基于物理模拟温度增强LSTM模型在鱼塘水温预测中的性能研究

《Smart Agricultural Technology》：Using Physically Estimated Temperatures as Inputs to Enhance the Performance of an LSTM Model for Predicting Water Temperatures in Fishponds

本研究针对水产养殖中水温精准预测难题，提出了一种融合一维热能量平衡物理模型与长短期记忆神经网络（LSTM）的混合建模方法。通过将物理模型模拟的水温作为LSTM的输入特征，显著提升了1-3小时预测精度，平均RMSE降低48.65%、R2提升27.12%。该研究为数据稀缺场景下的水温预测提供了可解释、轻量化的解决方案，对水产养殖精细化管理具有重要实践意义。

　　

随着气候变化对水产养殖影响的加剧，水温波动已成为威胁鱼类健康的关键因素。传统水温预测方法主要依赖物理模型或纯数据驱动模型，但物理模型对参数敏感且需要复杂校准，而数据驱动模型在历史数据不足时表现受限。台湾阳明交通大学土木工程系杨尊华与林嘉慈团队在《Smart Agricultural Technology》发表研究，创新性地将物理模型与LSTM结合，通过物理模拟水温增强模型泛化能力。

研究团队在新竹渔业研究所的1000平方米鱼塘布设传感器，收集2023年11月至2024年4月的太阳辐射、气温、湿度、风速等气象数据及水温数据。他们构建了包含两层LSTM单元（各100个神经元）的堆叠网络，输入序列为连续4小时数据（t-3至t时刻），输出未来3小时水温预测（t+1至t+3）。关键创新在于将一维热能量平衡物理模型模拟的水温值作为LSTM的附加输入特征，物理模型通过计算太阳辐射（q_solar）、水体反向辐射（q_back）、天空长波辐射（q_sky）、蒸发散热（q_evap）和对流换热（q_conv）等项，用四阶龙格-库塔法求解能量平衡方程生成模拟水温。

2.1 物理模型性能验证

对比两种对流换热公式（Model 1和Model 2）发现，物理模型在三个测试事件（2023年12月15-18日、2024年1月20-26日、3月6-9日）中RMSE均低于2°C，但不同事件下最优模型存在差异，说明单一物理公式难以适应多变环境。

3.1 训练期LSTM模型表现

基线LSTM（仅输入气象数据）在训练集上RMSE达2.2°C，而加入物理模拟水温的混合模型RMSE降至1.0°C，R2从0.73提升至0.93。残差分析显示混合模型误差波动范围从基线模型的±6°C缩小至±3°C。

3.2 测试事件预测能力

在冬季强降温事件（2023年12月15-18日）中，物理增强LSTM Model 1的t+1预测R2达0.98（基线仅为0.51），RMSE从2.62°C降至0.50°C。异常升温事件（2024年3月6-9日）中，虽然所有模型性能下降，但混合模型仍保持R2>0.82，显著优于基线（R2=0.40）。

4.1 物理输入的价值

通过Diebold-Mariano检验证实，物理增强LSTM Model 1的预测精度显著优于传统物理模型eENFIM（p<0.05）。散射图显示混合模型预测点更紧密分布在理想线（比值=1.0）附近，系统性偏差显著降低。

4.2 与传统方法对比

eENFIM模型虽能提供5天长期预报，但存在-0.66°C的系统性负偏差。物理增强LSTM在短期（3小时内）预测中兼具高精度（RMSE<0.68°C）和无偏性（MBE≈0），特别适合实时调控场景。

5.1 水产养殖实践意义

该模型使农户能在水温骤变前3小时采取增氧、调整投饵等干预措施，且对新建鱼塘等数据稀缺场景具有强适应性。轻量级物理模型与高效LSTM的结合，为部署低成本实时预报系统提供可能。

5.2 局限与展望

当前模型预测时限较短，未来需通过编码器-解码器结构扩展预测范围。多池塘验证、多水质参数（如溶解氧）耦合预测及移动端集成将是重点方向。

研究证实，物理机理与数据驱动模型的融合能突破单一方法局限，为应对气候变化下水产养殖风险管理提供新范式。