基于多深度联合建模的近海养殖围栏溶解氧动态预测研究

本文创新性地提出多深度联合预测(MDJP)模型，通过残差双向长短期记忆网络(BiLSTM)与时序卷积网络(TCN)的交替架构，结合多输入注意力机制(Mi-attention)，实现了不同水深溶解氧(DO)的协同预测。该模型突破了传统单深度预测局限，在MAE、RMSE等指标上显著优于基线模型，为海洋养殖智能监测提供了新范式。

　　

Highlight

本研究提出多深度联合预测(MDJP)模型，通过捕捉不同水深间的动态关联，实现溶解氧(DO)浓度的协同预测。模型采用残差双向长短期记忆网络(BiLSTM)与时序卷积网络(TCN)的交替架构，配合创新的多输入注意力机制(Mi-attention)，显著提升了预测精度。

Data collection

实验数据源自山东烟台近海大型管桩养殖围栏，该围栏周长160米，水深约10米，主要养殖品种为斑石鲷(Oplegnathus punctatus)。我们在围栏外3米、6米和9米深度部署水质传感器，实时采集温度、盐度、pH等参数，构建多维度时间序列数据集。

Experimental and analysis

通过对比LSTM、GRU等基线模型，MDJP在MAE指标上提升23.6%，RMSE降低18.4%。特别在9米深度的极端环境预测中，最大误差缩减31.2%，证实模型对深度相关特征的卓越捕捉能力。

Conclusion

MDJP模型突破传统单深度预测框架，通过共享编码器和特异性解码器的协同设计，首次实现多水深DO的联合动态预测。该架构为复杂海洋环境下的水质智能监控提供了创新解决方案。

CRediT authorship contribution statement

黄海驰：实验设计/论文撰写；安冬：基金支持/数据采集；刘金存：数据分析

Declaration of competing interest

作者声明无利益冲突

Acknowledgments

本研究获农业农村部重大科技专项资助