基于L-PIGRU模型的循环水养殖系统鱼类生长预测：融合物理约束与数据驱动的智能分析方法

本文创新性地提出长短期记忆物理门控循环单元（L-PIGRU）模型，通过整合LSTM时序特征提取与GRU物理约束机制（DEB理论），实现循环水养殖系统（RAS）中鱼类生长的多参数（水温、溶解氧、pH、投喂量）精准预测。模型验证显示误差显著降低（RMSE=2.39，MAPE=0.68%），为水产养殖数字化管理提供兼具高精度与可解释性的智能解决方案。

　　

亮点

本研究通过融合生物物理机制与深度学习，开发了能同时处理水质波动和投喂策略影响的创新预测框架，其环境适应性突破传统机理模型局限。

鱼类生长预测

多种建模框架（如时间序列、机器学习、机理模型）被用于鱼类生长分析。Siddique等采用ARIMAX模型量化气候与水质参数对生长变异的影响，揭示水质驱动的季节性生长规律。该模型因简洁性和可解释性在短期预测中表现突出。

方法

L-PIGRU模型通过处理RAS中时变水质参数序列进行有限时间域预测。关键水质数据经预处理后输入LSTM模块，输出流向参数网络和编码层。该架构整合参数网络输入与物理约束，实现非线性养殖动态的精准建模。

结果与讨论

理论分析证实核心约束方程具有渐近稳定性。对比实验显示模型显著优于基线：RMSE降至2.39，MAE达2.09，MAPE仅0.68%，误差降低超65%。Lyapunov理论验证了预测结果的鲁棒性。

结论

L-PIGRU成功整合时序处理、数据驱动和基于DEB理论的生长模块，证实其在水质波动和投喂制度影响建模上的优越性。该框架为水产养殖数字化转型提供关键技术支撑。