引言

水产养殖水质预测是养殖区域水环境规划、现代渔业健康养殖精准化管理的重要基础性工作，准确的水质预测对养殖水质科学化调控，防范水质恶化和水产品疾病爆发具有十分重要的经济价值和现实意义。而在集约化河蟹养殖池塘中水质pH值过高或过低都会影响河蟹的新陈代谢及其他生理功能，胁迫河蟹正常生长，为此，根据集约化河蟹养殖水质调控管理的应用需求，选定pH值为水质预测对象。水质指标pH值变化受众多因素交叉影响，作用机理复杂，如何提高其预测的准确性一直是国内外学者关注和研究的热点。目前常用的水质预测方法有水质模拟法、专家评估法、基于数理统计的多元回归法、灰色理论法等，这些方法对于大样本、低维数的趋势性因素线性回归估计比较准确，但对具有非线性、多参数、模糊不确定性、高维数等特点的养殖水质模拟效果不理想。神经网络法具有较好的非线性预测能力，但预测过程中存在易陷于局部极值、过学习、不适于高维数、小样本等不足。最小二乘支持向量机是支持向量回归机的一种扩展，能够克服上述预测方法存在的缺陷，以任意精度逼近任意函数，在模式识别、回归估计领域取得了一些成效，但最小二乘支持向量机算法性能仍然受制于超参数(C，σ2)选择的是否合理。

最近，一些学者采用遗传算法、粒子群算法、蚁群算法等群智能算法对支持向量机超参数进行寻优，改善了算法的学习能力和预测精度。因pH值预测需要多种生态环境因子作为输入，但因子间存在一定的信息重叠或冗余，若不进行关键因子的筛选，就会影响pH值的预测结果。而主成分分析法(Principalcomponentsanalysis，PCA)具有在不损失或尽量少损失原有指标信息的情况下，能够对数据降维，消除各个自变量相关性的作用。此外，改进文化鱼群算法在解决多目标优化问题时具有较强的全局搜索能力。为此，本文将主成分分析法、改进文化鱼群算法与最小二乘支持向量机相结合，建立基于改进文化鱼群优化最小二乘支持向量机的养殖水质pH值预测模型(PCAMCAFA-LSSVM)。采用主成分分析法筛选出pH值关键影响因子，改进文化鱼群算法对最小二乘支持向量机超参数进行组合优化，以最佳超参数组合构建河蟹养殖生态环境因子pH值、溶解氧、水温、氧化还原电位与未来某一时刻的pH值之间的非线性关系模型，并应用模型对江苏省宜兴市集约化河蟹养殖某池塘水质进行实证分析，验证算法的有效性。

1试验

1.1试验区域

试验区域为中国农业大学-宜兴市水产养殖物联网应用示范基地。该示范基地覆盖4个乡镇约667hm2河蟹养殖池塘。每个河蟹养殖池塘大小为3.4hm2的标准池塘，具有水泵、增氧机、用于监测养殖生态环境数据的多种智能传感器，以及基于物联网的集约化水产养殖水质远程在线监控系统。

1.2数据获取与数据源

以宜兴市高塍镇水产养殖物联网应用示范基地河蟹养殖某池塘水质为研究对象，采用中国农业大学研制的基于物联网的集约化水产养殖生态环境远程在线监控系统获取河蟹养殖生态环境数据，其系统架构如图1所示。该系统主要由数据感知层、传输层、信息智能处理和应用层组成，分别实现数据获取、无线传输、智能信息处理、水质调控及精细喂养辅助决策等功能。采用上述远程在线监控系统每间隔10min对pH值、水温、氧化还原电位、溶解氧、浊度、叶绿素、电导率、太阳辐射、气温、气压等河蟹养殖生态环境数据在线采样一次，将2011年9月1日至9月4日在线采集的576个样本数据作为研究的数据源，从中选择432个样本作为训练集，144个样本作为测试集，分别用来训练和验证水质预测模型性能。

1.3建模方法

采用主成分分析法、改进文化鱼群算法和最小二乘支持向量机相结合的方法，建立基于PCAMCAFA-LSSVM的pH值预测模型。即运用文献的数据修复方法对采集的养殖生态环境数据进行分析、奇异值剔除、消除不规则的噪声数据和修补缺失数据等预处理，以减少“不良数据”对水质预测结果的影响;采用SPSS软件对河蟹养殖生态环境数据进行主成分分析，筛选出pH值关键影响因子，作为预测模型输入向量，以对未来某一时刻的pH值进行预测估计;以筛选的主成分指标数据为基础，通过改进文化鱼群算法对LSSVM预测模型参数组合优化训练，获得最佳预测模型，并对未来某一时刻pH值进行预测。同时分别以蚁群算法优化最小二乘支持向量机(ACO-LSSVM)模型和遗传算法优化最小二乘支持(GA-LSSVM)模型进行预测性能对比分析。