循环水养殖系统中溶解氧调控的可解释预测至控制曝气方法

《Bioresource Technology》：Interpretable forecast-to-control aeration for dissolved oxygen regulation in recirculating aquaculture systems

　　

• •
  本研究开发了一套面向RAS溶解氧的预测-控制框架。
• •
  改进后的DeepAR模型达到了R² = 0.948，并将低氧下跌误差降低了59%。
• •
  SHAP分析识别出COD和NH₄⁺是耗氧的主要驱动因子。
• •
  DMC-PID系统将现场溶解氧稳定在7.01 ± 0.66 mg/L。

引言

循环水养殖系统（RAS）凭借低耗水量、减少污水排放以及适合高密度生产等特点，已成为集约化与可持续养殖的重要发展方向（Verdegem等，2023）。RAS通过集成物理过滤、生物过滤、消毒和水体回用，降低了对持续换水的依赖，并提高了环境可控性（Halim等，2025）。然而，集约化水体回用也促进了残饵、代谢废物和微生物转化产物的积累，这些物质可能扰乱内部处理循环并引发水质快速波动（Lindholm-Lehto，2023）。水体回用与营养盐回收也契合养殖业的更广泛循环经济发展目标（Chary等，2024）。因此，维持稳定的内部水质是RAS安全运行的核心挑战。

曝气是维持RAS水质稳定的关键运行过程（Ji等，2024）。通过向培养水体供氧，曝气支持养殖生物的呼吸作用，并维持好氧微生物反应，包括氨氧化和可生物降解有机物的分解。以往的曝气策略通过定时间运行、经验阈值切换或基于实时溶解氧测量的反馈控制来调控溶解氧（DO）（Zhou等，2021；Zhou等，2022）。尽管这些方法实现简单，且能在相对稳定的运行条件下维持基本供氧，但基于溶解氧变化的响应式控制机制会导致滞后。事实上，RAS的溶解氧需求受投饵、污染物积累、微生物活性、温度变化和液压扰动等因素影响，而氧气传递和混合过程往往存在时滞（Zhou等，2022）。传统策略主要是被动响应式的，缺乏对溶解氧下降进行及时响应所需的预测能力，可能导致瞬时缺氧、恢复延迟或不必要的过量曝气。废水处理中面临的类似挑战促使研究者进行曝气优化，以考虑进水负荷变化和生物耗氧需求（Qambar和Al Khalidy，2022；Monday等，2025）。为提高曝气精度，近期策略将缺氧行为的视觉识别与生物能量模型相结合，以估算氧气需求（Yang等，2024）。因此，亟需新的控制策略来预测溶解氧波动，并在水质恶化发生前调整曝气参数。

为克服传统控制策略的局限性，机器学习（ML）方法已越来越多地应用于溶解氧预测（Shete等，2025；Zhi等，2024）。支持向量回归（SVR）、随机森林（RF）和梯度提升等经典方法能够捕捉不同水质变量之间的非线性关系；然而，当未显式引入时间信息时，它们表征溶解氧动态的序列依赖性和延迟响应能力的不足仍然明显。因此，循环神经网络，包括长短期记忆网络（LSTM）和门控循环单元（GRU）模型，被引入用于捕捉水质时间序列中的时序依赖关系（Feng等，2024；Zhi等，2021）。深度自回归预测（DeepAR）通过将近观测量建模为条件概率分布，进一步扩展了循环网络架构，实现了多步预测和不确定性量化（Salinas等，2020）。近期的水产养殖预测研究通过自适应分解、多尺度建模和相位校正提高了历史信息表征能力（Li等，2025；Xing等，2026）。然而，稀疏的溶解氧峰值和谷值仍然难以准确表征，尤其是在生物地球化学过程未能被现有预测变量充分捕捉的情况下（Zhi等，2021）。因此，总体预测精度可能会掩盖溶解氧下降幅度和时间方面的误差，而这些误差恰恰与曝气控制密切相关。因此，改进DeepAR模型，同时保留其概率预测能力并增强其对稀疏低溶解氧动态的敏感性，可以为RAS中的主动式溶解氧调控提供更可靠的基础。

为应对上述挑战，本研究提出了一种面向RAS概率型溶解氧预测的改进DeepAR模型。在标准DeepAR架构的基础上，引入三项互补的增强措施以应对RAS中溶解氧动力学特性的特殊需求。本研究的主要目标是：（i）开发一种基于似然函数的概率预测模型，使其对稀疏极端低氧事件保持强敏感性；（ii）通过注意力机制、动态L2正则化和Runge-Kutta优化器（RUN）引导的超参数优化，增强模型对RAS中非平稳和多因子耦合条件的适应性；（iii）将概率预测轨迹与动态矩阵控制（DMC）和比例-积分-微分（PID）控制的级联相结合，实现前瞻式曝气管理，并通过Shapley加性解释（SHAP）进行可解释性分析，同时进行现场部署验证。

各节摘要

验证系统、数据采集与运行环境

本研究搭建了一套实验室RAS，用于溶解氧预测和曝气控制实验。该系统由一个120 L的亚克力水槽组成，其中装有100 L培养水，运行水深为80 cm。两排底部管道配有微孔扩散器提供曝气，过滤水循环促进水体混合。监测期间水力配置保持一致，详细布局和设备规格如下

监测数据的描述性分析

在本研究中，溶解氧是主要预测目标，因其在调控RAS中的生物代谢、硝化作用和整体系统稳定性中发挥核心作用。采集的多变量时间序列包含10个通道，以30分钟为间隔，在连续30天内共获得1,440个观测值。如图1a所示，COD和氨氮与溶解氧呈最强的负相关（r = ?0.61和?0.54）。氮（r = ?0.49）和磷

结论

本研究开发了一套面向RAS主动式溶解氧调控的可解释预测-控制框架。该框架将基于注意力和动态L2正则化的改进DeepAR模型与DMC-PID级联控制相结合，将多步概率预测转化为前馈式曝气预览和受限设定值更新。使用包含10项水质和气象变量、30分钟分辨率、为期30天的RAS数据集，改进DeepAR模型在十二个模型中取得了最佳表现

CRediT作者贡献声明

叶远（Ye Yuan）：软件、方法论、资金获取、形式化分析。吴帅（Shuai Wu）：撰写——初稿、验证、软件。朱倩（Qian Zhu）：调查、数据整理。尹纯涛（Chuntao Yin）：资源、调查。胡佳瑞（Jiarui Hu）：资源、调查。乔亮（Liang Qiao）：可视化、验证。陈帆（Fan Chen）：资源、方法论。王宏成（Hongcheng Wang）：软件、形式化分析。丁诚（Cheng Ding）：资源、项目管理。陈天明（Tianming Chen）：撰写——审阅与编辑、监督、项目管理、资金

伦理声明

本研究聚焦于循环水养殖系统中的非侵入性水质监测、溶解氧预测和曝气管理。数据采集涉及浸入式水质传感器和水样采集。所有实验程序均符合机构动物福利标准，研究按照ARRIVE 2.0指南进行报告。盐城工学院生物医学伦理委员会确认，正式动物伦理审批

利益冲突声明

作者声明不存在已知可能影响本文所述工作的竞争性经济利益或个人关系。

致谢

本工作得到国家自然科学基金（NSFC，批准号 42272211）资助；江苏省高校基础科研重大项目（自然科学）（编号 24KJA610009）资助；盐城市科技项目（编号 YCBE202405 和 YCBK2026120）资助；盐城工学院校级科研项目经费资助（编号 XJR2026021）；以及江苏省研究生研究与实践创新计划（

Ye Yuan|Shuai Wu|Qian Zhu|Chuntao Yin|Jiarui Hu|Liang Qiao|Fan Chen|Hongcheng Wang|Cheng Ding|Tianming Chen|Wanxin Yin