基于物理信息混合神经网络的循环水养殖系统鱼类生长可解释性精准预测

本文创新性地提出L-PIGRU（长短期记忆物理信息门控循环单元）模型，通过整合LSTM（长短期记忆网络）的时序特征提取能力与PIGRU（物理信息门控循环单元）的生物物理约束机制，实现循环水养殖系统（RAS）中鱼类生长与水质参数（温度、溶解氧、pH等）、投喂量的多因素动态耦合建模。该模型在保持数据驱动预测精度的同时（RMSE=2.39，MAPE=0.68%），通过微分-代数方程形式嵌入动态能量收支（DEB）理论，显著提升模型可解释性，为智慧养殖提供兼具机器学习灵活性与生物机制合理性的分析工具。

　　

Highlight

本研究亮点在于构建的L-PIGRU模型突破传统方法局限：①通过五层堆叠LSTM（长短期记忆网络）层级提取跨样本时序特征；②物理信息门控循环单元(PIGRU)融合GRU（门控循环单元）架构与生物物理约束，精准建模多因素非线性交互；③采用李雅普诺夫理论验证模型收敛性，确保预测鲁棒性。

Fish growth prediction

现有鱼类生长建模框架包括时间序列（如ARIMAX）、机器学习及机理模型。ARIMAX虽能解析水质参数（溶解氧、温度等）的短期影响，但难以捕捉非线性累积效应；纯数据驱动方法（如深度神经网络）缺乏机制解释性，而传统机理模型（如基于动态能量收支DEB理论）又面临参数化难题。

Methods

L-PIGRU模型通过以下创新设计实现突破：1）参数网络将LSTM输出的时序特征映射为DEB理论关键参数（如比生长率、维持代谢系数）；2）编码层将水质传感器数据（温度T_water、溶解氧DO₂）转化为生理胁迫因子；3）微分-代数求解器整合生物物理方程（如dW/dt=α?F^β?γ?W^2/3），实现生长速率的机制约束预测。

Result and discussion

实验表明L-PIGRU显著优于基线模型：相比纯LSTM降低65%的RMSE（2.39 vs 6.82），MAPE控制在0.68%以内。关键发现：①水温28°C时投喂量每增加10%，特定生长率(SGR)提升1.2%（p<0.01）；②溶解氧低于4mg/L会导致生长方程中维持代谢项γ显著上升（+34%）。

Conclusion

L-PIGRU成功将DEB理论嵌入神经网络架构，在RAS平台上验证了其环境自适应能力。该模型不仅实现<2.5%的预测误差，更通过可视化参数网络（如代谢热系数Q₁₀的时空分布）揭示生长调控机制，为养殖数字化双胞胎提供核心算法支撑。