基于物联网与TensorFlow神经网络的水产养殖水质预测模型构建及其在热带罗非鱼养殖中的应用研究

本研究针对热带地区罗非鱼养殖中水质实时监测难题，通过部署IoT传感器网络采集温度、溶解氧(DO)、pH和浊度数据，结合TensorFlow神经网络(TFN)和自适应集成算法(AEI)构建3D多变量预测模型。结果显示TFN模型对浊度预测精度最高(R2=0.853)，温度与浊度呈弱负相关(r=?0.093)，为资源受限地区的水产智能化管理提供了数据支持。

　　

在全球粮食安全面临挑战的背景下，水产养殖作为增长最快的动物蛋白生产领域，其可持续发展备受关注。其中，尼罗罗非鱼(Oreochromis niloticus)因其环境适应性强成为热带地区主要养殖品种，但水质管理始终是制约产量的关键瓶颈。传统监测手段难以捕捉水温、溶解氧(DO)、pH和浊度等参数的动态变化，而热带气候的剧烈波动更易引发鱼类代谢紊乱和疾病爆发。哥伦比亚蒙特里亚地区的养殖户长期受困于缺乏实时预警系统，亟需智能化解决方案。

针对这一需求，研究人员开展了为期6个月的系统研究。通过定制化物联网(IoT)设备网络，持续采集养殖池的4项核心水质参数，并创新性地将TensorFlow神经网络(TFN)与自适应集成算法(AEI)相结合，构建了包含时空维度的3D多变量预测模型。研究团队特别设计了包含数字温度计、氧探头、便携式pH计和浊度计的传感器阵列，确保数据采集的连续性。在数据预处理阶段，采用最小-最大归一化和四分位距(IQR)剔除异常值，通过RStudio和Python双平台进行统计分析，最终通过SHAP值解析模型特征重要性。

2.1 数据收集和研究区域
在哥伦比亚蒙特里亚的罗非鱼养殖池部署IoT系统，实时记录温度(27.2±0.1°C)、DO(6.9±0.1mg/L)、pH(7.82±0.04)和浊度(3.32±0.09NTU)等参数，所有数据均符合热带鱼类生存阈值。

3.1 Aqua-Enviro指数(AEI)
开发的AEI指数整合4项参数权重(DO占0.2、pH占0.15)，通过0-1标准化评分系统评估水质健康状态，为农户提供直观的决策依据。

3.3 TFN模型架构设计与评估
3D可视化显示温度预测模型(R²=0.846)最优，其多层感知机(MLP)结构含3个ReLU激活的隐藏层，MAE低至0.038°C。SHAP分析证实浊度是影响预测的最强特征。

讨论部分指出，虽然传统线性回归显示温度与时间呈微弱负相关(B=?0.0004,p=0.018)，但TFN模型成功捕捉到DO与温度的非线性关系(r=?0.093)，这种复杂相互作用是常规统计方法难以发现的。与Radhakrishnan等研究的决策树算法(精度98.5%)相比，本研究的TFN模型在保持高精度同时，更擅长处理时空动态数据。

该研究的突破性在于将IoT实时监测与深度学习有机结合，开发的移动端预警系统可帮助农户及时调整增氧策略。正如作者Md. Abdullah Al M. Mamun Hridoy强调的，这种技术方案特别适合缺乏专业检测设备的农村地区，通过提升数据素养可望减少约30%的养殖损失。未来研究可扩展至重金属等更多水质指标监测，进一步推动智慧水产的发展。