数据采集过程中不同时间、不同运行参数下的多分支状态，整体预测准确率更高。
附图说明
[0029]
图1为一种用于鱼菜共生系统的养分动态预测方法的方法步骤图。
具体实施方式
[0030]
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
[0031]
实施例一
[0032]
目前鱼菜共生系统的养分管理主要集中在氮元素，对磷、钾、硫元素略有涉及，缺乏对其他植物所需的大量元素和微量元素的研究。此外，鱼菜共生系统生产管理过程中缺乏有效，透明、可以验证的方法预测鱼菜共生系统中营养元素的综合丰度特征。基于此，如图1所示，本发明提出了一种用于鱼菜共生系统的养分动态预测方法，包括步骤：
[0033]
s1：以预设时间间隔采集共生系统若干生态组别中各目标监测点处的水样样本；
[0034]
s2：获取各水样样本中的养分参数和环境参数；
[0035]
s3：根据皮尔森相关系数对养分参数中的各目标元素进行元素聚类划分；
[0036]
s4：根据相异度距离进行各生态组别中目标元素的聚类分布相似性统计；
[0037]
s5：根据各水样样本的样本来源信息，以及聚类划分结果和相似性统计训练决策树模型；
[0038]
s6：通过训练后的决策树模型进行共生系统的养分动态预测。
[0039]
在实际数据采集的过程中，生态组别分为实验组和对照组，从而更好的分析养殖状态下相较于自然状态养分参数和环境参数的变化。在一具体实施例中，每个实验组运行24h，并在每天的8:00至次日8:00每隔两个小时在共生系统中的目标检测点，也即是种植管、过滤装置和养殖池(包括水体表层和水体底层)中各取100ml的水样样本，并对其中的养分参数(包括铁、锰、氮、镍、硼、镁、钾、钙、磷、硫、锌、铜、钼等目标元素)进行测量，通过记录相应时间点时的水温、溶解氧和酸碱度。而两个对照组的运行参数与实验组大体一致，只是流速和喂食频率设置为0。该具体实施例的具体参数设置如下表1所示。需要注意的是，在具体应用过程中，可以根据实验的实际需求进行参数的改变，而不仅仅限于该具体实施例的参数设置。
[0040]
表1：实验组系统运行参数设置
[0041][0042][0043]
通过上述不同运行参数的设置，就可以得到不同养殖状态下的水样样本，而根据这些水样样本可以采集到不同养殖状态下，各时间段营养元素的动态变化数据。根据这些数据，本发明采用统计学相关性指数(包括但不限于pearson相关系数、spearman相关系数、kendall相关系数)对各营养元素进行分类，并基于目标元素的相关性系数，将目标元素依据预设系数梯度进行聚类划分，从而了解各营养元素与运行参数的相关性，进而将元素丰度与系统运行参数关联起来。
[0044]
其中，本技术选用皮尔森(pearson)相关系数进行相关性指数的获取，其可表示为
如下公式：
[0045][0046]
式中，r为皮尔森相关系数，n为生态组别的数量，i为常数，xi和yi分别为第i个生态组别中目标元素x、y的丰度，分别为目标元素x、y的平均丰度。
[0047]
同时，本发明针对多营养元素之间元素数量多，元素间覆盖关系复杂，元素对于不同植蔬重要性差异等特性，选用相异度距离(bray-curtis)进行各水样样本中元素聚类分布相似性的获取，将对应水样样本中丰度相近的营养元素进行划分聚类。具体地，根据目标元素的相异度距离，将目标元素依据预设距离梯度进行类型划分(例如梯度小于0.3的样本归为一个样本类型)，其中，相异度距离可表示为如下公式：
[0048][0049]
式中，d为目标元素的相异度距离，s
a,i
和s
b,i
分别为第i个目标元素分别在生态组别a和生态组别b中的丰度。
[0050]
需要注意的是，在将这些分析后的数据输入预测模型进行训练和验证前，需要去除那些数据异常的水样样本。而从这些数据采集以及分类的过程中可以看出，在不同的时间、不同的系统设置参数下，数据的分类整体呈树状枝杈延展。根据该数据延展特性，本发明选用决策树模型作为预测模型对水样样本进行分类预测，并根据各水样样本的样本来源信息(包括样本组别、采样时间)，以及聚类划分结果和相似性统计训练决策树模型。
[0051]
其中，分类预测指通过向现有数据的学习，使模型具备对未来新数据的预测能力。对于分类预测有这样几个重要，一是此模型使用的方法是归纳和提炼，而不是演绎。非数据挖掘类的软件的基本原理往往是演绎，软件能通过一系列的运算，用已知的公式对数据进行运算或统计。分类预测的基本原理是归纳，是学习，是发现新知识和新规律；二是指导性学习。所谓指导性学习，指数据中包含的变量不仅有预测性变量，还有目标变量；三是学习，模型通过归纳而不断学习。
[0052]
其中，决策树是机器学习中最基础且应用最广泛的算法模型，相较于神经网络模型、支持向量机模型等机器学习方法，决策树模型的决策过程更加透明，易于更改和确认。开发一个基于决策树模型的预测方法，能够有效预测鱼菜共生系统营养元素综合丰度特征，对鱼菜共生系统生产管理具有极其重要的意义。而决策树模型属于有指导的学习，即原数据必须包含预测变量(即本发明中的养分参数、环境参数、样本来源信息)和目标变量(即本发明中的聚类划分结果和相似性统计)。
[0053]
决策树模型之所以如此命名，是因为其分析结果以一棵倒置的树的形式呈现。决策树由上到下依次为根节点、内部节点和叶节点。一个节点对应于数据中的一个字段，即一个字段(即question)对应一对数据进行一次划分。决策树分为分类决策树(目标变量为分类型数值)和回归决策树(目标变量为连续型变量)。分类决策树叶节点所含样本中，其输出变量的众数就是分类结果；回归树的叶节点所含样本中，其输出变量的平均值就是预测结
果。可以看出，决策树模型的节点划分非常类似与鱼菜共生系统中营养元素的分类过程。
[0054]
进一步地，为了更好的进行营养元素的动态分析，本发明中采用自适应增强后的c5.0决策树模型，以更精准的进行鱼菜共生系统中营养元素的动态分析预测。
[0055]
最后，通过训练后的决策树模型，根据实际生产过程中的系统设置参数进行鱼菜共生系统内的营养元素动态预测，进而在预测到某一特定营养元素将要失衡时，及时进行元素不足，避免因此造成的植蔬病害发生。
[0056]
综上所述，本发明所述的一种用于鱼菜共生系统的养分动态预测方法，其利用统计学相关性指数和生态学群落相异性度量指标将鱼菜共生系统营养元素分步情况分类，从而能够更好的获取不同养殖环境下共生系统中营养元素的动态变化，进而在元素失调前及时进行调整，降低植蔬病虫害的发生几率。
[0057]
采用决策树模型进行动态预测，决策过程更加透明，能够根据植蔬实际需求的营养元素进行相关元素的预测更改。而采用决策树模型作为预测模型，更加符合数据采集过程中不同时间、不同运行参数下的多分支状态，整体预测准确率更高。
[0058]
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0059]
另外，在本发明中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0060]
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0061]
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。