早在20世纪80—90年代，欧美发达国家就进行了养殖工船的概念设计，提出了包括浮体平台、船载养殖车间、船舱养殖以及半潜式网箱工船等多种形式。例如，法国在布雷斯特北部的布列塔尼海岸与挪威合作建成了一艘长270 m、总排水量10万吨的养鱼工船；挪威NSK船舶设计公司2015年发布了其设计的3艘大型深海养殖工船，总长430 m、型宽54 m，单船可以养殖1万吨三文鱼成鱼或超过200万条幼鱼。
我国虽最早在20世纪80年代后期便提出了发展深远海养殖装备的设想，但直到近十年才真正付诸实践。2017年7月，我国首艘养殖工程“鲁岚渔61699号”在山东成功交付，可满足冷水团养殖鱼苗培育和养殖场看护要求。2020年10月，全球首制、具有完全自主知识产权的舷侧开孔式养殖工船“民德号”成功交付，该船由普通散货船改装而成，具有鱼类养殖、饵料加工、活鱼运输等功能。2022年5月，全球首艘10万吨级智慧渔业大型养殖工船“国信1号”交付运营，该船采用电动推进双桨，总长249.9 m，型宽45 m，型深21.5 m，设计吃水12 m，排水量13万吨，载重量约10万吨。2022年9月，“国信1号”养殖的首批大黄鱼开捕上市，标志着我国深远海养殖装备产业步入快车道。2023年中央一号文件提出“建设现代海洋牧场，发展深水网箱、养殖工船等深海远海养殖”，“养殖工船”首次被写入中央一号文件。
▲ "国信1号"养殖工船｜图片来自网络
养殖工船主要有通海型和封闭式两种类型。封闭式养殖工船是以船舶为载体，在养殖舱进行养殖，单舱养殖水体可达数万立方米。养殖工船上配有动力系统，具有灵活的机动性，可选择最佳适鱼温度和水质好的海域进行游弋式养殖，同时还可躲避恶劣的海况。封闭式养殖工船采用的是循环水养殖，通过控制循环水换水量维持养殖舱内的养殖水体各个指标达标。封闭式养殖系统具有养殖环境可控、集约化程度高、能抵御敌害生物侵害和养殖排污物可收集等特点，是绿色高效的养殖方式。
▲ 封闭式养殖工船养殖舱
03 养殖舱的智慧大脑：实时监测水质
养殖试验船上配备一套监测系统，对养殖过程中的水质情况、鱼类行为、船体姿态以及养殖设备运行状态进行实时在线监测、显示、报警和记录等。其中，水质监测系统通过多参数传感器对养殖舱中的水温、pH、溶解氧、盐度进行采集，并将数据实时发送至监控主机。
▲ 养殖工船养殖舱外观
▲ 养殖舱监测系统结构简图和实物图
溶解氧是养殖工船水环境的一个重要参考指标，直接关系到鱼的存活和生长，溶解氧含量不足会使鱼产生应激反应、食欲下降、饲料转化减少、生长缓慢、抵抗力下降甚至是急性死亡。然而，养殖水体中的溶解氧受天气、水质和人类活动等多种因素影响，具有时滞大、非线性、不稳定等特点。因此，加强对溶解氧预测研究，提高溶解氧的预测精度，可以及时采取应对措施，避免巨大损失。
▲ 养殖舱水质参数监测界面
卷积神经网络(Convolutional neural network, CNN)是深度学习模型的一个重要分支，具有很强的序列特征提取能力。长短期记忆(Long short−term memory, LSTM)因能解决长期依赖性问题而被广泛应用于时间序列数据预测中。门控循环单元 (Gated recurrent unit, GRU)是LSTM的改进模型，模型更简单、参数更少、训练速度更快，尤其在原始数据较少的情况下，GRU的预测效果要明显优于LSTM。然而，GRU网络不能充分挖掘数据的特征，当预测长度较长时预测精度会降低。由CNN和LSTM或者GRU组合而成的混合模型已被许多学者所研究，并且在故障识别、环境监测、风力发电和语音识别等领域被广泛使用，但在水产养殖中的应用依旧较少。
本研究通过在养殖工船上进行卵形鲳鲹 (Trachinotus ovatus) 养殖试验，以养殖过程中采集的数据为样本，充分利用CNN提取序列特征的能力和GRU对时间序列预测的优越性，提出了一种CNN-GRU溶解氧预测混合模型，对养殖舱的水体溶解氧进行预测。并采用多个评价指标，将CNN-GRU模型与CNN、LSTM、GRU等3 种模型的预测效果进行比较，验证了该混合模型的优越性。
▲ CNN-GRU网络结构图
试验数据通过养殖工船的水质监测系统进行采集，水质监测系统的采样间隔为15 min，试验周期为18 d，共获得了1 728组实验数据。在线采集的数据有：溶解氧含量、温度、pH值、盐度、循环水流量。通过皮尔逊相关性分析，选择了与溶解氧相关性较大的4个变量（溶解氧含量、温度、pH和流量）作为模型输入。
将采集到并经过预处理后的数据分为训练集和测试集两部分，选用前17 d共1632组数据作为训练集，第18天共96组数据作为测试集。分别使用CNN、LSTM、GRU和CNN-GRU4种预测模型对溶解氧进行了预测，预测结果图所示。从4个预测图可以观察到，CNN的预测效果最差，预测过程中存在较大的波动；LSTM和GRU的预测效果较好，预测曲线与实际值较相近，CNN-GRU的预测效果最好，预测值与实际值偏差很小。为了比较4种模型在预测养殖舱溶解氧含量方面的性能，分别使用均方根误差(RMSE)，平均绝对误差(MAE)和决定系数R23种性能评价指标对模型进行了评价，4个模型的RMSE、MAE和R2如下表所示。从表1可以看出，CNN模型的预测效果最差，CNN-GRU模型预测效果最好。
基于以上分析，本研究提出的CNN-GRU模型对溶解氧的预测具有最高的精度，各个评价指标都优于单一模型，这对养殖工船养殖水体溶解氧的预警和调控具有重要的参考意义。
苏辉锋, 丁乐声, 王绪旺, 陈木生, 陈潇*. 基于CNN-GRU混合模型的养殖工船水体溶解氧预测研究[J]. 南方水产科学, 2023,19(4): 174-180.
点击“https://www.schinafish.cn/article/doi/10.12131/20220298”了解详情。
https://blog.sciencenet.cn/blog-3535942-1399461.html
上一篇：
[转载]海洋里的绿色抗冻剂 | 为磁场冷冻加码下一篇：
[转载]来真格的！3个多月即发表｜《南方水产科学》“智慧渔业” 专题征稿启事
