池塘河蟹養殖精準投餌系統設計與試驗

孫月平 陳祖旭 趙德安 詹婷婷 周文全 阮承治

(1.江蘇大學電氣信息工程學院， 鎮江 212013； 2.常州東風農機集團有限公司， 常州 213200；3.常州市金壇區水產技術指導站， 常州 213299； 4.武夷學院機電工程學院， 武夷山 354300)

0 引言

2020年全國河蟹養殖面積達6.67×105hm2，年產量約8×105t，產值超過800億元，已成為淡水漁業單品種產值最大的產業[1-2]。由于餌料成本占總成本的40%～50%，投喂是否科學合理將直接影響河蟹養殖效益，因此投餌喂料是河蟹池塘養殖過程中最為關鍵的一個生產環節[3]。

傳統投喂主要是依靠養殖經驗，根據蟹苗的投放量，估算河蟹成活率，在河蟹各個生長階段，確定相應的餌料總投喂量。但蟹苗品質、氣象因素、水體環境等均會影響河蟹生長，池塘各處水下生態環境的差異也會導致河蟹呈現不均勻分布，需要的餌料密度也有差異。由于河蟹不能大范圍運動，只能在自身附近區域覓食，同時，河蟹具有較強的領地意識，爭食與好斗是河蟹的天性。餌料投放少時輕則影響河蟹生長，嚴重時會導致河蟹爭斗甚至自相殘殺；投放過多的餌料不僅會增加成本，還會因餌料殘渣導致水質的污染[4]。因此在實施投餌作業時，必須要根據河蟹的實際生長階段、分布情況及環境的變化進行精準投餌。然而現階段河蟹養殖的管理模式還是原始的養殖方式，勞動力成本持續上漲，不僅機械化、自動化程度不高，同時還由于作業粗放、餌料利用率低，嚴重影響養殖效益[5]。因此，迫切需要開展河蟹養殖高效精準投喂技術研究，揭示河蟹生長及投喂規律，開發自動投餌船代替人工作業，提高餌料利用率，降低養殖成本，提高養殖效益，滿足水產養殖業“機器換人”戰略發展需求。

目前，關于河蟹生長模型[6]與自動投餌船方面已有相關研究。顧景齡等[7]利用常見的魚類生長模型探究河蟹生長數學模型，能夠在一定程度上反映河蟹的生長規律。張永強等[8]根據氣候區域不同給出河蟹養殖趨利避害對策。雖然河蟹壽命不長，人工養殖周期不超過一年半[9]，但河蟹養殖地點以戶外池塘為主，各種環境因素都會影響河蟹生長趨勢[10]。朱海濤等[11]以氣候條件為標準，定性地劃分出江蘇省內適宜養殖河蟹的地域，但沒有定量地分析河蟹生長與環境因素的關系。賈二騰等[12]研究了不同時間點飽食投喂對河蟹消化酶活性的影響，但實驗室環境下，恒定的環境參數無法反映河蟹整個生長周期的攝食規律。

在自動投餌設備研究方面，已經出現了一些可以自主移動的投餌設備[13-18]。如明輪驅動蝦塘自主導航投餌船[19]、水面自主巡航式太陽能投餌船[20]、自動巡航式無人駕駛投餌船[21]等，能夠一定程度上提高機械化、自動化水平，也考慮到了路徑規劃，實現自動投食。但在實際應用中，對于餌料投喂量確定方面沒有深入研究，或者只是簡單的定時定量拋撒，沒有考慮到河蟹生長期的實際需求。另外，現有投餌船下料流量不可控，投餌拋幅不可調，這導致了餌料實際分布密度不可控，進而無法進行精準投餌。而國內外對于精準投餌的研究較少，在水產領域，大多還是利用固定式的投餌機[22]或者水下網箱[23]進行精準投餌。

為了解決上述問題，本文提出一種構建河蟹生長模型方法，并且根據池塘的具體環境信息，以精準投餌為目的，結合水下機器視覺技術，通過GA-BP神經網絡，解算總投餌量，根據河蟹分布密度和水質參數生成投餌處方圖，并通過4G無線通信模塊，發送給自動投餌船完成池塘河蟹養殖精準投餌。

1 河蟹生長模型構建

1.1 數據來源

數據采集自農業農村部水產健康養殖示范場——江蘇省常州市金壇區漁業科技示范基地，分為A、B、C 3個池塘分別采樣。該地水質狀況較好，浮游動植物種類多，有利于河蟹生長。每個池塘水深 0.5～1.5 m，面積約1.33 hm2，每0.07 hm2投放約1 000只蟹苗。根據河蟹主要在早晚覓食的習性，采樣時間為早晨和傍晚，2020年4—10月，按月記錄河蟹生長情況，每次在3個池塘中采樣雌蟹和雄蟹各20只，分別測量其體質量、殼長、殼寬等生長數據。計算3個池塘河蟹生長數據均值并保存，以便后續開展研究。水質參數采用上海清淼光電科技有限公司的KM-MU-800型在線多參數水質監測儀獲取，記錄3個池塘08：00與20：00水質參數并計算均值保存。該水質監測儀可實時采集記錄多項水環境參數，包括溶解氧含量、水溫、pH值等，而且具有采集響應快、使用壽命長、測試精度高等優點，滿足實際養殖的需求。

1.2 研究方法

為了獲得更加科學合理、貼近實際的河蟹生長模型，進一步掌握河蟹的生長發育規律，河蟹生長模型構建的流程如圖 1所示，首先通過定期池塘河蟹捕撈稱量與水質測量，獲取河蟹的質量與養殖環境參數，進而對相關數據進行處理，通過灰色關聯度分析，建立模型，最后對河蟹生長模型進行評估。

圖1 河蟹生長模型構建流程圖Fig.1 Construction process of river crab growth model

灰色關聯度分析(Grey relation analysis)是根據采集的數據，充分從各類信息中發現并表示出顯式和隱式關系[24]。本文中即河蟹體質量受各類環境因素影響的強弱關系，具體過程如圖2所示。

圖2 灰色關聯度分析流程圖Fig.2 Flowchart of grey correlation analysis

(1)選取參考序列與比較序列[25]。選取河蟹增重變化為參考序列，選取溫度、溶解氧含量、pH值等環境因素為比較序列。

(2)對數據進行歸一化處理，統一到近似范圍內，重點關注其變化趨勢。選取min-max方法進行歸一化，計算式為

(1)

式中xa——數據歸一化前的值

xmax——數據最大值

xmin——數據最小值

(3)計算灰色關聯度系數，計算式為

(2)

式中ζi——灰色關聯度系數

x0——參考序列xi——比較序列

ρ——可調分辨系數，取0.5

(4)計算關聯度系數均值，計算式為

(3)

式中θi——關聯度系數均值

N——采樣個數

(5)形成關聯序列。按照關聯度系數均值進行降序排列，得出環境因子對參考序列的影響程度，為下一步優化生長模型做準備。

在河蟹養殖的過程中，溫度、溶解氧含量、pH值都會對河蟹的生長態勢產生影響，而傳統的生長模型沒有考慮到這一點，故本文通過灰色關聯度分析法[26]得出與河蟹生長關聯度最大的環境因子后，將該因子引入傳統模型。在優化模型的過程中，分別以線性(linear)和指數(exp)的方式進行引入。各個生長模型表達式如表1所示。表中，m為河蟹體質量極限參數，k為瞬時生長率，t為當前河蟹放養時間，p為校準參數，c為常系數，var為環境因子參數，選取Curve Expert Professional對以上生長模型進行非線性擬合，迭代得出m、p、c、k最優解。綜合決定系數R2判斷模型性能(越趨于1表明模型更優)。

2 灰色關聯度分析與模型選擇

2.1 環境因子選取

池塘養殖中，環境的變化直接影響著河蟹攝食，

表1 生長模型表達式Tab.1 Growth model expressions

進而影響其生長發育[27]。為了找出影響河蟹體質量變化最關鍵的因素，本文利用灰色關聯度分析方法，將水溫、溶解氧含量、pH值作為比較序列，把河蟹月增質量情況作為參考序列，結果如表2所示。

表2 環境因子關聯度分析Tab.2 Environmental factor correlation analysis

由表2可以看出，不同的環境因子對河蟹月增質量的影響由大到小為水溫、溶解氧含量和pH值，關聯度占比最高的環境因子是溫度，為0.784，溶解氧含量和pH值的關聯度分別為0.629、0.604。

2.2 河蟹生長模型改進與比較

將溫度這一變量以線性、指數的形式引入表1所列傳統生長模型中。綜合分析對比其擬合結果，尤其是線性與指數改進后的生長模型的精度，對比結果如表3所示。由表3可知，傳統模型與線性改進模型相比，傳統模型有著更好的表現，擬合結果的R2不小于0.995。其中Gompertz模型無論是傳統模型還是線性改進模型中的R2均為0.997，表現最佳。而其余模型線性改進后不如傳統模型效果好，Logistic(linear)的R2更是低至0.532，其原因是Logistic變換過程本身是非線性的，在兩端變化率微乎其微，而中間的變化很大，較為敏感。線性優化導致很多區間的變量變化對目標概率的影響沒有區分度。另外，當樣本被提取的特征比較少時，也會導致欠擬合。與傳統模型相比，指數改進模型有著更好的表現，擬合結果的R2均在0.986以上，具有較好的擬合結果。Logistic(exp)的表現最為突出，R2達到0.999，在表中所述的模型中擬合度最高。故在引入環境因子溫度后，Logistic(exp)的擬合準確性更高，更加符合河蟹的生長增質量規律。

表3 生長模型性能比較Tab.3 Growth model performance comparison

3 精準投餌預測模型設計

3.1 模型構建

為了給智能投餌船提供餌料拋幅和流量控制的依據，提高作業效率，本文基于GA-BP神經網絡算法，提出一種結合河蟹生長模型和河蟹投喂率、存活率確定投餌量的方法。河蟹精準投餌決策流程如圖3所示，蟹塘水溫、pH值、溶解氧含量作為GA-BP神經網絡的輸入，經過訓練，得出環境影響因子。

圖3 精準投餌決策流程圖Fig.3 Precision feeding decision flowchart

由上文構建的河蟹生長模型，結合實際河蟹養殖密度與養殖面積得出河蟹總質量，根據河蟹不同生長階段的投喂率得到經驗投餌量，綜合環境影響因子和存活率因素，得出總投餌量。精準投餌預測模型決策過程如下：

(1)選取Logistic(exp)模型作為河蟹生長模型，模擬河蟹生長規律，使用Curve Expert Professional 2.6數據分析工具，將河蟹生長和池塘水質參數歷史數據導入軟件，以殘差平方和最小為目標函數進行非線性擬合，根據決定系數R2判斷模型(越趨于1表明模型更優)，迭代出模型參數m、k、p、c的最優值。其中河蟹體質量極限參數m取212.195，瞬時生長率k取0.018，校準參數p取5.301，常系數c取0.301。

根據實際養殖中河蟹養殖密度與養殖面積，得出河蟹總質量，通過計算得出經驗投餌量。河蟹生長模型為

(4)

式中G——河蟹現階段體質量,g

t——當前河蟹放養時間

河蟹總質量計算式為

Z=10-3GDS

(5)

式中Z——河蟹總質量,kg

D——養殖密度,只/hm2

S——河蟹養殖面積,hm2

(2)投喂率是指現階段投餌餌料的總質量占河蟹體質量的百分比，河蟹投喂率與河蟹各個生長期階段有密切關系。據歷史數據與相關資料，江蘇省河蟹投喂率如表4所示。

表4 江蘇省河蟹投喂率Tab.4 Feeding rates for river crabs in Jiangsu Province

經驗投餌量計算式為

F=ZLf

(6)

式中F——經驗投餌量,kg

Lf——投喂率

(3)獲取不同的水溫、溶解氧含量、pH值等環境參數，不斷訓練GA-BP神經網絡，并通過GA-BP神經網絡計算出環境影響因子R。

總投餌量計算式為

H=FRLs

(7)

式中H——河蟹總投餌量,kg

Ls——河蟹存活率

3.2 GA-BP神經網絡

BP神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡[28]。BP神經網絡依靠池塘采集的大量環境數據進行訓練，不需要確定具體的輸入輸出變量間的映射函數，就可以確定河蟹投餌量與環境參數的規律規則。其結果隨著訓練愈發趨于期望輸出值。其核心原理包括兩部分，一是信號前向傳遞，二是誤差反向傳遞。結構包括輸入層、隱含層和輸出層[29]。溫度、溶解氧含量、pH值從輸入層進入，經隱含層作用于輸出層，觀察輸出層的環境因子和期望輸出環境因子的偏差，當偏差過大時進入反向傳播階段，通過調整輸入節點與隱含層的連接權值和閾值，使誤差沿梯度方向減小，反復調整，將誤差減小到理想范圍。其結構如圖4所示。圖中，BP神經網絡由輸入層、隱含層與輸出層構成。輸入參數在目標水域由溫度傳感器、pH值傳感器、溶解氧含量傳感器采集并分類保存。根據歷史數據、養殖戶經驗與蟹塘食臺反饋綜合得到輸出。

圖4 神經網絡結構Fig.4 Neural network architecture

單一的BP神經網絡在學習過程中存在收斂速度慢，誤差平方和函數存在局部最優等缺點[30]。而遺傳算法適用于從群體出發，多個個體比較的問題，另外，遺傳算法魯棒性強，適宜解決非線性、多維尋優問題[31]，在多變量、非線性的河蟹精準投餌模型中容易與BP神經網絡結合[32]，故本文提出基于GA-BP神經網絡的河蟹養殖精準投餌模型，GA-BP神經網絡算法流程如圖5所示。

圖5 GA-BP算法流程圖Fig.5 GA-BP algorithm flowchart

根據實際需要，本文神經網絡輸入變量為水溫、溶解氧含量與pH值，輸出為環境影響因子，取得一定的樣本數量，劃分訓練集與測試集對GA-BP神經網絡進行訓練，步驟為：

(1)在3路輸入中，由于物理單位不一，其取值范圍也區別較大，為了使每個神經元可以準確評估每個參數的影響程度，能夠較快收斂，數據需要進行無量綱化處理。將水溫、pH值與溶解氧含量的取值歸一化，無量綱化公式同式(1)。

(2)使用GA算法對輸入的數據進行選擇、交叉、變異操作，計算適應度，選取最優個體。

(3)判斷GA算法優化結果是否符合條件，若不滿足，則再次返回上一步，選取新個體。

(4)根據最優參數對BP神經網絡進行賦值，確定BP神經網絡的隱含層節點個數為

(8)

式中d——隱含層神經元個數

no——輸出層節點個數

ni——輸入層節點個數

α——1～10之間的常過式(8)得到隱含層神經元個數d=5。

(5)權值和閾值更新。神經網絡經過正向傳遞后，得到實際輸出，與期望輸出必然有一定誤差，為了進一步縮小誤差，采用梯度下降法來更新參數。同時，權重函數需要確定學習速率，學習速率太快會導致超出最優解，太慢則降低算法效率。代價函數和權重調整公式為

(9)

(10)

式中Es——輸出誤差l——樣本數量

ρs——學習率wh——權重

(6)對神經網絡模型進行訓練、仿真及更新，直到滿足結束條件，GA-BP算法終止。

3.3 評價模型

通過Matlab神經網絡工具箱對模型進行訓練，誤差衰減折線圖直觀地反映誤差衰減速度，如圖6所示。

圖6 衰減速度折線Fig.6 Decay rate line chart

由于樣本數量有限，為了進一步提高預測準確性，采取留一法對模型進行訓練。在測試集，選取10組數據樣本輸入神經網絡測試。測試值與真實值相比較如圖7所示。由圖7可以看出，BP神經網絡預測投餌量決定系數為0.974，GA-BP神經網絡預測投餌量決定系數為0.990，性能良好，與真實值更為接近。

圖7 訓練結果Fig.7 Training results

在機器學習中，均方誤差(Mean squared error)和均方根誤差(Root mean squard error)也是評價預測模型性能優良的指標。均方誤差與均方根誤差越小，預測模型的精度越好。

得到樣本均方誤差為0.040 75 kg2，均方根誤差為0.201 96 kg。結果表明該神經網絡模型可以較好地完成河蟹投餌量的預測，對河蟹養殖精準投餌的可行性提供了理論支撐。

4 系統設計

4.1 河蟹養殖精準投餌系統設計方案

為了解決人工撐船和固定投餌機投喂的缺點，提高投餌效率及精準性，本文設計了河蟹養殖精準投餌系統，養殖戶可以利用手機、計算機，通過云平臺連接，遠程監測、控制自動投餌船進行投喂工作。具體方案如下：

(1)利用水下攝像機以及圖像識別技術，對河蟹進行識別、定位和分割，獲取河蟹的數量和活動情況，通過投餌船的定位系統，確定河蟹的位置信息。如圖8所示，將池塘網格化，建立坐標系，各個網格面積相同，邊長通常取7～10 m，計算網格內平均河蟹數量與池塘河蟹總數量之比作為密度點。

圖8 池塘網格劃分示意圖Fig.8 Schematic of pond meshing

(2)將河蟹密度信息上傳至云服務器，根據池塘河蟹實際分布密度和水質參數，確定池塘各區域的餌料分配系數，將總投餌量科學分配到池塘各個區域。

各個子區域分配到的投餌密度計算式為

ρ(x,y)=103k(x,y)H/S(x,y)

(11)

其中

(12)

式中ρ(x,y)——子區域投餌密度,g/m2

k(x,y)——子區域餌料分配系數

S(x,y)——子區域面積,m2

ρh(x,y)——河蟹分布密度,只/m2

cd(x,y)——子區域水質參數系數

根據測定池塘特定點位的水質參數與歷史水質數據，可得到相同時段內的水質參數對應關系，再結合池塘網格分布情況，可得到子區域水質參數系數。

專家系統通過上述河蟹精準投餌模型決策出每個子區域的投餌量，由于風向、晝夜、池塘深度的因素，導致池塘水質參數不一致，故投餌量需結合分配系數，從而得出池塘各子區域的餌料分配密度，融合位置信息得到投餌處方圖。

(3)餌料密度分布信息傳輸到投餌船和移動終端實施投餌。投喂餌料后，在池塘多個代表性水域(離岸不同距離、不同位置、不同水深、不同水溫、不同溶解氧含量區域)設置監測食臺，通過食臺觀測本食臺分配到的總餌料量和河蟹攝食后的剩余餌料量，確定該區域剩余餌料反饋系數cf，根據各區域的剩余餌料反饋系數及閾值cf0調整池塘區域餌料分配系數，修正各區域餌料分配密度，實現餌料精準投喂。剩余餌料反饋系數cf計算式為

(13)

式中mr——食臺剩余餌料量,g

mt——食臺分配到的總餌料量,g

修正分配系數計算式為

k′(x,y)=[1-(cf-cf0)]k(x,y)

(14)

式中k′(x,y)——修正分配系數

在理想情況下，剩余餌料反饋系數為零則說明食臺餌料清空，全部被河蟹攝食。但在實際投餌作業中，食臺餌料清空則意味著餌料有可能投喂偏少，河蟹沒有充分攝食，不利于河蟹育肥增重。故在修正分配系數時，需要設置剩余餌料反饋系數閾值，一般取cf0為5%～10%，保證食臺剩余餌料在一個適當的范圍內。

4.2 自動投餌裝置設計

自動投餌裝置裝載在明輪船上，是精準投餌實現的重要組成部分，其主要結構示意圖如圖9所示。

圖9 自動投餌裝置結構圖Fig.9 Automatic feeding device construction1.料倉 2.螺旋輸送器 3.螺旋輸送器電機 4.拋盤 5.拋盤電機

料倉位于自動投餌裝置主體上部，料倉下部連接餌料引流槽，餌料通過螺旋輸送器輸送到拋料盤，確保顆粒飼料下料順暢。料倉設計可裝載120 kg的餌料，可供5.33 hm2蟹塘撒料使用。為了實現精準投餌，該自動投餌裝置有以下功能：

(1)投餌裝置料倉下料流量可控。料倉底部裝有螺旋輸送器，螺旋輸送器電機工作時，將餌料推送到拋盤上方。通過控制螺旋輸送器電機轉速，即可調整下料速度。通過稱量裝置稱量餌料質量作為反饋，調節螺旋輸送器電機轉速，閉環控制下料流量。

(2)投餌裝置拋料器拋幅可調。餌料落到高速旋轉的拋盤上，通過撥料板和離心作用拋撒出去且拋料角可調。通過控制拋盤電機轉速，即可調整拋幅，拋幅最大可達12 m。

(3)投餌裝置剩余餌料質量可測。料倉下方安裝有稱量壓力傳感器，可實時獲取料倉內剩余餌料的質量，方便漁民及時補充餌料。

投餌裝置使用蓄電池直流供電。其控制器與主控模塊通過通信模塊相連，實時反饋拋盤電機轉速、螺旋輸送器電機轉速、剩余餌料質量等信息，并可通過手機App實時控制。

4.3 池塘試驗與分析

為了進一步驗證本文所提精準投餌的實際效果，選取江蘇省常州市金壇區漁業科技示范基地一池塘進行投餌試驗。采用JDTEC-3型智能投餌水產養殖作業船，船體長2 m，寬1.6 m，高1.1 m，質量200 kg。采用美國Trimble公司生產的Trimble Zephyr-2 GNSS型多系統高精度定位天線。池塘水溫、溶解氧含量、pH值參數檢測采用上海清淼光電科技有限公司的KM-MU-800型在線多參數水質監測儀。試驗當天多云，風力3～4級，氣溫18～27℃。上位機界面如圖10所示。填寫河蟹基本信息，如養殖面積、放養規格、放養密度、放養時間以及當前生長階段。填寫環境參數，如水溫、pH值、溶解氧含量等。點擊開始決策按鈕，運行程序，計算出總投餌量以及當前的投餌建議。

圖10 上位機界面Fig.10 Upper computer interface

手機App監控界面如圖11所示，界面顯示該船的實時狀態信息，剩余電量、餌料量、衛星信號、當前位置信息、拋盤電機PWM、螺旋輸送器電機PWM、泵流量、藥液閥流量及操控主界面，包括手動、半自動、全自動控制操控、軌跡顯示等子功能界面。

圖11 手機App監控界面Fig.11 Mobile App monitoring interface

試驗現場的河蟹養殖自動投餌船如圖12所示，先按池塘形狀以10 m為邊長劃分單元網格并編號，利用KM-MU-800型在線多參數水質監測儀測得池塘各區域水溫、pH值、溶解氧含量等環境參數，根據河蟹分布密度及各區域水質參數系數得到各區域預設投餌密度。然后規劃投餌船作業軌跡，包括投餌船作業路線、航速、投餌裝置拋幅、下料流量等作業參數，作業船按預設軌跡進行變量投餌作業，池塘網格劃分與投餌作業軌跡如圖13所示。

圖12 投餌船試驗Fig.12 Feeding boat test

圖13 池塘網格劃分與投餌作業軌跡Fig.13 Pond meshing and feeding trajectory

通過作業船投餌作業后，統計測算作業船投餌路徑長度、平均船速、投餌時間參數，表5為投餌船試驗參數。

表5 投餌船試驗參數Tab.5 Test parameters of feeding boat

投餌時，作業船根據預設軌跡，通過變量投餌裝置，實時調整下料流量及投餌拋幅，在預設航線上按設定投餌密度拋撒餌料到每個網格，統計測算各網格區域的實際投餌密度等參數，池塘網格投餌試驗數據如表6所示。由表6可知，各網格區域中，實際投餌密度絕對誤差最大為0.65 g/m2，最小為0.02 g/m2，平均絕對誤差為0.32 g/m2。實際投餌密度相對誤差最大為8.61%，最小為0.26%，平均相對誤差為3.90%。系統可根據各網格區域的河蟹分布密度和水質參數系數，確定預設投餌密度，通過作業船變量投餌實現了池塘各目標網格上的按需投喂，取得了較好的精準投餌效果。

根據實際測算，養殖戶一般2人搭配，可以完成精細投餌的河蟹養殖池塘面積約為2.66 hm2，而基于河蟹生長模型確定投餌量，通過1個人工加料充電等輔助管理，由1條智能投餌船自動作業能夠精準投餌的池塘面積約為5.33 hm2，節省了3個勞動力。同時，由于綜合考慮了環境因子與河蟹生長期參數的影響，在總投餌量確定和各區域餌料分配量給定方面提供了量化計算方法，提高了餌料利用率，促進河蟹養殖節本增效。

5 結論

(1)利用灰色關聯度分析法，確定了對河蟹生長影響最大的環境因子為水溫。在傳統水產作物模型基礎上，加入環境因子進行改進。從線性和指數兩個角度對河蟹生長模型進行優化擬合，得出Logistic(exp)模型最貼近實際河蟹生長規律。

(2)設計了基于GA-BP神經網絡的精準投餌預測模型。利用GA-BP神經網絡對精準投餌預測模型進行訓練，通過輸入水溫、溶解氧含量、pH值等環境參數，推算出最佳環境影響因子。根據河蟹生長模型、養殖密度、養殖面積得出河蟹總質量，結合河蟹生長期存活率與投喂率可得出總投餌量。根據池塘河蟹實際分布密度和水質參數，確定池塘各區域的餌料分配系數，將總投餌量科學分配到池塘各個區域。通過仿真得出預測投餌量決定系數R2為0.990，預測模型性能良好。

(3)通過實際池塘試驗，投餌裝置所拋撒出的餌料總量與餌料密度均值與預設值趨于一致，對池塘各網格區域，投餌船實際投餌密度與預設投餌密度相比，平均絕對誤差為0.32 g/m2，平均相對誤差為3.90%，實現了池塘各區域的非均勻按需投喂。應用該模型確定投餌量，通過智能投餌船能夠精準投餌的池塘面積為5.33 hm2，節約了3個勞動力成本。而且該系統可根據環境參數的變化和食臺反饋及時調整投餌量，使得投喂更加精準，有利于節省餌料，培育大規格河蟹，增加河蟹產量，提高養殖效益。

表6 池塘網格投餌試驗數據Tab.6 Experimental data of pond grid feeding