基于水质参数的水产养殖疾病预测调度驱动注意力CNN-BiLSTM框架

《Frontiers in Sustainable Food Systems》：Scheduling-driven attention CNN–BiLSTM framework for aquaculture disease prediction using water quality parameters

　　

在智能和可持续的虾类水产养殖中，快速变化的环境条件会影响水质参数的准确预测，因此这对于生产力和存活率至关重要。该论文引入了一种基于物联网的深度学习系统，用于基于多传感器时间序列数据预测重要的水质参数，如pH、溶解氧和氧化还原电位。为了有效地建模空间特征相关性和双向时间依赖性，研究人员使用了混合注意力卷积神经网络与双向长短期记忆网络模型。为了提高训练稳定性和收敛效率，研究人员整合并对比分析了两种学习率调度策略：ReduceLROnPlateau和CosineAnnealingLR。实验结果表明，调度器增强的注意力CNN-BiLSTM模型在传统机器学习和深度学习模型中取得了最佳性能。所提出的模型对pH的预测性能为0.0957的RMSE和0.9813的R²，对DO的预测性能为R² > 0.998。ReduceLROnPlateau对非线性参数估计表现出强大的鲁棒性，因为集成ReduceLROnPlateau后的MAE分别为4.7582和1.8201，并没有大幅改变对ORP的预测。此外，CosineAnnealingLR将训练时间减少了约40%，并保持了与现有技术相当的预测精度。结果表明，所提出的框架能够显著提高预测精度、稳定性和计算效率，非常适合实时的基于物联网的水产养殖监测系统。此外，该框架被扩展以包括根据预测水质进行疾病风险分类，这将实现预警和主动管理。

水产养殖是全球增长最快的食品生产部门之一，对维持全球粮食供应至关重要。虾类养殖利润丰厚，但可持续性和生产力高度依赖良好的水质。pH、DO和ORP等关键水质参数影响水生生物的代谢、营养获取、生长和存活。水质的微小变化都可能导致应激、疾病暴发甚至大规模死亡。传统水质监测依赖人工采样和实验室分析，耗时且无法提供实时信息，难以满足即时纠正措施的需求。随着物联网技术的发展，水产养殖监测迎来了革命，IoT系统通过分布式传感器持续感知水质参数。然而，IoT设备收集的数据往往存在噪声、不完整且容易受传感器漂移和通信问题的影响。传统的机器学习技术无法很好地建模真实IoT传感器网络中的长期时间模式和复杂关系。尽管深度学习如RNN和LSTM能处理长期依赖，但难以捕获多个传感器信号之间的短程空间关系，且在噪声数据上泛化能力较差。现有混合模型和优化技术在提高预测准确性的同时，往往伴随着高昂的计算成本，难以在实时IoT系统中部署。为填补这些空白，研究人员提出了一种基于IoT的混合注意力CNN-BiLSTM框架，用于预测水产养殖系统中的pH、DO和ORP值，并整合了学习率调度器和疾病风险分类模块。该研究发表在《Frontiers in Sustainable Food Systems》上，其重要意义在于提供了一个准确、鲁棒且计算高效的预测系统，非常适合实时的基于IoT的水产养殖监测，并能实现疾病预警和主动管理。

研究人员开发了一个集成了IoT传感、深度学习和自适应训练的综合框架。该框架使用配备IoT的电化学传感器持续收集多变量时间序列数据，包括pH、DO和ORP。数据经过预处理阶段去除噪声、填补缺失值并归一化后，输入至注意力CNN-BiLSTM网络。该网络结合了一维CNN提取局部时间特征，双向长短期记忆网络捕获前后向长期依赖，并利用注意力机制增强相关时间步的特征权重。框架集成了ReduceLROnPlateau和CosineAnnealingLR两种学习率调度器以增强训练稳定性，并通过SHA-256哈希算法将预测数据存入区块链账本保障完整性。最后，系统利用预设的生物学阈值对预测水质参数进行疾病风险分类。

比较不同模型在pH预测中的性能：通过对比随机森林、LSTM、GRU、Bi-LSTM、CNN和注意力CNN等模型在pH预测上的表现，发现混合注意力CNN-BiLSTM模型取得了最佳的MAE(0.049)、RMSE(0.198)和决定系数(R²)(0.932)值，证明了其在捕获空间和时间特征方面的卓越能力。

比较不同模型在溶解氧(DO)预测中的性能：在DO预测任务中，注意力CNN-BiLSTM模型同样表现最优，MAE为0.23，RMSE为0.30，R²为0.96，展示了混合注意力深度学习模型在DO预测上的准确性和可靠性，尽管其计算成本较高。

比较不同模型在氧化还原电位(ORP)预测中的性能：针对ORP的动态和非线性行为，注意力CNN-BiLSTM模型依然取得了最低的MAE(0.23)和RMSE(0.30)以及最高的R²(0.96)，证实了其在捕获高度动态和非线性行为方面的优异性能。

调度器增强模型的性能比较：对比基线模型及集成ReduceLROnPlateau和CosineAnnealingLR的变体模型。ReduceLROnPlateau显著提高了ORP的预测精度，将MAE从4.7582降至1.8201，R²提升至0.9918；而CosineAnnealingLR在保持相当准确度的同时，将训练时间减少了最多44%。这表明自适应学习率策略不仅提高了准确性，还降低了计算开销。

总结讨论部分，在该研究中，研究人员讨论了基于关键环境参数pH、DO和ORP的水产养殖疾病预测调度驱动注意力CNN-BiLSTM框架。基于注意力的特征学习、双向时间建模和调度器控制的训练使得模型对噪声IoT传感器数据具有鲁棒性，同时适合实时部署。参数分析表明，pH和DO值的误差较低（约0.02-0.11），R²值较高（>0.97），而ORP表现出非线性和较高的基线误差（4.76）。引入ReduceLROnPlateau提高了ORP预测的准确性，MAE降至1.82，R²升至0.9918，表明在噪声传感器环境中具有良好的收敛稳定性。CosineAnnealingLR将训练时间减少了近44%，但在ORP上的准确性略低，反映了训练时间与准确性之间的折中。总体而言，所提出的模型通过成功捕获参数动态并提供可靠的疾病分类，优于现有的CNN、LSTM、GRU和混合架构。未来的工作将集中于扩展其他水质指标（如温度、盐度和氨(NH₃)），并在多个水产养殖点验证该框架以提高泛化能力。轻量级边缘可部署版本以及向自动曝气和水管理的闭环控制扩展也是有前途的发展方向。