海水養(yǎng)殖水質(zhì)監(jiān)測與分析系統(tǒng)設(shè)計與實現(xiàn)

劉明劍，劉麗麗，朱宏升，張思佳

（1.大連海洋大學信息工程學院，遼寧 大連 116023；2.中國人民解放軍戰(zhàn)略支援部隊信息工程大學，河南 鄭州 450001；3.設(shè)施漁業(yè)教育部重點試驗室（大連海洋大學），遼寧 大連 116023）

目前我國水產(chǎn)養(yǎng)殖業(yè)正在加快轉(zhuǎn)型升級,提質(zhì)增效[1]。作為水生動物生存基礎(chǔ)的養(yǎng)殖水體環(huán)境會因數(shù)年養(yǎng)殖以及養(yǎng)殖中后期池塘存魚量、投餌量逐漸增加，產(chǎn)生大量有害物質(zhì)，影響魚類生長。有機物過多也會導(dǎo)致各種細菌、病毒大量繁殖，引發(fā)疾病，危害水生動物的健康[2,3]。要想保證水產(chǎn)養(yǎng)殖生產(chǎn)效率必須做好養(yǎng)殖水質(zhì)環(huán)境監(jiān)測工作。

近年來，隨著人工智能、大數(shù)據(jù)和物聯(lián)網(wǎng)等新一代信息技術(shù)發(fā)展，已經(jīng)能夠為智慧農(nóng)業(yè)發(fā)展提供關(guān)鍵動力與支持。使用上述信息技術(shù)來加強水產(chǎn)養(yǎng)殖信息化建設(shè)是提高養(yǎng)殖生產(chǎn)效率，降低水產(chǎn)養(yǎng)殖的工作量和運營成本，實現(xiàn)水產(chǎn)品養(yǎng)殖持續(xù)高產(chǎn)的有效手段。

針對上述需求，利用上述新一代信息技術(shù)開展了水產(chǎn)養(yǎng)殖環(huán)境監(jiān)測的相關(guān)研究工作。周皓東等[4]設(shè)計了基于WiFi 的水質(zhì)監(jiān)測系統(tǒng)。該系統(tǒng)可將傳感器采集到的數(shù)據(jù)傳輸?shù)奖O(jiān)測中心，且數(shù)據(jù)準確性較高、傳輸速率較快。但是，基于WiFi 的水質(zhì)監(jiān)測系統(tǒng)傳輸距離較近，功耗較大。李鑫星等[5]設(shè)計了基于ZigBee 的多參數(shù)水質(zhì)在線監(jiān)測系統(tǒng)。該系統(tǒng)通過ZigBee 無線網(wǎng)絡(luò)定時獲取傳感器采集到的溶解氧、pH、電導(dǎo)率、溫度等數(shù)據(jù)，并在上機位顯示。實驗表明該系統(tǒng)穩(wěn)定性較高、功耗較低、成本也低，但是傳輸速率低，傳輸距離較近。花俊等[6]基于蜂窩網(wǎng)絡(luò)遠程通信方式實現(xiàn)了水質(zhì)監(jiān)測數(shù)據(jù)的無線傳輸，同時設(shè)計了配套的軟、硬件設(shè)施。雖然使用蜂窩網(wǎng)絡(luò)通信技術(shù)傳輸距離遠、傳輸速率高，但存在功耗高和成本高問題。宦娟等[7]研發(fā)了一種基于NB-IoT 的養(yǎng)殖塘水質(zhì)監(jiān)測系統(tǒng)，實現(xiàn)了對溫度、pH、溶解氧等水質(zhì)數(shù)據(jù)的采集和存儲功能，以及對養(yǎng)殖塘的智能控制和集中管理。NB-IoT 技術(shù)覆蓋廣、消耗低、成本低，但是，NB-IoT 在沒有4G 覆蓋的地方網(wǎng)絡(luò)質(zhì)量將無法保障。陳麗等[8]設(shè)計了一種基于LoRa 的低功耗水產(chǎn)養(yǎng)殖水質(zhì)監(jiān)測系統(tǒng)，完成了對水產(chǎn)養(yǎng)殖水質(zhì)參數(shù)的采集與傳輸。實驗結(jié)果表明，系統(tǒng)在覆蓋范圍和功耗上優(yōu)勢明顯。Niswar 等[9]設(shè)計和實現(xiàn)了基于LoRa 的水質(zhì)監(jiān)控系統(tǒng)，使用物聯(lián)網(wǎng)技術(shù)進行軟殼蟹養(yǎng)殖，使養(yǎng)殖池塘水質(zhì)保持在可接受的水平，提高了軟殼蟹的成活率和產(chǎn)量。Bhawiyuga 等[10]提出了基于LoRa 的養(yǎng)殖水質(zhì)監(jiān)測系統(tǒng)，根據(jù)傳感器節(jié)點功能測試，傳感器節(jié)點可以對環(huán)境的變化做出恰當?shù)胤磻?yīng)。邱曙光等[11]提出了在河道中基于LoRa 技術(shù)組網(wǎng)的水質(zhì)監(jiān)測方法；低消耗的LoRa 技術(shù)自組網(wǎng)的特性免去了運營商收取的通信費用，成本降低，在郊區(qū)等沒有4G 網(wǎng)絡(luò)覆蓋的區(qū)域，網(wǎng)絡(luò)質(zhì)量也不會出現(xiàn)波動。但是上述LoRA 監(jiān)測系統(tǒng)并沒有對養(yǎng)殖生產(chǎn)數(shù)據(jù)進行記錄，無法為后續(xù)研究養(yǎng)殖環(huán)境指標與養(yǎng)殖生物生長之間關(guān)系提供支持。

劉雨青等[12]設(shè)計了基于物聯(lián)網(wǎng)的蟹養(yǎng)殖基地監(jiān)控系統(tǒng)，包括：水質(zhì)監(jiān)控、氣象監(jiān)控、視頻監(jiān)控以及對養(yǎng)殖設(shè)備的智能控制，實現(xiàn)了對蟹養(yǎng)殖基地的全方位監(jiān)控。馬聰?shù)萚13]設(shè)計了基于SpringBoot 架構(gòu)下的水質(zhì)監(jiān)測系統(tǒng)；唐非等[14]設(shè)計基于物聯(lián)網(wǎng)的分布式水質(zhì)在線監(jiān)控系統(tǒng)；Hassan 等[15]在基于物聯(lián)網(wǎng)進行組網(wǎng)設(shè)計了一種水質(zhì)監(jiān)測系統(tǒng)；Ya’acob 等[16]基于物聯(lián)網(wǎng)技術(shù)搭建了水質(zhì)監(jiān)測系統(tǒng)，設(shè)計了一種在線水質(zhì)監(jiān)測系統(tǒng)。上述系統(tǒng)雖然對養(yǎng)殖基地監(jiān)測和控制得較為全面，但是養(yǎng)殖數(shù)據(jù)記錄并不完整，只有養(yǎng)殖對象、生長周期和投喂飼料的數(shù)據(jù)記錄，缺少倒池、換水、投藥、生長、投卵和產(chǎn)出等信息，也沒有提供水質(zhì)環(huán)境數(shù)據(jù)相關(guān)性分析及預(yù)測功能。

基于上述分析，完善水質(zhì)監(jiān)測系統(tǒng)應(yīng)包括：①實時記錄養(yǎng)殖生產(chǎn)過程和水質(zhì)參數(shù)數(shù)據(jù)的可視化顯示，提供多水質(zhì)監(jiān)測指標變化的內(nèi)在關(guān)聯(lián)性屬性，為后續(xù)分析養(yǎng)殖環(huán)境指標與養(yǎng)殖生物生長模式之間關(guān)系提供有力的支持；②搭建系統(tǒng)應(yīng)考慮系統(tǒng)用戶易用性以及組網(wǎng)的性能、功耗與成本問題。

本文研發(fā)了基于SSM 框架的水產(chǎn)養(yǎng)殖環(huán)境監(jiān)測與分析系統(tǒng)。首先，在Netty 框架中使用LoRa 無線傳輸技術(shù)實現(xiàn)傳感器-采集節(jié)點-網(wǎng)關(guān)節(jié)點-后臺的實時數(shù)據(jù)交互，在SSM 框架下通過Websocket 通信技術(shù)實現(xiàn)實時監(jiān)測數(shù)據(jù)庫變化；其次，建立了基于指數(shù)平滑的水質(zhì)參數(shù)未來變化趨勢預(yù)測方法，以及基于Pearson 算法建立的水質(zhì)參數(shù)之間的相關(guān)性分析方法。通過上述數(shù)據(jù)融合和信息共享，梳理并整理分散的環(huán)境信息、生產(chǎn)管理等信息，形成準確、高價值的全鏈條生產(chǎn)管理數(shù)據(jù)，為生產(chǎn)決策提供依據(jù)。

1 系統(tǒng)總體設(shè)計

1.1 監(jiān)測系統(tǒng)總體框架

海水養(yǎng)殖環(huán)境監(jiān)測與分析系統(tǒng)廣泛應(yīng)用信息化、可視化、無線通信與智能化技術(shù)與設(shè)備，采集養(yǎng)殖全過程數(shù)據(jù)，實時、可視化地觀察養(yǎng)殖池的生產(chǎn)狀況，監(jiān)測養(yǎng)殖池的水質(zhì)變化，大幅度減少人工巡查和測量的工作量，有效節(jié)約能源，提高生產(chǎn)效率，提升養(yǎng)殖自動化、智能化、精準化水平。

整個系統(tǒng)架構(gòu)由四個層級所組成（數(shù)據(jù)采集與預(yù)處理層、傳輸層、平臺層和應(yīng)用層）。數(shù)據(jù)采集與預(yù)處理層具有環(huán)境感知能力，通過傳感器和智能終端等泛在網(wǎng)絡(luò)技術(shù)獲取養(yǎng)殖生產(chǎn)中水質(zhì)數(shù)據(jù)：溫度、pH、鹽度等，以及記錄養(yǎng)殖過程中生產(chǎn)數(shù)據(jù)；傳輸層將數(shù)據(jù)采集與預(yù)處理層自動獲取的數(shù)據(jù)通過網(wǎng)絡(luò)鏈路及網(wǎng)絡(luò)設(shè)備傳輸?shù)狡脚_層，平臺層梳理并整理分散的資源信息、環(huán)境信息、生產(chǎn)管理等信息，形成準確、高價值的全鏈條生產(chǎn)管理資源大數(shù)據(jù)；應(yīng)用層，用于實現(xiàn)系統(tǒng)數(shù)據(jù)監(jiān)測和分析等功能，并通過友好的表現(xiàn)界面滿足不同用戶的需求（圖1）。

圖1 水質(zhì)監(jiān)測系統(tǒng)整體架構(gòu)Fig.1 Chart of water quality monitoring system in aquaculture ponds

海水養(yǎng)殖環(huán)境監(jiān)測與分析系統(tǒng)各層次分工明確，主要由水質(zhì)傳感器、數(shù)傳終端、水質(zhì)數(shù)據(jù)收集網(wǎng)關(guān)和后臺控制中心組成。水質(zhì)監(jiān)測系統(tǒng)利用傳感器采集水質(zhì)數(shù)據(jù)，以有線方式傳輸至數(shù)傳終端。數(shù)傳終端基于無線自組織網(wǎng)絡(luò)將數(shù)據(jù)傳輸發(fā)送至數(shù)據(jù)收集網(wǎng)關(guān)，本地控制中心從數(shù)據(jù)收集網(wǎng)關(guān)獲取數(shù)據(jù)，實現(xiàn)數(shù)據(jù)監(jiān)控和歷史數(shù)據(jù)查詢、歷史數(shù)據(jù)分析、數(shù)據(jù)預(yù)測、生產(chǎn)數(shù)據(jù)管理和報警閾值設(shè)置等功能。

1.2 監(jiān)測系統(tǒng)數(shù)據(jù)采集與預(yù)處理層設(shè)計

數(shù)據(jù)采集與預(yù)處理層采集養(yǎng)殖數(shù)據(jù)，并與數(shù)傳終端進行信息交互。

1.2.1 傳感數(shù)據(jù)采集端

水質(zhì)監(jiān)測系統(tǒng)中主要依靠傳感器監(jiān)測養(yǎng)殖水質(zhì)，包括鹽度、溫度和pH 等水質(zhì)參數(shù)。傳感器選用蘇州禹山公司出品的支持MODBUS 通信協(xié)議的傳感數(shù)據(jù)采集設(shè)備（表1）。以pH 數(shù)據(jù)采集傳感器為例：首先，設(shè)置傳感器電極的MODBUS 從設(shè)備地址，獲取每個電極唯一識別碼SN（serial number）；其次，開始測量，獲取探頭的pH 和電位值（Oxidation-Reduction Potential，ORP），ORP 的單位為mV；最后，開始進行pH 數(shù)據(jù)采集。當數(shù)據(jù)采集完畢后可以停止測量，若再次測量需要發(fā)送開始測量命令；同時，為防止探頭老化等因素造成數(shù)值偏差，定期校準傳感器。

表1 傳感器參數(shù)表Tab.1 Parameters of a sensor

1.2.2 數(shù)傳終端

數(shù)傳終端是傳感器端與網(wǎng)關(guān)之間收發(fā)數(shù)據(jù)的橋梁，其對上采用LoRa 無線通信技術(shù)實現(xiàn)與水質(zhì)數(shù)據(jù)收集網(wǎng)關(guān)的無線通信；其對下采用RS485 通過有線方式與傳感器設(shè)備相連，能夠有效提高數(shù)據(jù)傳輸速率，在此基礎(chǔ)上對數(shù)據(jù)的傳輸進行加密，提高數(shù)據(jù)保密性、安全性及可靠性。

1.2.3 數(shù)據(jù)幀格式設(shè)計

為了提高傳感數(shù)據(jù)的采集正確性和信息傳輸效率，方便監(jiān)測系統(tǒng)軟硬件模塊對數(shù)據(jù)解析處理，基于MODBUS RTU 通信協(xié)議，設(shè)計了數(shù)據(jù)請求與應(yīng)答數(shù)據(jù)幀結(jié)構(gòu)。

（1）數(shù)據(jù)請求幀

數(shù)據(jù)請求幀為13 個字節(jié)，以16 進制表示，包含6 個部分：請求節(jié)點ID、設(shè)備地址、功能碼、寄存器地址、控制字和校驗。第1 至5 個字節(jié)代表監(jiān)測節(jié)點ID，每個監(jiān)測節(jié)點在設(shè)定后ID 固定不變；第6個字節(jié)為節(jié)點中的監(jiān)測設(shè)備地址，設(shè)備地址取值范圍為1～217；第7 個字節(jié)為功能碼，以pH 請求幀為例，pH 請求幀只有兩類MODBUS 功能碼，03——讀保存寄存器，用于讀取遠程傳感器的保持寄存器的連續(xù)數(shù)據(jù)塊內(nèi)容，10——寫多重寄存器，用于向遠程傳感器中寫入連續(xù)（1～213 個寄存器）寄存器塊；第8 和第9 個字節(jié)為寄存器起始地址，用于記錄傳感器數(shù)值；第10 和11 個字節(jié)為讀取寄存器數(shù)量；最后兩個字節(jié)為CRC（循環(huán)冗余校驗）。以監(jiān)測系統(tǒng)在某時刻讀取pH 值的數(shù)據(jù)請求幀0009C9DE0004 0326000006CED5 為例：此請求幀的含義為從ID 為0x0009C9DE00 監(jiān)測節(jié)點的設(shè)備地址為0x04 的pH傳感器設(shè)備讀取監(jiān)測數(shù)據(jù)；0x03 為功能碼；0x2600為記錄pH 值的內(nèi)存起始地址，0x0006 為連續(xù)6 個MODBUS 寄存器中讀取探頭的pH 值；0xCED5 為校正信息。

（2）數(shù)據(jù)應(yīng)答幀

以監(jiān)測系統(tǒng)在某時刻讀取pH 的數(shù)據(jù)應(yīng)答幀040304431CFD401063 為例：第1 個字節(jié)表示設(shè)備地址0x04，第2 個字節(jié)表示功能碼0x03，第3 個字節(jié)表示數(shù)據(jù)的字節(jié)數(shù)0x04，第4～7 個字節(jié)表示pH——0x431CFD40，即換算成10 進制pH 為7.9097，最后2 個字節(jié)為CRC 校驗。

1.3 傳輸層設(shè)計

傳輸層主要承擔傳輸采集層和后臺服務(wù)層信息交互任務(wù)，數(shù)據(jù)采集與預(yù)處理層采集的養(yǎng)殖水質(zhì)監(jiān)測數(shù)據(jù)，如溫度、鹽度和pH 等指標，發(fā)送至后臺進行數(shù)據(jù)存儲、分析與處理。

整個水質(zhì)監(jiān)測系統(tǒng)自組織網(wǎng)絡(luò)包括如下三個部分：①傳感網(wǎng)絡(luò)部分，整個監(jiān)測系統(tǒng)包含n 個數(shù)傳終端，每個數(shù)傳終端可以掛載m 個不同類型傳感器（為保證系統(tǒng)穩(wěn)定性，對整個系統(tǒng)可掛載數(shù)量做如下限定n≤40，m≤10）。數(shù)傳終端與傳感器通過RS485 有線方式連接；②無線傳輸部分，數(shù)據(jù)終端與數(shù)據(jù)收集網(wǎng)關(guān)采用LoRa 無線傳輸模式，進行自組織網(wǎng)絡(luò)搭建，基本參數(shù)設(shè)定為通信頻率389～510 MHz，增益天線3.5 dbi，發(fā)射功率為24～30 dbm，理想狀態(tài)下傳輸距離為4 500 m，空中傳輸速率為0.814 Kbps，能滿足養(yǎng)殖廠內(nèi)部數(shù)據(jù)傳輸需求；③后臺處理部分，數(shù)據(jù)收集網(wǎng)關(guān)將收集到多個監(jiān)測點檢測數(shù)據(jù)發(fā)送至后臺進行數(shù)據(jù)分析與處理（圖2）。

圖2 網(wǎng)絡(luò)拓撲圖Fig.2 Network topology

1.4 平臺層設(shè)計

平臺層主要功能是存儲、分析與處理從傳感器獲得溫度、鹽度與pH 等數(shù)據(jù)，部署相關(guān)養(yǎng)殖監(jiān)測應(yīng)用，實現(xiàn)對傳感設(shè)備的統(tǒng)一管理。

1.4.1 平臺層后端設(shè)計

在監(jiān)測系統(tǒng)后臺基于Eclipse 平臺，采用SSM框架完成Web 端開發(fā)，具體實現(xiàn)過程主要包括以下步驟：首先，為完成SSM 框架的搭建，需導(dǎo)入Spring、Spring MVC、Mybatis 等有關(guān)的jar 包，生成web.xml 文件；其次，對已經(jīng)生成的web.xml 文件、Spring MVC 的主配置文件（springmvc.xml）、Spring的主配置文件（applicationContext.xml）、Mybatis 的主配置文件（mybatis.xml）以及generatorConfig.xml 文件進行相應(yīng)的配置，以完成SSM框架的初步搭建；最后，對處理器（Handler）的開發(fā)，先創(chuàng)建對應(yīng)的Controller 類，添加@Controller 注解，將bean 加載到IOC 容器當中，然后通過@RequestMapping 注解在Controller 類里進行映射開發(fā)，將請求映射到對應(yīng)的控制器方法上。由此便完成了SSM框架的搭建。

1.4.2 平臺層前端設(shè)計

前端為了實現(xiàn)數(shù)據(jù)實時動態(tài)變化的可視化顯示，進行了如下工作：①基于JSP 和CSS 技術(shù)實現(xiàn)系統(tǒng)的頁面的布局和樣式；②采用Echarts 技術(shù)實現(xiàn)數(shù)據(jù)可視化，即完成數(shù)據(jù)折線圖等顯示形式；③利用Ajax 技術(shù)實現(xiàn)頁面和服務(wù)器之間的數(shù)據(jù)傳輸；④采用Websocket 推送技術(shù)實現(xiàn)實時數(shù)據(jù)監(jiān)控功能，當數(shù)據(jù)庫中有新存入的傳感器數(shù)據(jù)時，服務(wù)器端會實時推送消息到前端瀏覽器，瀏覽器刷新頁面即可實現(xiàn)數(shù)據(jù)的實時顯示。

為實現(xiàn)本地監(jiān)控中心與傳感器之間的通信，本文中采用Netty 通信框架。首先，當后臺申請與傳感器進行通信來讀取傳感器中數(shù)據(jù)，作為連接客戶端和服務(wù)器端的橋梁的Netty 通信框架中channel 被激活，自主調(diào)用ChannelActive 方法，用于完成后臺向網(wǎng)關(guān)首次發(fā)送請求命令幀，來進行數(shù)據(jù)傳輸；其次，網(wǎng)關(guān)將請求命令幀通過LoRa 無線通信技術(shù)轉(zhuǎn)發(fā)到數(shù)傳終端；再次，數(shù)傳終端通過RS485 接口以有線通信方式將請求命令幀傳送到傳感器數(shù)據(jù)采集設(shè)備；然后，傳感器根據(jù)收到的請求命令幀返回相應(yīng)的應(yīng)答幀到數(shù)傳終端；最后，數(shù)傳終端通過Lo-Ra 無線通信技術(shù)將應(yīng)答幀發(fā)送到網(wǎng)關(guān)，網(wǎng)關(guān)通過Netty 框架傳輸?shù)胶笈_，由Channel 中的Channel Pipeline 處理事件鏈表，將接收的傳感器數(shù)據(jù)進行解析和存儲。由此完成一次傳感器數(shù)據(jù)采集網(wǎng)絡(luò)通信過程。

1.5 應(yīng)用層設(shè)計

目前已經(jīng)完成養(yǎng)殖水質(zhì)環(huán)境歷史數(shù)據(jù)分析和指標變化預(yù)測兩個部分，并以可視化形式進行展現(xiàn)。歷史數(shù)據(jù)分析主要是分析過往采集到的不同水質(zhì)參數(shù)指標進行數(shù)據(jù)的相關(guān)性，讓用戶了解到不同指標之間的相關(guān)性強度；數(shù)據(jù)預(yù)測可根據(jù)以往采集到的數(shù)據(jù)進行未來數(shù)據(jù)的預(yù)測，以便及早做出決策，使水質(zhì)環(huán)境保持相對穩(wěn)定狀態(tài)。

1.5.1 養(yǎng)殖水質(zhì)指標相關(guān)性分析方法

養(yǎng)殖水質(zhì)數(shù)據(jù)指標相關(guān)性分析能夠反映出養(yǎng)殖環(huán)境內(nèi)在質(zhì)量情況，體現(xiàn)出水質(zhì)的變換規(guī)律和自身特點，水質(zhì)數(shù)據(jù)指標之間會有潛在的相關(guān)性，了解這些指標變化相關(guān)性，有助于在養(yǎng)殖中審核數(shù)據(jù)，制定與調(diào)整生產(chǎn)決策。為了分析傳感監(jiān)測指標變化間的相關(guān)性，提出了基于Pearson 算法的指標相關(guān)性分析方法。

兩個水質(zhì)指標變量之間的Pearson 相關(guān)系數(shù)定義為兩個變量之間的協(xié)方差和各自標準差乘積的商：

式（1）中定義了整體相關(guān)系數(shù)（r），估算樣本的協(xié)方差和標準差，能夠得到樣本相關(guān)系數(shù)，一般表示為：

（2）式中相關(guān)系數(shù)r 的取值在-1～1 之間，當絕對值|r|的取值越趨近于1，說明傳感指標間相關(guān)性越強（表2）。

表2 相關(guān)系數(shù)強度對照表Tab.2 Comparison correlation coefficient intensity

1.5.2 數(shù)據(jù)預(yù)測方法

養(yǎng)殖環(huán)境水質(zhì)變化與養(yǎng)殖過程密切相關(guān)，水質(zhì)指標變化為漸變性，非線性和不確定性等特點。預(yù)測水質(zhì)指標變化能夠更好了解養(yǎng)殖環(huán)境的變化，更好地調(diào)整生產(chǎn)決策。因此，提出了基于指數(shù)平滑的水質(zhì)指標參數(shù)變化的預(yù)測方法，其主要分為一次指數(shù)平滑、二次指數(shù)平滑和三次指數(shù)平滑預(yù)測水質(zhì)指標變化趨勢。

一次指數(shù)平滑適用于時間序列無明顯變化趨勢的情況，根據(jù)本監(jiān)測系統(tǒng)采集到的數(shù)據(jù)，一次指數(shù)平滑短時間內(nèi)預(yù)測溫度較為準確，因較短時間內(nèi)溫度的曲線圖無明顯趨勢變化，近似一條水平線，最大誤差控制在0.05%以內(nèi)，所以，一次指數(shù)平滑比較適合。一次指數(shù)平滑只是對歷史數(shù)據(jù)加權(quán)計算進行預(yù)測（圖3）。

圖3 溫度變化趨勢Fig.3 Temperature change trend

一次指數(shù)平滑預(yù)測模型為：

當時間序列有直線趨勢時，一次指數(shù)平滑就會出現(xiàn)滯后偏差，需要二次指數(shù)平滑。根據(jù)本監(jiān)測系統(tǒng)采集到的數(shù)據(jù)來分析，針對短時間內(nèi)的pH 的曲線會有一些明顯變化的趨勢，此時一次指數(shù)平滑不能很好對其預(yù)測，而二次指數(shù)平滑的預(yù)測結(jié)果就更接近真實值（圖4）。

圖4 pH 變化趨勢Fig.4 pH change trend

二次平滑是在一次指數(shù)平滑的基礎(chǔ)上再進行一次平滑，其預(yù)測模型為：

式（6）中，yt+T′為時間t+T 的預(yù)測值；T 是從時間t 開始的預(yù)測時間數(shù)；St(2)為時間t 的二次平滑值；St(1)為時間t 的一次平滑值；St-1(2)為時間t-1 的二次平滑值，at、bt為參數(shù)變量，隨著時間t 的變化而變化；a為平滑常數(shù)。

對于具有二次曲線或是重復(fù)性趨勢時間序列，根據(jù)本監(jiān)測系統(tǒng)采集到的數(shù)據(jù)進行分析，在稍長測試時間情況下，采集到的pH 數(shù)據(jù)的曲線有二次曲線趨勢，此時一次指數(shù)平滑和二次指數(shù)平滑都無法很好預(yù)測，則需采用三次指數(shù)平滑法進行預(yù)測，即二次指數(shù)平滑的基礎(chǔ)上再進行一次平滑（圖5）。

圖5 pH 明顯變化趨勢Fig.5 The obvious change trend of pH

三次指數(shù)平滑預(yù)測模型為：

式（9）中，yt+T′為時間t+T 的預(yù)測值；T 是從時間t 開始的預(yù)測時間數(shù)；St(1)為時間t 的一次平滑值；St(2)為時間t 的二次平滑值；St(3)為時間t 的三次平滑值；at、bt、ct為參數(shù)變量，隨著時間t 的變化而變化；a 為平滑常數(shù)。

由上可知，二次指數(shù)平滑需要用到一次指數(shù)平滑的運算結(jié)果，而三次指數(shù)平滑則需要在一次指數(shù)平滑和二次指數(shù)平滑的運算結(jié)果基礎(chǔ)上計算。在預(yù)測水質(zhì)監(jiān)測數(shù)據(jù)時，由于選擇的起始時間不定，并不能準確獲悉其時間序列趨勢。為了預(yù)測結(jié)果的準確性，可以在程序中分別計算出一次指數(shù)平滑、二次指數(shù)平滑和三次指數(shù)平滑預(yù)測值的均方誤差，應(yīng)用選擇均方誤差最小的預(yù)測模型。平滑常數(shù)a 規(guī)定了在新預(yù)測值中新數(shù)據(jù)和原預(yù)測值所占的比例，因此a 的選擇也十分重要，在程序中分別計算若干a值進行試算比較，最終選擇應(yīng)用誤差最小的a 值。

2 結(jié)果與分析

本系統(tǒng)在遼寧省盤錦市每日集團有限公司養(yǎng)殖基地4 個養(yǎng)殖池作為監(jiān)測點（圖6）進行試驗。每個監(jiān)測點布置了pH、溫度與鹽度傳感器，作為第一階段水質(zhì)監(jiān)測指標。根據(jù)監(jiān)測過程中實際需要，設(shè)置了傳感器的數(shù)據(jù)采集頻率。

圖6 養(yǎng)殖監(jiān)測節(jié)點布置情況Fig.6 The arrangement of monitoring nodes

2.1 監(jiān)測系統(tǒng)基礎(chǔ)功能運行結(jié)果

（1）養(yǎng)殖環(huán)境水質(zhì)實時監(jiān)控

用戶登錄系統(tǒng)之后，可以實時監(jiān)控養(yǎng)殖區(qū)域的水質(zhì)數(shù)據(jù)信息，包括各個監(jiān)測點最近一次接收的養(yǎng)殖水質(zhì)信息以及過往24 h 的數(shù)據(jù)趨勢圖。當接收的數(shù)據(jù)超出了報警閾值，頁面中出現(xiàn)警示信號標識，提示養(yǎng)殖水質(zhì)數(shù)據(jù)異常（圖7）。

圖7 水質(zhì)環(huán)境監(jiān)測Fig.7 The water quality environmental monitoring

（2）生產(chǎn)數(shù)據(jù)管理

具有為用戶提供養(yǎng)殖生產(chǎn)數(shù)據(jù)管理功能，梳理分散的生產(chǎn)管理信息（投喂餌料、藥品、換水倒池等養(yǎng)殖基礎(chǔ)信息），形成準確、高價值的全鏈條生產(chǎn)管理數(shù)據(jù)，為生產(chǎn)決策提供數(shù)據(jù)支持（圖8）。

圖8 生產(chǎn)信息管理Fig.8 The production information management

2.2 養(yǎng)殖水質(zhì)指標相關(guān)性分析與預(yù)測

表3 記錄了監(jiān)測點1 的2022 年3 月3 日至2022 年3 月9 日部分水質(zhì)監(jiān)測數(shù)據(jù)，間隔3 h。

表3 部分水質(zhì)監(jiān)測數(shù)據(jù)表Tab.3 The data of water quality monitoring

2.2.1 歷史數(shù)據(jù)相關(guān)性分析

以表3 中記錄的監(jiān)測點1 的2022 年3 月3 日08:00:00 到2022 年03 月09 日19:00:00 的鹽度、溫度與pH 的完整數(shù)據(jù)進行指標之間相關(guān)性分析。

如圖9、10、11 所示，在對數(shù)據(jù)分析基礎(chǔ)上，通過公式（1）和（3）計算得出pH、鹽度和溫度相關(guān)性：①鹽度和溫度相關(guān)系數(shù)r=-0.7，則可判斷此段時間的鹽度和溫度呈現(xiàn)強相關(guān)性；②pH 與鹽度指標相關(guān)系數(shù)r=0.13。則pH 與鹽度之間呈現(xiàn)出極弱相關(guān)；③pH 和溫度數(shù)據(jù)進行相關(guān)性分析，相關(guān)系數(shù)r=0.48，那么pH 和溫度呈現(xiàn)出中等相關(guān)。

圖9 監(jiān)測點鹽度變化趨勢Fig.9 The change trend of salinity at monitoring sites

圖10 監(jiān)測點溫度變化趨勢Fig.10 The change trend of temperature at monitoring sites

圖11 監(jiān)測點pH 變化趨勢Fig.11 The change trend of pH at monitoring sites

2.2.2 數(shù)據(jù)預(yù)測結(jié)果分析

選取監(jiān)測點3 的2022 年3 月3 日08:00:00 至2022 年3 月9 日19:00:00，間隔3 h 采集數(shù)據(jù)，對鹽度、溫度和pH 數(shù)據(jù)進行預(yù)測分析。

（1）pH 預(yù)測

如表4 和表5 所示，經(jīng)系統(tǒng)計算，pH 一次指數(shù)平滑預(yù)測在a 取0.9 時的均方誤差最小，為0.008 1；二次和三次指數(shù)平滑預(yù)測在a 取0.1 時均方誤差最小，分別為0.006 7 和0.007 0。通過比較，最終系統(tǒng)選二次指數(shù)平滑預(yù)測，并取a 值為0.1。

表4 pH 測量數(shù)據(jù)與預(yù)測數(shù)據(jù)對比Tab.4 Comparison of measured pH data and prediction data

表5 pH 預(yù)測誤差對比Tab.5 Comparison of pH prediction errors

（2）鹽度預(yù)測

如表6 所示，鹽度一次指數(shù)平滑預(yù)測在a 取0.9 時均方誤差最小，為0.207 4，二、三次指數(shù)平滑預(yù)測并取a 值為0.1 時均方誤差最小，分別為0.1863 和0.1908（表7）。通過比較最終系統(tǒng)選二次指數(shù)平滑預(yù)測并取a 值為0.1。

表6 鹽度測量數(shù)據(jù)與預(yù)測數(shù)據(jù)對比Tab.6 Comparison of salinity measured data and predicted data

表7 鹽度預(yù)測誤差對比Tab.7 Comparison of salinity prediction errors

（3）溫度預(yù)測

如表8 所示，一、二、三次指數(shù)平滑預(yù)測在a 取0.9 時的均方誤差最小，分別為0.141 4、0.124 8 和0.128 5（表9）。通過比較最終系統(tǒng)選二次指數(shù)平滑預(yù)測并取a 值為0.1。

表8 溫度測量數(shù)據(jù)與預(yù)測數(shù)據(jù)對比Tab.8 Comparison of temperature measured data and predicted data

表9 溫度預(yù)測誤差對比Tab.9 Comparison of temperature prediction errors

上述分析可知，對pH 的預(yù)測效果好于溫度與鹽度，即對數(shù)據(jù)變化趨勢平緩的指標預(yù)測效果較好。

3 結(jié)論

針對海水養(yǎng)殖環(huán)境動態(tài)變化對養(yǎng)殖生產(chǎn)效率的影響，本研究設(shè)計了基于SSM框架的養(yǎng)殖水質(zhì)監(jiān)測系統(tǒng)，與以往水質(zhì)監(jiān)測系統(tǒng)相比，增加了生產(chǎn)數(shù)據(jù)管理部分，方便后期分析養(yǎng)殖環(huán)境指標與養(yǎng)殖生物生長之間的關(guān)系，為精準養(yǎng)殖提供了重要支持。可以通過Pearson 算法分析監(jiān)測數(shù)據(jù)之間的相關(guān)性，以及通過指數(shù)平滑算法預(yù)測數(shù)據(jù)，為養(yǎng)殖提供決策支撐。但本系統(tǒng)仍存在如下不足：①目前只能進行短期指標預(yù)測；②沒有完全建立水養(yǎng)殖環(huán)境動態(tài)變化與養(yǎng)殖生產(chǎn)效率之間模型；③只完成了Web端開發(fā)，缺少多平臺互動。下一步將在目前完成水質(zhì)監(jiān)測系統(tǒng)基礎(chǔ)上，開發(fā)一種可以在多平臺環(huán)境下運行，較為準確揭示出養(yǎng)殖水質(zhì)與養(yǎng)殖生產(chǎn)效率的養(yǎng)殖環(huán)境監(jiān)測系統(tǒng)。