[发明专利]一种用于鱼菜共生系统的养分动态预测方法

说明书

本发明公开了一种用于鱼菜共生系统的养分动态预测方法，涉及农业养殖技术领域，包括步骤：以预设时间间隔采集共生系统若干生态组别中各目标监测点处的水样样本；获取各水样样本中的养分参数和环境参数；根据皮尔森相关系数对养分参数中的各目标元素进行元素聚类划分；根据相异度距离进行各生态组别中目标元素的聚类分布相似性统计；根据各水样样本的样本来源信息，以及聚类划分结果和相似性统计训练决策树模型；通过训练后的决策树模型进行共生系统的养分动态预测。本发明利用统计学相关性指数和生态学群落相异性度量指标将鱼菜共生系统营养元素分步情况分类，进行共生系统中营养元素的动态预测，及时进行调整，降低植蔬病虫害的发生几率。

技术领域

本发明涉及农业养殖领域，具体涉及一种用于鱼菜共生系统的养分动态预测方法。

背景技术

鱼菜共生系统是一种整合了水产养殖和水培种植的综合生产系统。使用管道连接不同组件(鱼缸,生物过滤器,水培系统)构成循环系统装置，将水产养殖的污染物用作可供植物生长的养料。系统中的硝化细菌将水体中的氨氮转化成硝酸盐，以便于植物吸收。鱼菜共生系统实现了养殖废水的循环利用，提高了养分利用效率，还避免了传统渔业造成的环境污染。是一种值得探究的环境友好型养殖模式。此外，鱼菜共生系统摆脱了对于土地的依赖，可以在不同环境条件下进行构建不同规模的培育系统。在水产养殖和城市农业等领域具有诱人的潜力，联合国粮农组织把小型鱼菜共生系统视为极具价值的可持续农业模式向全球推荐。

但鱼菜共生系统在生产过程中经常出现因某种营养元素缺失或者过剩，从而引发植物病害。由于鱼菜共生系统是闭环系统，目前的应对手段诸如农药喷洒等，均不符合鱼菜共生系统的生产规范，因此通过预防可能发生的植物病害是面对该问题最好的解决方案。机器学习(Machine Learning)是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习在各个领域都有广泛的应用，特别在数据分析领域有着深远的影响。通过机洗学习下的数据分析进行鱼菜共生系统内的营养元素动态分析，及早对营养元素进行调控，从而在源头上实现对病害的预防。

发明内容

为了更为准确的对鱼菜共生系统中的营养元素进行动态分析，从而更快的在病害发生前介入干涉，本发明提出了一种用于鱼菜共生系统的养分动态预测方法，包括步骤：

S1：以预设时间间隔采集共生系统若干生态组别中各目标监测点处的水样样本；

S2：获取各水样样本中的养分参数和环境参数；

S3：根据皮尔森相关系数对养分参数中的各目标元素进行元素聚类划分；

S4：根据相异度距离进行各生态组别中目标元素的聚类分布相似性统计；

S5：根据各水样样本的样本来源信息，以及聚类划分结果和相似性统计训练决策树模型；

S6：通过训练后的决策树模型进行共生系统的养分动态预测。

进一步地，所述S1步骤中，目标检测点包括种植管、过滤装置和养殖池。

进一步地，所述S1步骤中，各生态组别的运行参数根据类别区分要求设有相应的水体流速和喂食频率。

进一步地，所述养分参数中的目标元素包括铁、锰、氮、镍、硼、镁、钾、钙、磷、硫、锌、铜、钼中的一种或多种，所述环境参数包括温度、溶解氧和酸碱度。

进一步地，所述S3步骤中，聚类划分具体为：

根据目标元素的皮尔森相关系数，将目标元素依据预设系数梯度进行聚类划分。

进一步地，所述皮尔森相关系数可表示为如下公式：