基于DeepAR-RELM的池塘溶解氧时空预测方法研究

作者：樊宇星; 任妮; 田港陆; 段青玲^*

来源：农业机械学报, 2020, S1: 405-412.

• 池塘养殖
• 溶解氧
• 时空预测
• 自回归循环神经网络

水体溶解氧(Dissolved oxygen,DO)是养殖水产品健康生长的重要生态因子。池塘溶解氧易受多种因素的影响,会产生时间和空间上分布的差异,现有的溶解氧预测方法大多是针对单监测点的时间序列预测,无法描述池塘溶解氧的空间分布,因此,对池塘溶解氧进行时间和空间预测非常重要。本文提出一种基于自回归循环神经网络(Autoregressive recurrent neural network,Deep AR)和正则化极限学习机(Regularized extreme learning machine,RELM)的池塘溶解氧时空预测方法。首先采用样本熵(Sample entropy,SE)衡量各个监测点溶解氧序列的波动程度,采用最大互信息系数(Maximum mutual information coefficient,MIC)衡量监测点溶解氧序列之间的相关性,综合选取出溶解氧序列波动程度较小且与各个监测点相关性较大的监测点作为中心监测点,并以中心监测点为原点,建立池塘空间坐标系;其次采用DeepAR算法构建中心监测点的溶解氧时间序列预测模型,实现中心监测点溶解氧时间序列预测;最后采用RELM算法构建中心监测点与池塘各位置溶解氧之间的空间映射关系模型,结合中心监测点溶解氧时间序列预测值和池塘空间坐标,实现对未来时刻池塘溶解氧的空间预测。该方法在提高时间序列预测精度的同时,实现了对未来时刻池塘溶解氧空间状态的预测。在真实的数据集上进行测试,预测未来24 h的池塘空间溶解氧值,均方根误差(RMSE)为1.263 3 mg/L、平均绝对误差(MAE)为0.975 5 mg/L、平均绝对百分比误差(MAPE)为14.873 2%。并与标准极限学习机(Extreme learning machine,ELM)、径向基神经网络(Radial basis function neural network,RBFNN)、梯度提升回归树(Gradient boosting regression tree,GBRT)和随机森林(Random forest,RF) 4种预测方法进行对比,各评价指标的性能均有较大幅度提升,表明该方法有较好的预测精度和泛化能力,能够较准确地实现池塘溶解氧时空预测。

• 单位
  中国农业大学; 江苏省农业科学院