使用多元神经网络模型进行鱼菜共生系统中跨系统短期溶解氧预测

《Applied Sciences》：Cross-System Short-Term Dissolved Oxygen Prediction in Aquaponic Systems Using Multivariate Neural Network Models

　　

鱼菜共生系统表现出水质参数的复杂多元动态，其中溶解氧（DO）是生物稳定性的关键指标。本研究提出了一个动态多元预测框架，利用从多个异构鱼菜共生池塘收集的物联网（IoT）数据进行短期溶解氧预测。问题被重新定义为回归任务，以在短时间内（约5分钟）预测未来DO值，从而实现早期预警功能，而不是采用基于规则的分类方法。为确保跨系统的结构鲁棒性，研究人员采用池塘内百分位修剪和归一化程序来减轻池塘之间的尺度差异。使用留一池塘法（LOPO）验证方案，测试了模型性能与跨系统泛化能力。具有滞后时间变量的MLP前馈神经网络在归一化尺度上的平均均方根误差（RMSE）为0.83。基于区间的误差分析显示，RMSE从稳定条件下的0.80增加到高波动条件下的1.43。对比的LSTM模型未产生显著的性能提升。敏感性分析揭示了pH和浊度对后续DO动态的滞后影响，表明需要采取操作措施，如曝气调节和悬浮固体管理。

论文解读文章

**研究背景与问题**
鱼菜共生系统是一种新兴的可持续食品生产方式，通过闭环循环系统实现植物与鱼类共养，具有资源高效、减少水消耗和环境污染等优势。然而，系统内化学、物理和生物过程的平衡极为关键，水质参数的细微扰动可能对鱼类、植物和微生物产生不利影响。溶解氧（DO）作为生物稳定性的敏感指标，其变化速度快于其他参数，直接影响鱼类呼吸、好氧生化反应速率和微生物生物滤池性能。传统方法多采用基于固定阈值的规则分类系统来评估水质，这种方法仅关注当前状态，忽略历史信息，无法检测向不稳定状态的转变，且监督分类算法可能复制规则行为，低估动态复杂性。因此，需要采用动态建模方法（如多元时间序列预测）来预测未来DO值，从而支持主动管理决策（如提前调整曝气或投喂）。本研究旨在解决跨系统泛化问题，评估模型在结构独立池塘间的预测鲁棒性。

**研究方法与主要结论**
研究人员利用IoT传感器从多个真实鱼菜共生池塘（来自Kaggle和HiPIC研究组，共11个池塘，最终选用4个数据充足的池塘）收集高频率（每20秒）水质数据，包括水温、浊度、DO、pH、氨氮、硝酸盐、鱼群数量及鱼体重与体长等。问题被转化为动态回归任务，通过构建多变量滑动窗口（窗口长度W=15，对应约5分钟历史数据）和滞后变量来预测未来DO值。主要使用MLP前馈神经网络（含两个隐藏层，64和32个神经元，ReLU激活函数），并与LSTM循环神经网络（32个单元，dropout=0.3）对比。采用留一池塘法（LOPO）验证方案进行跨系统泛化评估，即依次将每个池塘作为测试集，其余池塘用于训练。为消除池塘间的尺度差异，实施了内部百分位修剪（1%和99%分位数）和内部标准化。动态区间误差分解基于瞬时波动性（连续DO差值绝对值）的75百分位阈值，将数据划分为稳定区间和不稳定区间。敏感性分析通过改变输入特征和检查滞后权重来评估变量重要性。

**研究结果**
**4.1 跨系统泛化（LOPO）：** 通过LOPO验证，MLP模型在归一化尺度上的平均RMSE为0.83。不同池塘间误差存在差异：Pond 2最低（RMSE=0.63），Pond 3最高（RMSE=1.06），表明结构异质性存在，但无明显性能退化，说明内部标准化有效，模型捕捉了共享动态模式。

**4.2 动态区间分析：** 基于波动性阈值划分区间后，稳定区间RMSE约0.80，不稳定区间RMSE约1.43（误差增加约78%）。结果显示模型能准确反映低频动力学，但对高频波动（如突发酵氧变化）的预测精度下降，可能由于未建模的操作干预、有机负荷峰值或传感器噪声。

**4.3 MLP与LSTM架构比较：** LSTM模型在跨系统泛化方面未带来显著改进。训练损失曲线显示MLP快速收敛。这表明短期DO预测的相关时间记忆范围有限，显式滑动窗口足以捕捉主依赖关系，LSTM的额外参数复杂性未提升性能，且MLP在计算效率、稳定性和部署简易性上更具优势。

**4.4 变量重要性分析：** 敏感性分析显示，对预测未来DO贡献最大的变量包括：滞后pH、滞后浊度、历史DO值（自回归成分）和平均鱼体重。滞后pH和浊度表明生物过程（如硝化、微生物活性）和有机负荷（悬浮固体增加生物需氧量）存在延迟效应。鱼体重反映生物量代谢需求。结论支持鱼菜共生系统作为具有短时记忆的非线性动态系统，变量间相互作用产生独特时间依赖。

**讨论与结论**
讨论部分指出，LOPO验证揭示的池塘间误差差异反映了结构异质性（如投喂计划、池体积、生物滤池容量和传感器特征），不能视为随机变异。每个池塘代表不同的数据分布，跨系统泛化依赖于模型处理数据分布变化的能力。稳定与不稳定区间性能差异表明，预测模型在准稳态条件下可靠，但在高波动期需辅以快速事件检测方法。架构比较表明，LSTM未改善性能，说明性能瓶颈并非记忆容量不足，而是波动事件本身的非线性与部分不可预测性。敏感度分析结果支持将预测融入决策支持系统，例如提前调整曝气、管理悬浮固体和调节生物负荷。研究局限性包括：未纳入曝气强度、水流量等操作控制变量；未建模传感器噪声；某些池塘因数据不足被排除；模型仅基于历史数据，未在闭环控制中验证；未系统实施时间序列验证方案（如滚动验证）。

研究结论翻译：本研究将鱼菜共生系统水质分类的常规问题转化为动态回归框架，用于预测未来溶解氧（DO）水平。这一新公式克服了确定性规则方案的局限，实现了更真实的多元时间序列分析。通过整合多个结构独立池塘的数据并采用池塘内标准化方法，直接解决了系统间结构差异。留一池塘法（LOPO）验证方案允许全面测试跨系统泛化能力，归一化尺度上的平均RMSE为0.83，表明模型在不同环境中具有一致的预测能力。动态区间分析显示，不稳定条件下的预测误差（RMSE≈1.43）显著高于稳定条件（RMSE≈0.80），证实了DO动态中存在高频非线性成分。架构比较表明，具有显式时间表示的前馈模型足以描述系统主行为，而LSTM架构未带来显著改进。敏感性分析发现pH和浊度对后续DO演化存在滞后影响，从而确定了支持操作监测和决策策略的潜在操作调整。总体而言，结果表明动态多元建模是进行多池塘鱼菜共生系统预测监测和增强决策的有效方法。