全球计算机科学研究杂志。
菜单石头:2229 - 371 x
石头:2229 - 371 x
收到的日期: 21/07/2021;接受日期:28/07/2021;发布日期: 04/08/2021
更多相关文章请访问全球计算机科学研究杂志。
世界和本地市场对大虾的需求都非常高。沿海地区较长的国家适合养虾。喀拉拉邦就是印度的一个邦。保持良好的水质是成功养殖虾的一个重要因素。本文的研究重点是寻找能准确预测水质的最佳模型。在回顾了许多论文后，我们发现带有稀疏AutoEncoder的LSTM方法比其他模型预测更准确。
LSTM;格勒乌;深度学习;整体学习。
印度海岸线长8118公里，喀拉拉邦海岸线长580公里。该国以及该州的虾养殖业是不断增长的蛋白质生产部门之一。这是印度重要的外汇。虾养殖的成功主要取决于水质和优质种子。水质由各种参数决定，如浑浊度、水温、溶解氧、盐度、pH值、土壤特性、土壤养分等。通过对池塘的持续监测，我们可以获得良好的产量。喀拉拉邦的大多数虾农都在人工监测水质。它们依靠实验室检查pH值、盐度等。
这非常耗时，通常他们每周都会检查一次[1］．这个时候，环境可能会对虾的健康和生长产生不利影响。因此，为了获得良好的产量，需要自动化的连续实时监测。
这是一篇综述论文，在这篇论文中，我回顾了一些提出对水质进行连续监测和预测各种水质参数值的方法的论文。该预测值有助于农民采取必要的预测措施。本文共分为四个部分。第一部分是论文的介绍。第二部分是文献综述。结论为第三部分。最后一节列出了参考文献。
环境因子的实时监测在水产养殖和水稻种植中非常重要。因此，他们采用嵌入式系统来监测和控制环境参数情况。为此，他们使用了一个微控制器，ArduinoUNO中的Atmega328 IC，一个树莓派(第三代模型B在他们的项目中使用)和许多传感器和执行器。他们研究了在喀拉拉邦Alappuzha流行的Pokkali田地的情况，那里交替种植水稻和虾。对于养虾管理，他们监测溶解氧和PH值的量。对于水稻种植，他们监测PH值，土壤湿度和温度，他们通过使用以下五个不同的传感器来测量温度，湿度PH值，土壤湿度和浑浊度。他们使用Arduino软件对微控制器进行编程。他们选择Python作为他们的编程语言。
通过使用水下监视系统，虾场的生产力可以提高，该系统可以分析水下情况，以提供智能喂食和水质控制。他们在台湾实行了这个制度。据他们介绍，使用传感器来检查虾的生长和健康状况并不不足。因此，他们提出了一种具有图像去雾技术的监控系统，以获得清晰的图像。他们还使用了AI图像处理技术[2］．物体检测技术用于识别物体。它还能识别池塘底部剩余的食物。
步骤:将池塘的情况采集为图像，通过摄像头和水质传感器采集水质数据。由于池塘里的水是浑浊的，从相机得到的图像可能是雾蒙蒙的。因此，他们采用物体增强法进行去雾，以获得清晰的图像。为此，它们依赖于波长补偿和脱雾。然后进行AI图像识别，其中包括剩余食物的生长和数量以及数量识别。为此，他们使用了快速R-CNN方法。图像和传感器数据被上传到应用程序，处理后的数据在使用界面中实时可用。有了它，他们可以提供智能喂养、智能排污的决策，以及异常状态的决策。
稀疏自动编码器用于在将数据提供给LSTM之前提取特征。最初，他们将传感器数据和气象数据输入预处理器[3.］．在那里，他们删除了缺失的值并执行规范化。归一化使得梯度下降速度更快，从而提供了更高的预测精度。下一步，他们将规范化数据送入稀疏自动编码器。从SAE的隐藏层中学习到的多维稀疏激活值被赋予LSTM。训练数据，直到错误下降到特定级别或达到迭代计数。使用训练过的样本测试新的值来预测水中的DO。他们每10秒收集一次数据，连续20天。他们测量了DO、水温、氨氮含量和ph值。他们还测量了大气湿度、大气压力、大气温度和风速。他们将DO预测结果与稀疏自编码器+反向传播神经网络模型、单一长短期记忆模型、简单反向传播神经网络模型、稀疏自编码器+长短期记忆模型进行了比较。
他们预测了3小时、6小时和12小时内的DO含量。他们发现，随着时间的增加，预测的准确性下降(图1)．但稀疏自动编码器+长短期记忆模型的预测精度优于其他三种模型，特别是在考虑12小时预测时。
图1所示。3小时，6小时和12小时做内容。随着时间的增加，预测精度降低。
为了测试预测的准确性，他们使用了平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)。他们的结论是，尽管SAE和LSTM的联合使用比单独使用LSTM花费更多的时间，但在误差方面，联合使用的方法比单独使用LSTM更好。SAE和BPNN也可以得到类似的结果。因此，他们证明了使用稀疏自动编码器可以提高预测精度。研究了利用物联网技术开发活水质分析系统。他们使用了一个装有必要的板和传感器的漂浮热煤浮标来实时收集数据(图2)．
图2。一个漂浮的热煤制成浮标，配有必要的板和传感器，以实时收集数据。
它们使用传感器收集溶解氧、温度、湿度、pH值、二氧化碳和土壤湿度，并在ESP8266的帮助下在每次读取时发送到firebase云。利用相关系数，利用多个传感器之间的相关值来估计水质污染。本文比较了RNN、LSTM和GRU预测池塘DO的性能。评价依据均方误差、平均绝对误差、平均绝对百分比误差和决定系数。LSTM和GRU是RNN的变体。他们使用集成的PLC控制箱收集DO、温度、pH、NH和浊度。通过取六个相邻数据的中位数来确定异常值。
图3。利用相关函数计算数据之间的相关系数。
将整个数据分为训练集和测试集。训练集包含5040个35天的数据。测试数据包含150个1天的数据。他们的模型旨在提前一天预测DO。作者使用的数据集包括来自两个虾池的溶解氧读数。一个池塘很大，在户外。另一个很小，有盖。两者都有相同的深度，并内衬塑料。他们在两个池塘里都养了虎虾。他们使用YSIEXO2多参数Sonde传感器进行15分钟间隔的DO读数。 Data from the sensors are sampled automatically and send to CSIRO’s Senaps data platform. They used 70% data as a training set and 30% data as test set. They investigated the performance of Support Vector Machine, Neural Networks and Linear Regression.
作者在论文的结尾指出了以下几点:
•与其他方法相比，所提出的系统使用多个时间戳提前预测溶解氧，显示出更好的性能。
•随着时间戳的增加，以前的数据量非常大。
•在这里，他们在不考虑温度、盐含量、风速、pH值等其他参数的情况下预测了DO。
提出了一种基于深度LSTM学习网络的水质预测新方法。在这里，他们预测pH值和水温[4］．作为第一步，他们使用线性插值、平滑和平均滤波方法从传感器中去除噪声和错误数据。第二步，他们发现各种水质参数之间的相关性，如pH值、温度等。作为最后一步，他们使用LSTM构建了一个预测模型。结果表明，短期预测比长期预测更准确。
作者在中国海南省的一个海水养殖基地进行了实验。由于传感器设备的不稳定、老化或损坏以及网络问题，可能导致数据丢失。在预处理过程中，他们使用线性插值方法重新创建缺失值[5］．利用移动平均滤波器实现去噪。利用Pearson相关系数，建立了水质参数之间的相关关系。
水的质量在养虾中非常重要。从综述的论文中，可以了解到，如果一个模型可以使用不同的参数来预测水的质量，农民就可以采取必要的行动来面对这种情况。使用传感器，我们可以收集实时数据，如溶解氧，温度，盐度，pH值，浑浊度等。然后对数据进行预处理，去除缺失数据和异常值。预处理对预测模型的性能有很大的影响。因此，我们发现使用稀疏自动编码器比实现单个LSTM和其他模型提供更准确的结果。利用传感器数据和图像还提出了监测虾的生长。为此，他们使用R-CNN模型。在比较RNN、LSTM和GRU时，发现LSTM和GRU的性能几乎相似。集成预测是另一种提出的方法，它以最小的误差提前多个步骤预测DO，但随着步骤的增加，数据大小也会增加。 And also they considered only Dissolved Oxygen for prediction. Water quality is not only dependent on DO, and also DO is dependent on temperature, pH, salinity etc. From the papers reviewed it has been seen that LSTM with sparse Auto Encoder gives more accurate prediction with time series data.
