综述：水产养殖池塘中的溶解氧：驱动因素、预测建模与智能监测

本综述系统探讨了水产养殖中溶解氧（DO）管理的核心问题，从环境与生物驱动因素、数据驱动的预测模型（涵盖统计方法、机器学习及物理信息神经网络PINNs等前沿技术）到智能监测技术（如电化学与光学传感器、物联网IoT平台），为构建智能增氧系统、提升养殖效率与可持续性提供了全面参考。

　　

驱动因素

溶解氧（DO）浓度是水产养殖系统中最关键的水质参数之一，其动态变化受到多种环境、生物及操作因素的复杂影响。根据亨利定律，氧气在水中的溶解度受温度、盐度及大气压等物理参数调控：温度升高会降低氧气溶解度，而盐度通过“盐析效应”削弱水的溶氧能力。相反，大气压升高则可提升氧气溶解度。

在生物因素中，浮游植物的光合作用是日间DO的主要来源，而呼吸作用（包括鱼类、微生物及藻类自身的呼吸）则在夜间消耗氧气，导致典型的昼夜波动。过量营养盐（如氮、磷）输入虽可促进藻类增殖并暂时提高DO，但也可能引发富营养化及有害藻华，最终导致水质恶化与缺氧。此外，不同养殖物种对DO的耐受性存在显著差异，例如鲑鱼需DO维持在3 mg/L以上，而尼罗罗非鱼可耐受低至1 mg/L的浓度，这进一步增加了多物种养殖环境中DO管理的复杂性。

预测模型

DO预测模型经历了从传统统计方法到现代人工智能技术的显著演进。早期研究多采用时间序列分析（如ARIMA）或回归模型，这些方法虽易于解释，但难以捕捉DO动态中的非线性与非平稳特征。

机器学习方法（如支持向量机SVM、随机森林）通过融合多源环境数据（温度、pH、盐度、叶绿素等）显著提升了预测精度。例如，长短期记忆网络（LSTM）及其变体（如Phased-LSTM）能够有效学习DO的时序依赖关系，甚至在数据稀缺的池塘环境中通过迁移学习实现较好的泛化性能。

近年来，物理信息神经网络（PINNs）成为研究热点。这类模型将物理规律（如氧气传质方程、能量平衡）嵌入损失函数中，增强了模型在数据不足情况下的预测可靠性。此外，联邦学习与迁移学习使得利用数据丰富站点的模型提升本地预测性能成为可能，为实际部署提供了可行路径。

智能监测

DO监测技术主要包括电化学传感器（如Clark电极）和光学传感器（基于荧光淬灭原理）。后者因无需频繁校准、抗干扰性强而逐渐成为主流。物联网（IoT）平台的集成进一步推动了实时、连续监测的发展：无线传感器网络可将DO、温度、pH等数据实时传输至云平台，结合边缘计算设备实现本地决策与远程控制。

智能监测系统不仅支持数据采集，更通过AI算法实现异常检测与预警。例如，卷积门控循环单元时序融合网络（CGTFN）等架构在实时水质分类中准确率超过99%，为早期缺氧预警与增氧策略优化提供了关键技术支持。

未来方向

未来研究应重点关注三方面：一是开发轻量化、低功耗的传感硬件，提升监测系统在野外环境的耐久性；二是探索多模态数据融合与可解释AI，增强模型在复杂环境下的鲁棒性与可信度；三是构建标准化数据集与开源平台，促进算法公平比较与跨场景应用。

结论

DO管理是智能水产养殖系统的核心。通过整合多源驱动因素分析、先进预测模型与实时智能监测技术，可实现精准增氧控制、降低能耗与养殖风险，推动水产养殖向高效、可持续方向发展。