水產養殖大數據技術研究進展與發展趨勢分析

段青玲 劉怡然 張 璐 李道亮

(中國農業大學信息與電氣工程學院， 北京 100083)

0 引言

我國水產養殖產量居世界第一，占全球總產量的65%。近20年，養殖產量增長了2倍，為我國城鄉居民提供了1/3的優質動物蛋白，對保障國家食物安全發揮了重大作用。但是，傳統水產養殖模式帶來的生產效率低、環境壓力大和養殖風險高問題越發嚴重，勞動力成本持續提高、勞動力來源老齡化嚴重進一步加深了因粗放的生產方式而導致的生產率低下的難題。高效、生態、精準、智能的水產養殖是我國水產養殖業未來發展的必由之路。水產養殖對象特殊、環境復雜、影響因素眾多，精準的監測、檢測和優化控制極其困難。大數據技術結合數學模型，把水產養殖產生的大量數據加以處理和分析，并將有用的結果以直觀的形式呈現給生產者與決策者，是解決上述難題的根本途徑。

水產養殖大數據技術是大數據技術在水產養殖領域的具體應用技術，通過對水產養殖數據進行獲取、分類、加工、管理、挖掘、分析，最終把有價值的信息提取出來，提供給生產者和決策者，進而實現水產品的精準化、智能化和最優化養殖。水產養殖大數據技術中數據是根本和前提，分析是核心，利用是目的。通過對水產品的生產、消費、存儲、流通、深入加工等全產業鏈數據的全面采集與獲取，智能化分析、挖掘與處理，構建水產養殖大數據平臺，推廣大數據應用，實現大數據共享，提供大數據服務，從而優化水產養殖資源配置，提高水產養殖生產效率，降低養殖風險。近年來，國內外學者已經對水產品養殖生理、養殖、市場和生態效應進行了大量的研究，積累了海量的數據和模型，隨著大數據技術的發展與應用，水產養殖產業將進入新的發展時代。基于此，本文對水產養殖大數據應用技術進行總結，為大數據技術在水產養殖業中的深入應用提供支持。

圖1 水產養殖大數據技術架構Fig.1 Technical framework of big data in aquaculture

1 水產養殖大數據技術研究進展

水產養殖大數據是指利用大數據的理念和相關技術，對水產養殖全產業鏈產生的大量數據進行處理和分析，來解決水產養殖領域的資源利用率不高、生態環境惡化、生產效率效益低等問題，并從中發現新知識、創造新價值、提升新能力的新一代信息技術和服務業態[1]。目前，大數據技術在我國水產養殖業已有初步的應用，但總體上仍處于試驗示范階段，本文從水產養殖大數據技術架構、數據來源、處理和分析方法、應用平臺等方面闡述水產養殖大數據技術的研究進展。

1.1 水產養殖大數據技術架構

水產養殖大數據技術架構如圖1所示，右面是水產養殖業中所應用大數據技術的總稱及其所處層次，左面是相應層級所包含的主要技術類別。金字塔底層是海量水產養殖大數據的來源，自下而上地，數據采集技術用于采集水產養殖生產、加工和銷售過程中產生的數據；數據存儲與計算技術用于存儲和處理水產養殖大數據；數據分析與挖掘技術用于構建水產養殖數據分析與挖掘模型并將它們集成在水產養殖大數據平臺上，將數據分析結果和數據服務提供給用戶進行決策。每個層次的數據量依次遞減，但每個層次中數據的價值卻依次遞增。

1.2 水產養殖大數據來源

水產養殖是一個涉及多變的物理世界和人類社會的復雜系統，在其生產、經營、管理和服務等各種活動中，產生具有潛在價值的、海量的、活的數據，即為水產養殖大數據。水產數據資源來源豐富、結構復雜、質量參差、用途廣泛，經過針對水產養殖領域應用需要的整理和設計，采用合理的方式在計算機中表示、存儲和管理，以便于使用和傳播[2-3]。水產養殖大數據的主要來源是互聯網數據、物聯網感知數據、產業管理系統、專業數據庫和傳統數據源。表1從獲取方式、數據類型、獲取難度和數據質量幾方面比較了水產養殖大數據的主要來源。

表1 水產養殖大數據的主要來源比較Tab.1 Comparison of the main data source of aquaculture industry

(1)互聯網數據

互聯網數據數量龐大且容易獲取，其主要獲取方式是通過網絡爬蟲和網絡服務接口。如表2所示，隨著水產養殖業信息化程度的提升，目前已有眾多水產行業網站，主要內容有水產養殖技術、市場價格信息、病害風險預警和水產相關知識等數據，如中國水產網、中國水產養殖網和中國水產門戶網等。另外，政府、非營利組織和企業信息公開網站向全社會提供的數據資源服務，能夠促進數據資源的深度挖掘利用，如漁業與水產科學數據分中心。由于網站設計的多樣性和網站內容的豐富性，水產網站中多為半結構化或非結構化數據，如圖片、文本、音頻、視頻等。

(2)物聯網感知數據

水產養殖物聯網感知數據主要包括養殖環境參數、水產動植物個體/群體參數和水產品個體/群體行為參數、養殖裝備參數，通過物聯網感知設備進行感知與識別。主要的物聯網感知設備有水質參數傳感器、水下機器人、水下相機、水下攝像頭和氣象站等。水產養殖環境參數以流數據為主，其特點是實時性、時序性和連續性，大規模流數據處理和挖掘成為研究者們主要探索的領域[4-5]。在水產養殖過程中，最受養殖戶和研究者關注的是溶解氧含量、水溫、酸堿度、電導率和氨氮等水體環境參數，主要通過傳感器獲取，表3是主要的水體信息傳感器。其次是水產養殖動植物水產品個體/群體參數和水產品個體/群體行為參數，主要是通過采集圖像和視頻獲取，利用計算機視覺技術識別其形狀特征、紋理特征和顏色特征等進而對其行為進行估計。再次是水產養殖裝備狀態參數，主要通過傳感器和射頻裝置獲得。以上數據實時采集，每年產生的數據量呈井噴式增長。

表2 水產行業主要網站及其內容Tab.2 Major websites and their subjects in aquaticulture industry

表3 主要水體信息傳感器Tab.3 Major water information sensors

(3)產業管理系統

產業管理系統主要是指政府的漁業產業管理系統、統計年鑒和企業的生產管理系統。產業管理系統供政府工作人員辦公使用，如各地漁業部門通過中國漁業政務網向漁業局報送各水產統計數據。統計年鑒是與水產的生產、市場、流通等相關的統計數據的可靠來源；由于統計數據描述一定地域范圍內的整體情況，無法進行細粒度的數據分析和挖掘。企業的生產管理系統中除了物聯網采集的水產養殖環境參數和水產個體/群體行為參數，還有關于投喂、病害、用藥、換水等日常管理操作的記錄，這些數據的質量雖然不如水產專業知識庫，但其研究價值較高。

(4)專業數據庫

與水產相關的數據庫資源主要有水產行業數據庫和文獻數據庫等。水產行業數據庫，由水產養殖領域專家和軟件開發工程師聯合建設，包含了水產養殖領域相關數據、知識和經驗，數據質量很高，其自動化更新和維護是當前研究的重點和難點。文獻數據庫是指數字出版平臺提供的學科專業數字圖書館和行業圖書館中與水產有關的文獻資料，主要包括期刊雜志、博士論文、碩士論文、會議論文、報紙、工具書、專利和標準等，是質量較高的知識級數據。

(5)傳統數據源

傳統數據源是指水產業信息化程度較低的階段數據的主要來源，如紙質文獻，水產養殖專家、水產養殖企業和養殖戶的手工記錄。這些數據可通過問卷調查、專家訪談、紙質文獻查閱和養殖日志查閱等非電子方式獲取，再錄入到計算機中。手工錄入的數據經過加工和整理，符合人類思維方式，但有可能具有主觀性或者存在錄入錯誤的情況發生。

1.3 水產養殖大數據存儲與計算

水產養殖大數據存儲與計算主要解決的是水產養殖大數據如何存儲和如何使用的問題。由于水產養殖大數據的多源異構性，需要對數據進行融合處理才能存入目標數據庫或進一步處理分析；又由于水產養殖大數據多樣的處理要求，數據在存儲和處理時也需要有針對性的方法。

1.3.1多源水產養殖大數據融合

多源數據融合技術是將來源廣泛的、用不同手段獲得的數據綜合到一起，分為數據級融合、特征級融合和決策級融合[6]。數據級融合技術在水產養殖領域主要用于提升物聯網所采集數據的質量，由于傳感器類型、生產廠家的差異，水產養殖物聯網采集的數據通常是多源異構的，另一方面，傳感器感知到的數據可能存在冗余性。繆新穎等[7]采用自適應加權融合算法，對水產養殖環境監控系統中放置在8個不同位置的水溫傳感器所采集的數據進行了融合處理，數據精度得到提升。陳明等[8]使用BP神經網絡對南美白對蝦集約化養殖監控系統中的水溫等6個參數進行了融合。毛力等[9]基于聚類分析法對水溫、溶解氧、pH 值、氨氮含量等水質參數進行了數據融合處理，并結合計算機視覺技術量化了魚類行為學行為特征參數，基于極限學習機融合水質參數與魚類行為共同表征水質狀況。HASSAN等[10]深入分析了一些特征級和決策級的數據融合研究，主要包括采集傳感器網絡數據和視頻圖像共同對水產養殖環境進行監測，建立投喂模型和進行疾病診斷。數據級融合技術在水產養殖領域有較廣泛的應用，但特征級和決策級融合研究較少，是水產養殖大數據今后研究的重點。

1.3.2水產養殖大數據存儲技術

物聯網感知的水產養殖環境數據通常是高維時空數據，且有實時處理要求，適用于有極高讀寫性能的內存數據庫存儲[11]。對于水產動物視頻圖像和互聯網水產輿情等非結構化數據，關系模型不適用，No SQL 技術通過列表、集合、哈希表等概念對數據進行建模，既增強了數據庫系統的擴展性和效率，又保證了數據庫的一致性[12-14]。分布式數據庫技術可以解決數據規模大的問題，通過分割數據的方法，數據被并行地處理，動態地把數據和負載分布到整個集群系統上，達到高效率處理數據的目的[15]。從應用的角度看，水產養殖生產管理系統和專業數據庫的業務通常是對數據的管理且涉及的數據流普遍較少，傳統的關系型數據庫即可勝任；但想要在水產養殖大數據之上進行分析，對于聯機分析處理和數據挖掘的任務，面向分析應用的數據庫技術更加適應潮流，如具有高效壓縮、更高I/O效率等特點的列存儲數據庫技術和具有高度擴展性和容錯性的MapReduce技術。

1.3.3水產養殖大數據處理框架

實時性是水產養殖大數據的重要特點，為了在環境或者生產操作等出現異常時，能夠采取及時的措施，養殖環境參數等流式數據的處理將日益受到重視。目前水產養殖大數據主流的處理技術是MapReduce編程模型與Hadoop 架構，Hadoop 是典型的大數據批處理架構，由HDFS 負責存儲整合好的海量數據，并通過MapReduce 將計算邏輯分配到各數據節點進行數據計算和價值發現，但對流式數據的處理不夠重視[16-18]。為了適應水產養殖大數據的應用場景，通過實現Lambda Architecture的方式將實時計算平臺與離線批處理機制結合在一起，使水產養殖大數據處理框架既具備流式數據功能，又提供歷史數據挖掘的能力[19-21]，是未來研究的方向。

圖2是在Hadoop上部署Storm系統從而實現Lambda架構的示意圖，Lambda架構分為3層：批處理層、流式處理層和服務層。流式處理層中，實時數據先到達Storm，它負責在數據一到達時就將數據復制到新的數據中心，漸增地進行計算，從而使系統具備實時處理數據的功能；批處理層存儲數據集的主副本，并用Hadoop系統實現離線的批處理，處理那些實時性要求不高，卻需要大量數據驅動的數據分析任務。因此，基于Lambda架構大數據處理方案是未來水產養殖大數據處理平臺的發展方向。

圖2 基于Hadoop和Storm系統的Lambda架構Fig.2 Lambda architecture based on Hadoop and Storm systems

1.4 水產養殖大數據分析與挖掘

傳統的數據分析建模需要大量的先驗知識和工具，憑借人類的認知能力從數據中抽象出自然規律，從而構建機理模型。水產養殖復雜的生產環境造成數據的多樣性、異構性和不確定性，僅憑人的觀察發掘潛藏的知識和規律過程變得漫長，事先建立的模型無法完全擬合真實情況。數據挖掘技術作為一種由數據驅動進行建模的過程，能夠自動發現隱藏在數據中的模式，通常可以分為分類分析、預測分析、聚類分析和關聯規則分析[22-24]，數據驅動正是在實測數據和抽象規律間找到了一個平衡點。因此，數據驅動建模是水產養殖大數據分析必然趨勢，數據驅動建模降低了數據分析的門檻，大大節約了數據建模的時間，更重要的是解決了大數據價值密度低的問題。

1.4.1大數據分析技術在水產養殖中應用的現狀

近年來，大數據分析技術與水產養殖業相結合，在水產養殖業產前、產中和產后均有運用，主要用于研究解決水產養殖業中養殖環境預測與預警、病害診治與預警、異常行為檢測與分析、市場分析與挖掘、質量控制與追溯和水產養殖大數據平臺構建等實際問題。表4和表5是基于中國知網、萬方數據庫和Web of Science等文獻檢索平臺檢索的SCI、EI、中文核心期刊文獻數據，表4是從應用領域的角度，對近5年國內外大數據技術在水產養殖業的應用領域文獻進行分類統計的結果。

表4 近5年國內外水產養殖大數據技術應用領域Tab.4 Main research issues of big data technologies in aquaculture in recent 5 years

表5是從大數據技術的角度，對近5年來幾種典型大數據分析技術在水產養殖領域的應用文獻進行分類統計的結果。近5年來對水產養殖大數據挖掘的研究非常豐富，也有部分研究將云計算和分布式系統等大數據處理應用于水產養殖領域。

表5 近5年國內外大數據技術在水產養殖領域的應用研究成果Tab.5 Research on big data technologies in aquaculture in recent 5 years

1.4.2基于預測分析的水產養殖大數據挖掘

預測技術是利用歷史數據來預測未來可能發生的行為或者現象。預測問題是水產養殖大數據挖掘最常見的問題，例如養殖環境參數預測和市場價格預測。近些年，基于統計學理論的機器學習方法被廣泛應用于解決各種預測問題，主要包括灰色理論法、神經網絡、支持向量機、最小二乘支持向量機等。

(1)水產養殖環境參數預測

(2)水產品價格預測

針對水產品價格波動區間大、波動頻率低和影響因素多等特點，目前已經提出的水產品價格預測模型按照數據組成，可以分為一元預測模型和多元預測模型；按照模型構造方式，可以分為單一預測模型和組合預測模型，表7列舉了近年來水產品價格預測模型研究成果。水產品價格波動不是單一因素作用的結果，通過采集多源數據，綜合時間范圍、地理環境和經濟條件等因素進行挖掘，是當前水產品價格預測的研究方向。

表6 水產養殖水質參數預測模型對比Tab.6 Comparison of the main prediction models of water quality in aquaculture industry

表7 近年來水產品價格預測模型研究Tab.7 Researches on aquatic product price forecasting models in recent years

1.4.3基于分類分析的水產養殖大數據挖掘

分類技術是通過觀察大量數據后得出規則以建立類別模式，在水產養殖領域，許多場景都基于分類技術解決問題，如養殖環境多因素綜合預警、疾病診治、品質分級和異常行為檢測等。常用的分類技術有決策樹、支持向量機、神經網絡、樸素貝葉斯分類、粗糙集分類等。

(1)養殖環境多因素綜合預警

傳統的水質預警是基于水產品對各水質參數適應范圍的先驗知識，對水質演化的趨勢、方向、速度預警，未能綜合考慮各水質參數間的關聯[67-69]。而基于大數據技術的水產養殖環境多因素綜合預警的特點在于能夠關聯水質數據和水文、氣象等其他多源數據，對當前水質狀況進行評價并對后續水質環境進行不同時空尺度的分析預測[70]。朱瓊瑤等[71]結合粗糙集理論和D-S證據理論實現了主客觀知識結合的水質數據規律挖掘。劉雙印等[27]提出了粗糙集融合支持向量機(RS-SVM)的水質預警模型，粗糙集用于對14個預警指標的屬性約簡，得到5個核心預警指標構建SVM水質預警模型。LIU等[46]將物聯網采集到的大量河蟹池塘養殖水環境數據與生產效益數據關聯，建立了基于Adaboost的水質評價模型。

(2)疾病診治

早期的水產品疾病診治方法主要是基于規則的推理和基于案例的方法，這兩種方法的重點在于知識的表示和推理機的設計，難點在于知識庫的自動獲取和更新[72-76]。表8總結了近年來基于分類技術進行推理的疾病診治方法。由表8可知：①由于數據驅動的機器學習算法能夠解決傳統疾病推理知識獲取困難的不足，被廣泛應用于魚病診治。②圖像處理方法的發展使人們可以從圖像中挖掘更多的信息，漸漸成為水產疾病診治的主流方法。③為了提高診治的精確度，許多研究采用了基于規則和基于數據共同建模的方法。另一方面，基于大數據技術對水產疾病診治充分利用計算能力，對多源數據進行綜合考慮和聯合分析。晏萍[77]建立了水產動物疾病數據倉庫，采用OLAP切塊分析技術和決策樹模型從時間維、癥狀維、環境維分析診斷水產病害。馬冬萍等[78]結合多Agent 技術的智能性、自治性、協作性的優異性能以及分布式計算能力，構建了分布式魚病診斷專家系統的體系結構，實現了跨區域的協同診斷。

表8 基于分類技術的水產養殖疾病診治模型對比Tab.8 Comparison of the recent disease diagnosis models based on classification in aquaculture industry

(3)品質分級

水產品因品種、重量、產地和上市時間的不同，風味和價格有較大差異，這也使得水產品在銷售過程中存在品質分級和質量追溯問題[29]。品質分級是對水產品進行品種識別、大小(質量)估計和新鮮度評估等操作后，對水產品質量的分級評定。基本識別實現過程為：獲取水產品圖像、提取特征、構建分類器，并將特征向量輸入分類器以實現種類識別[86]。表9總結了近年來基于分類技術進行品質分級的方法。由表9可知，近年來基于分類技術的水產養殖品質分級模型研究仍然集中于對魚品種的分類，而分級分選、新鮮度評估等問題國內外研究都不多。由于計算機視覺技術的非接觸性和非破壞性，在品質分級問題中被廣泛使用。更重要的是，由于對數據關注度的提升和深度學習方法的流行，近年來研究中用于訓練模型的樣本數較之前的研究有大幅增加，大量的數據可以提升模型的精確度和降低對數據的要求。

表9 基于分類技術的水產養殖品質分級模型對比Tab.9 Comparison of the recent quality detection models based on classification in aquaculture industry

(4)異常行為分析

溫度、溶解氧的變化、寄生蟲等都會造成水產品行為的改變，水產動物異常行為的檢測能夠為其健康監控與預警提供重要的方法和手段[96]。水產動物異常行為分析通常采集大量的視頻圖像數據，通過對其位置的提取和運動軌跡的跟蹤，得到行為活動特征，再通過各種相似度度量方法構建分類器，從而識別其異常行為。TAHA等[31]通過對攝食前、攝食中和攝食后魚群進行監測，提取魚群的密度和質心等特征，采用支持向量機分類對魚群的饑餓行為進行了檢測。王斌等[32]應用經典人臉檢測算法Haar-like特征和Adaboost算法結合檢測三疣梭子蟹的蛻殼行為，成功實現了無沙背景的蛻殼自動檢測，檢測準確率達到97.9%。程淑紅等[97]研究水質變化對紅鯽魚運動軌跡的影響，提取正常和異常水質中紅鯽魚的速度、加速度、曲率、鄰近特征4個特征參數，輸入支持向量機分類識別紅鯽魚的異常運動。

1.4.4基于聚類分析的水產養殖大數據挖掘

聚類分析的目標是通過對無標記樣本的學習來揭示數據內在的性質及規律，為進一步的數據分析提供基礎。聚類分析依據數據相似度或者相異度將數據歸屬到若干類，使得同類中數據相似程度較高，而各類間相似程度較小，它是一個無監督的分類，不需要其他先驗知識，是一種典型的數據驅動建模方法[98-102]。在水產養殖數據分析中，聚類技術的應用遠不如分類技術和預測技術廣泛，主要應用是在水產疾病診治和魚類種類識別時采用聚類原則構建分類器，實現對特征庫的特征以及圖像庫中影像的自動分類。HAN等[103]在對班氏蟹、盲蛛蟹及兩者雜交的螃蟹圖像進行識別時，引入聚類技術以最小化特征圖像分類器的錯誤分類率，采用改進線性判別分析和二次判別分析法構建了分類器。YAO等[30]提出了一種將K均值聚類分割算法與數學形態學相結合魚類圖像分割方法，選取灰度直方圖擬合曲線的峰的數量作為聚類中心的數量。HU等[47]提出了一種基于模糊C均值聚類的分割常見魚類疾病的方法，該方法具有較強的魯棒性和快速的分割能力，能夠精確分割鯉魚常見病的彩色圖像。另外，聚類分析常與其他算法整合，將聚類結果作為后續分析的輸入。如宦娟等[57]在養殖水質溶解氧預測時，采用K-means 聚類方法將歷史日樣本劃分為若干類，然后分類識別獲得與預測日最相似的一類歷史日樣本集，將其與預測日的實測環境因素作為預測模型的輸入樣本建立ELM 神經網絡溶解氧預測模型。該方法通過聚類降低了不同趨勢樣本間的干擾，能夠挖掘出溶解氧數據的固有規律，提高預測數據源的準確性。

1.4.5基于關聯規則分析的水產養殖大數據挖掘

關聯規則分析在商業領域的成功應用使其成為人所熟知的大數據分析算法，它的任務是分析尋找變量的取值之間存在的規律性。隨著數據量的增大，經典Apriori算法遇到瓶頸，為解決這一問題，研究者們提出并行、增量和基于先驗知識壓縮候選集的方法[104-105]。但在水產養殖領域，關聯規則挖掘的應用非常貧乏，有待進一步的深化研究。王立華等[106]改進了Apriori關聯規則算法并用其對Web進行日志挖掘，分析了漁業科學數據共享平臺用戶頻繁訪問模式，設計并開發了漁業信息推薦系統。陳志民等[107]通過提取珠海斗門大宗水產品常見病害和常見魚病的特征，采用Apriori算法從收集的病害資料中提取珠海斗門大宗水產品常見病害和常見魚病的關聯規則。朱文君[43]提出了基于優化加權概念格關聯規則挖掘算法并將此算法應用于副溶血性弧菌的風險評價，發現未經加熱而生食的食用方式是副溶血性弧菌污染的重要因素。

1.4.6基于深度學習的水產養殖大數據挖掘

大數據分析的一個核心問題是如何對數據進行有效表達、解釋和學習，深度學習利用層次化的架構學習出對象在不同層次上的表達，這種層次化的表達可以幫助解決更加復雜抽象的問題。以海量數據訓練分析模型，自動抽取數據中蘊含的特征，理論上可以通過深度學習算法獲得對現實世界的一切過程進行數學表達[108-109]。在水產養殖領域，深度學習被用于處理魚類圖像，從而檢測魚類異常行為和自動魚類種類識別。李慶武等[110]提出了一種基于深度學習網絡的魚群異常行為識別方法，從視頻信息中提取圖像，結合時空圖像處理手段，可以對視頻中的魚群行為進行分類，從而判斷魚群行為是否正常。林明旺[94]利用卷積神經網絡能在訓練過程中自動學到“好”特征，避免了手動選擇特征的特性，設計了一種基于卷積神經網絡的魚類圖像分類系統，該系統分類準確率達到了96.99%。顧鄭平等[95]提出了基于卷積神經網絡的分類模型和基于遷移學習的PreCNN和SVM分類模型，對23類深海魚魚種識別準確率達98.6%。

1.5 水產養殖大數據平臺

水產養殖大數據平臺是面向水產養殖全產業鏈開展決策與服務的軟件工具，在水產養殖生產、經營、管理、服務等各個環節，為經營主體提供生產決策、經營服務，為政府部門提供決策支持和行業服務。目前構建的水產養殖大數據平臺主要包括生產管理平臺、電子商務平臺、智能決策平臺和品質追溯平臺[111-112]。但是這些平臺仍不足以構成真正“平臺”，主要問題是它們職能單一，相互封閉，也沒有與政府管理平臺進行對接，缺乏行業整體解決方案。

(1)生產管理平臺

水產養殖生產管理平臺利用物聯網感知和互聯網技術，實現水產養殖全產業鏈的各環節數據和信息的全程信息化監管，規范水產養殖操作流程，提高水產養殖管理水平，完善品質追溯環節，由中國農業大學宜興農業物聯網工程中心研發的水產養殖物聯網平臺就是典型代表[37-38]。政府的漁業產業管理平臺采集全國定點縣漁業生產基本數據、投入產出數據和存塘數據，實現對全國養殖漁情的數據監管，中國農業大學與全國水產技術推廣總站研發的全國養殖漁情云服務平臺是典型代表[39,113]。水產養殖企業生產管理平臺通過分布式的架構，實現水質實時監控、設備管理、池塘管理、日常操作管理、庫存管理、銷售管理和專家咨詢服務等功能[42,44]。張清春等[114]通過對水產養殖日志實際管理環節的分析，設計管理系統對水產養殖對象的引入到出售進行養殖環境、飼料、養殖管理、用藥情況等進行全程的跟蹤記錄，對記錄數據根據需要自動形成豐富的分析報表、圖表。但現有水產養殖生產管理平臺存在數據無法覆蓋全產業鏈、所提供的功能有限和各生產環節無法協同和銜接的問題，無法對生產過程進行有效監管。

(2)電子商務平臺

銷售是水產養殖產業鏈的重要環節。構建水產養殖電子商務平臺，可以為養殖戶、經銷商和消費者提供針對性服務，使市場更加高效公平有序，產品質量受到監督，養殖戶利益得到保障[115]。目前，水產品線上交易額雖然已經達每年十幾億以上的規模，還提供了競拍、眾籌、團購以及期貨交易等經營模式，但是水產養殖電子商務平臺的功能仍不完善[116]，數據的收集和管理欠缺，無法形成全產業鏈產品質量信息追溯，也無法提供專業的數據分析服務。因此，一些水產銷售商進駐了淘寶、京東等電子商務平臺。淘寶聚石塔電子商務平臺提供云服務器(Elastic compute service, ECS)、開放數據處理服務(Open data processing service, ODPS)、分布式關系型數據庫服務(Distribute relational database service, DRDS)等服務，對于食品行業商品提出全產業鏈解決方案[117]。

(3)智能決策平臺

表10從決策內容、推理機設計和是否可以進行知識發現3方面總結了現有的決策支持系統，它們大多數都可以提供水質管理、投喂決策和病害診斷等綜合決策，但只有少數具備知識發現功能。

表10 現有決策支持平臺比較Tab.10 Comparison of existing decision support systems

(4)品質追溯平臺

水產品品質追溯平臺采集水產品在加工、倉儲、運輸和銷售環節的品質參數，采用射頻識別(RFID)技術和統一的編碼技術對水產品進行唯一標識，從而對水產品的質量進行管理和追溯。目前研究者們提出了一些水產品品質追溯平臺的構建方案，袁紅春等[124]提出了一種基于RFID的Petri網的水產品全程質量追蹤和溯源系統，顏波等[35]基于RFID和產品電子代碼物聯網技術開發了水產品供應鏈可追溯平臺，楊信廷等[36]基于USB Key的水產品監管碼密鑰動態分配技術，生成了融合一維碼、二維碼的水產品混合條碼標簽，從而建立了水產養殖產品質量追溯平臺。

2 水產養殖大數據技術面臨的挑戰

(1)水產養殖大數據資源缺乏、共享程度低

數據采集技術發展和產業規模化程度限制了水產養殖大數據的可獲取性。水產動物的生物多樣性及其生長環境的復雜性對數據獲取提出了挑戰，目前許多研究都是在實驗室環境下進行的，自然環境條件下的視頻圖像采集，如魚病發病過程和魚類異常行為等數據采集一直是水產養殖大數據的瓶頸。另一方面，水產養殖經營主體規模性小且分散，生產數據分散在養殖戶和養殖企業手中，僅限于內部使用。由于缺乏適合水產養殖產業特點的數據共享模式與管理機制，跨企業、跨行業的數據共享仍不順暢，有價值的公共信息資源和商業數據開放程度低，政府、養殖企業和養殖戶個體各自形成信息孤島。

(2)水產養殖智能化分析模型與技術缺乏

互聯網和物聯網技術的發展大大豐富了水產養殖大數據的來源，水產養殖大數據基礎已經形成，然而水產養殖大數據研究的智能化程度仍需進一步提升。目前大數據技術與水產養殖領域的結合仍處于磨合期，簡單直接地套用現有智能方法，而對水產養殖領域特點關注不足，這導致水產養殖大數據分析的實用性落后于市場需求，遠不能滿足實際生產。提升水產養殖產業的智能化程度，還需要在關鍵的智能化技術上取得突破，增加深度學習、知識計算、群智計算和混合智能等技術在水產養殖上應用的深度和廣度。

(3)水產養殖數據缺乏全產業鏈的關聯性分析

當前對水產養殖大數據研究只關注生產單一或局部的過程，缺乏橫向關聯性和縱向關聯性，沒有水產養殖全行業的解決方案。一方面，數據本身缺乏時空關聯性，加上大數據技術水產養殖各方面應用深度不一導致的數據規模和數據質量有差異，數據鏈條無法對應和協同，無法形成多方面問題的關聯分析。另一方面，水產養殖產前、產中和產后的數據相互割裂而無法貫通產業鏈，也難以發掘其中隱含的關聯，如無法形成全產業鏈的水產品質量追溯。

3 發展趨勢展望與建議

目前水產養殖大數據建設還處于探索階段，沒有成熟的建設模式可供借鑒，但水產養殖業數字化、精準化、智能化的重大需求和大數據技術迅猛發展的態勢為水產養殖大數據技術發展提供了一次重要機遇。未來水產養殖大數據技術的研究將主要從如下幾方面展開：

(1)通過物聯網使水產養殖大數據獲取更加自動化

隨著數據采集技術的提升，水產養殖業可以量化指標大大提升，數據采集對象、采集范圍和采集方式都逐漸增加，實現對水產養殖全產業鏈的全時全程感知和數字化獲取。整合水產養殖全產業鏈數據，通過構建大數據共享平臺，實現全行業甚至跨行業數據的交換和共享。

(2)通過人工智能使水產養殖大數據應用更加智能化

隨著深度學習、知識計算、群體智能等人工智能技術在水產養殖領域深層次運用，大數據技術將更適應水產養殖領域的具體需求，對水產養殖大數據研究和分析更加深入，從而真正實現精準化、智能化水產養殖。

(3)通過區塊鏈實現水產養殖大數據應用產業鏈鏈條化

隨著大數據技術在水產養殖全產業鏈應用范圍的擴大，通過區塊鏈技術達成全行業共識機制，研究實現水產養殖生產效益對生產過程的“反饋調節”，建立綜合產業鏈全要素、面向產業鏈全過程的聯動分析，形成數據驅動的產業發展。

(4)通過標準體系建設實現水產養殖大數據標準化

隨著水產養殖業數據獲取范圍的擴展和數據獲取技術的提高，數據規模化增長，研究構建標準化的適宜本領域的大數據管理體系，促成制定數據標準、應用接口標準、測試標準和維護標準迫在眉睫。

4 結束語

大數據技術已經成為水產養殖全產業鏈向集約化、精準化和智能化發展的關鍵技術。在這樣的大背景下，近年來，國家出臺了一系列強有力的政策措施，開展大數據關鍵技術研究，加強大數據技術在農業生產、經營、管理和服務等方面的創新應用，這些都為水產養殖大數據的發展提供了難得的歷史機遇和良好的發展環境。數據是根本，分析是核心，利用大數據技術提高水產養殖綜合生產力和效益是最終目的，應深度挖掘現實需求，整合水產養殖全產業鏈數據，加強基礎理論和核心關鍵技術研究，從而推進大數據技術與水產養殖產業的深度融合與應用，支撐我國水產養殖業徹底轉型升級。

1 中華人民共和國國務院. 促進大數據發展行動綱要[EB/OL]. http:∥www.gov.cn/zhengce/content/2015-09/05/content_10137.htm, 2015-08-31.

2 程學旗, 靳小龍, 王元卓,等. 大數據系統和分析技術綜述[J]. 軟件學報, 2014,25(9):1889-1908.

CHENG Xueqi, JIN Xiaolong, WANG Yuanzhuo, et al. Survey on big data system and analytic technology[J]. Journal of Software, 2014, 25(9): 1889-1908.(in Chinese)

3 BIMBA A T, IDRIS N, ALHUNAIYYAN A, et al. Towards knowledge modeling and manipulation technologies: a survey [J]. International Journal of Information Management, 2016, 36(6):857-871.

4 HEINZE T, ANIELLO L, QUERZONI L, et al. Cloud-based data stream processing[C]∥ACM International Conference on Distributed Event-Based Systems, 2014:238-245.

5 KIM H G, PARK Y H, YANG H C, et al. Time-slide window join over data streams [J]. Journal of Intelligent Information Systems, 2014, 43(2):323-347.

6 中國計算機學會大數據專家委員會. 中國大數據技術與產業發展白皮書[EB/OL]. http:∥dl.ccf.org.cn/books/detail.html?id=3812216177936384, 2013-12-01.

7 繆新穎, 鄧長輝, 高艷萍. 數據融合在水產養殖監控系統中的應用[J]. 大連海洋大學學報, 2009, 24(5):436-438.

MIAO Xinying, DENG Changhui, GAO Yanping. Application of data fusion in an aquaculture supervisory system [J]. Journal of Dalian Fisheries University, 2009, 24(5):436-438. (in Chinese)

8 陳明, 朱文婷, 周汝雁,等. BP神經網絡信息融合技術在水質監控中的應用[J]. 微計算機信息, 2010, 26(10):15-17.

CHEN Ming, ZHU Wenting, ZHOU Ruyan, et al. The application of information fusion technology based on BP neural network in water monitoring[J]. Microcomputer Information, 2010, 26(10):15-17. (in Chinese)

9 毛力, 肖煒, 楊弘. 用信息融合技術改進水產養殖水質監控系統[J]. 水產學雜志, 2015(2):55-58.

10 HASSAN S G, HASAN M, LI D L. Information fusion in aquaculture:a state-of the art review[J]. Frontiers of Architectural Research, 2016, 3(3):1-16.

11 覃雄派, 王會舉, 李芙蓉,等. 數據管理技術的新格局[J]. 軟件學報, 2013, 24(2):175-197.

QIN Xiongpai, WANG Huiju, LI Furong, et al. New landscape of data management technologies [J]. Journal of Software, 2013, 24(2):175-197. (in Chinese)

12 DECANDIA G, HASTORUN D, JAMPANI M, et al. Dynamo: Amazon’s highly available key-value store[J]. ACM SIGOPS Operating Systems Review, 2007, 41(6):205-220.

13 KUMAR R, PARASHAR B B, GUPTA S, et al. Apache hadoop, NoSQL and NewSQL solutions of big data [C]∥International Journal of Advance Foundation and Research in Science & Engineering, 2014.

14 ZHU X F, HUANG Z, SHEN H T, et al. Linear cross-modal hashing for efficient multimedia search[C]∥Proceedings of the 21st ACM International Conference on Multimedia, Barcelona, 2013:143-152.

15 KARUN A K, CHITHARANJAN K. A review on hadoop-HDFS infrastructure extensions[C]∥Information & Communication Technologies. IEEE, 2013:132-137.

16 于喆. 漁業大數據綜述[J]. 安徽農業科學, 2017, 45(9):211-213.

YU Zhe. Review of fishery big data[J]. Journal of Anhui Agricultural Sciences, 2017, 45(9):211-213. (in Chinese)

17 李道亮, 楊昊. 農業物聯網技術研究進展與發展趨勢分析[J/OL]. 農業機械學報, 2018,49(1):1-20.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20180101&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2018.01.001.

LI Daoliang,YANG Hao. State-of-the-art review for internet of things in agriculture[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2018,49(1):1-20. (in Chinese)

18 王東雨, 鄭紀業, 王迪,等. 我國水產大數據及應用技術研究初探[J]. 山東農業科學, 2016, 48(10):152-156.

WANG D Y, ZHENG J Y, WANG D, et al. Primary research of fishery big data and application technology in China[J]. Shandong Agricultural Sciences, 2016, 48(10):152-156. (in Chinese)

19 JAMBI S, ANDERSON K M. Engineering scalable distributed services for real-time big data analytics[C]∥IEEE Third International Conference on Big Data Computing Service and Applications. IEEE, 2017:131-140.

20 Apache Storm. Why use Storm[EB/OL]. http:∥storm.incubator.apache.org/,2018-02-19.

21 吉奧茲,奧尼爾. Storm分布式實時計算模式[M]. 北京: 機械工業出版社, 2015.

22 孟小峰, 慈祥. 大數據管理:概念、技術與挑戰[J]. 計算機研究與發展, 2013, 50(1):146-169.

MENG X F， CI X. Big data management: concepts, techniques and challenges [J]. Journal of Computer Research & Development, 2013, 50(1):146-169. (in Chinese)

23 KANG G, GAO J Z, XIE G. Data-driven water quality analysis and prediction: a survey[C]∥IEEE Third International Conference on Big Data Computing Service and Applications. IEEE, 2017：224-232.

24 ZHU X F, ZHANG S, HU R, et al. Local and global structure preservation for robust unsupervised spectral feature selection[J]. IEEE Transactions on Knowledge & Data Engineering, 2018, 30(3):517-529.

25 XU L Q, LIU S Y, LI D L. Prediction of water temperature in prawn cultures based on a mechanism model optimized by an improved artificial bee colony[J]. Computers & Electronics in Agriculture, 2017, 140:397-408.

26 CHEN Y Y, CHENG Y J, CHENG Q Q, et al. Short-term prediction model for ammonia nitrogen in aquaculture pond water based on optimized LSSVM[J]. International Agricultural Engineering Journal, 2017, 26(3):416-427.

27 劉雙印, 徐龍琴, 李道亮. 基于粗糙集融合支持向量機的水質預警模型[J]. 系統工程理論與實踐, 2015, 35(6):1617-1624.

LIU S Y, XU L Q, LI D L. Water quality early-warning model based on support vector machine optimized by rough set algorithm[J]. System Engineering—Theory & Practice, 2015, 35(6):1617-1624. (in Chinese)

28 田野, 方磊, 魏芳芳,等. 基于物聯網的南美白對蝦環境監控系統設計[J]. 漁業信息與戰略, 2017, 32(1):38-43.

29 HONG H, YANG X, YOU Z, et al. Visual quality detection of aquatic products using machine vision[J]. Aquacultural Engineering, 2014, 63(63):62-71.

30 YAO H, DUAN Q L, LI D L, et al. An improved k-means clustering algorithm for fish image segmentation[J]. Mathematical & Computer Modelling, 2013, 58(3-4):784-792.

31 TAHA Z, RAZMAN M A M, ADNAN F A, et al. The identification of hunger behaviour of lates calcarifer through the integration of image processing technique and support vector machine[C]∥IOP Conference Series: Materials Science and Engineering, 2018, 319(1): 12-28.

32 王斌, 徐建瑜, 王春琳. 基于計算機視覺的梭子蟹蛻殼檢測及不同背景對蛻殼的影響[J]. 漁業現代化, 2016, 43(2):11-16.

33 段青玲,張磊,魏芳芳,等.基于時間序列GA-SVR 的水產品價格預測模型及驗證[J].農業工程學報，2017，33(1):308-314.

DUAN Q L, ZHANG L, WEI F F, et al. Forecasting model and validation for aquatic product price based on time series GA-SVR[J]. Transactions of the CSAE, 2017, 33(1): 308-314. (in Chinese)

34 樊旭兵. 大數據時代的羅非魚內銷[J]. 海洋與漁業·水產前沿, 2014(1):26-27.

35 顏波, 石平, 黃廣文. 基于RFID和EPC物聯網的水產品供應鏈可追溯平臺開發[J]. 農業工程學報, 2013, 29(15):172-183.

YAN B, SHI P, HUANG G W. Development of traceability system of aquatic foods supply chain based on RFID and EPC internet of things[J]. Transactions of the CSAE, 2013, 29(15):172-183. (in Chinese)

36 楊信廷, 吳滔, 孫傳恒,等. 基于USB Key的水產品企業監管溯源系統設計與應用[J/OL]. 農業機械學報, 2012, 43(8):128-133.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20120824&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2012.08.024.

YANG X T， WU T, SUN C H, et al. Design and application of aquatic enterprise governance traceability system based on USB Key[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(8):128-133. (in Chinese)

37 TAI H J, LIU S Y, LI D L, et al. A multi-environmental factor monitoring system for aquiculture based on wireless sensor networks[J]. Sensor Letters, 2012, 10(1):265-270.

38 YU H H, CHEN Y Y, HASSAN S, et al. Dissolved oxygen content prediction in crab culture using a hybrid intelligent method[J]. Scientific Reports, 2016, 6:1-10.

39 農業部. 農業部關于2016—2017年度神農中華農業科技獎的表彰決定[EB/OL]. http:∥jiuban.moa.gov.cn/zwllm/tzgg/tz/201712/t20171207_5966881.htm, 2017-12-05.

40 YANG Y M, TSONG C, TSOU F. Aquaculture cloud management system[J]. Journal of Information Technology and Applications,2014,8(2):75-79.

41 劉光明, 邢克智, 田云臣,等. 基于云計算的水產集約化養殖信息平臺構建[J]. 江蘇農業科學, 2013, 41(12):248-251.

42 CHEN Y J, LIU P X, JIANG B H, et al. The design of water quality monitoring cloud platform based on BS architecture[C]∥International Conference on Computational Science and Engineering, 2016.

43 朱文君. 構造概念格的權值優化改進算法研究[D].上海: 上海海洋大學, 2016.

44 王新安. 基于云服務的智慧水產養殖平臺的研究與實現[D]. 青島: 青島科技大學, 2017.

45 SHI B, XU K, JIANG J M. Arrangement of sensor nodes for wireless sensor network in aquatic products breeding[J]. Advanced Materials Research, 2014, 989-994:3433-3436.

46 LIU Y R, DUAN Q L, ZHANG L. Evaluation model for water environment of Eriocheir sinensis ponds based on AdaBoost classifier[J]. International Agricultural Engineering Journal, 2017, 26(3): 340-348.

47 HU J, LI D L, DUAN Q L, et al. A fuzzy c-means clustering based algorithm to automatically segment fish disease visual symptoms[J]. Sensor Letters, 2012, 10(1):190-197.

48 SUN Y, LI D L, DU S, et al. WSN-based intelligent detection and control of dissolved oxygen in crab culture[J]. Sensor Letters, 2013, 11(6):1050-1054.

49 LIU S Y, TAI H J, DING Q, et al. A hybrid approach of support vector regression with genetic algorithm optimization for aquaculture water quality prediction[J]. Mathematical & Computer Modelling, 2013, 58(3-4):458-465.

50 劉雙印, 徐龍琴, 李道亮,等. 基于蟻群優化最小二乘支持向量回歸機的河蟹養殖溶解氧預測模型[J]. 農業工程學報, 2012, 28(23):167-175.

LIU S Y, XU L Q, LI D L, et al. Dissolved oxygen prediction model of Eriocheir Sinensis culture based on least squares support vector regression optimized by ant colony algorithm[J]. Transactions of the CSAE, 2012, 28(23): 167-175. (in Chinese)

51 LIU S Y, XU L Q, LI D L, et al. Prediction of dissolved oxygen content in river crab culture based on least squares support vector regression optimized by improved particle swarm optimization[J]. Computers & Electronics in Agriculture, 2013, 95(4):82-91.

52 劉雙印, 徐龍琴, 李道亮,等. 基于時間相似數據的支持向量機水質溶解氧在線預測[J]. 農業工程學報, 2014, 30(3):155-162.

LIU S Y, XU L Q, LI D L, et al. Online prediction for dissolved oxygen of water quality based on support vector machine with time series similar data[J]. Transactions of the CSAE, 2014, 30(3):155-162. (in Chinese)

53 LIU S Y, XU L Q, JIANG Y, et al. A hybrid WA-CPSO-LSSVR model for dissolved oxygen content prediction in crab culture[J]. Engineering Applications of Artificial Intelligence, 2014, 29(3):114-124.

54 YANG Y T, TAI H J, LI D L. Real-time optimized prediction model for dissolved oxygen in crab aquaculture ponds using back propagation neural network[J]. Sensor Letters, 2014, 12(3):723-729.

55 CHEN Y Y, XU J, YU H H, et al. Three-dimensional short-term prediction model of dissolved oxygen content based on PSO-BPANN algorithm coupled with kriging interpolation[J]. Mathematical Problems in Engineering, 2016:1-10.

56 朱成云, 劉星橋, 李慧,等. 工廠化水產養殖溶解氧預測模型優化[J/OL]. 農業機械學報, 2016, 47(1):273-278.

http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160137&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2016.01.037.

ZHU C Y, LIU X Q, LI H, et al. Optimization of prediction model of dissolved oxygen in industrial aquaculture [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(1):273-278. (in Chinese)

57 宦娟, 劉星橋. 基于K-means聚類和ELM神經網絡的養殖水質溶解氧預測[J]. 農業工程學報, 2016, 32(17):174-181.

HUAN J, LIU X Q. Dissolved oxygen prediction in water based on K-means clustering and ELM neural network for aquaculture[J]. Transactions of the CSAE, 2016, 32(17):174-181. (in Chinese)

58 劉雙印, 徐龍琴, 李振波,等. 基于PCA-MCAFA-LSSVM的養殖水質pH值預測模型[J/OL]. 農業機械學報, 2014, 45(5):239-246. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20140537&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2014.05.037.

LIU S Y, XU L Q, LI Z B, et al. Forecasting model for pH value of aquaculture water quality based on PCA-MCAFA-LSSVM[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(5):239-246. (in Chinese)

59 徐龍琴, 李乾川, 劉雙印,等. 基于集合經驗模態分解和人工蜂群算法的工廠化養殖pH值預測[J]. 農業工程學報, 2016,32(3):202-209.

XU L Q, LI Q C, LIU S Y, et al. Prediction of pH value in industrialized aquaculture based on ensemble empirical mode decomposition and improved artificial bee colony algorithm[J]. Transactions of the CSAE, 2016,32(3):202-209. (in Chinese)

60 LIU S Y, XU L Q, LI D L. Multi-scale prediction of water temperature using empirical mode decomposition with back-propagation neural networks[J]. Computers & Electrical Engineering, 2016, 49:1-8.

61 徐大明, 周超, 孫傳恒,等. 基于粒子群優化BP神經網絡的水產養殖水溫及pH預測模型[J]. 漁業現代化, 2016, 43(1):24-29.

XU Daming, ZHOU Chao, SUN Chuanheng, et al. Prediction model of aquaculture water temperature and pH based on BP neural network optimized by particle swarm algorithm[J]. Fishery Modernization, 2016, 43(1):24-29. (in Chinese)

62 丁金婷, 臧澤林, 黃敏. 模糊方法改進的反向傳輸神經網絡預測南美白對蝦養殖的水質[J]. 浙江大學學報:農業與生命科學版, 2017, 43(1):128-136.

DING J T, ZANG Z L, HUANG M. Penaeus vannamei aquaculture water quality prediction based on the improved back propagation neural network[J]. Journal of Zhejiang University: Agric. & Life Sci., 2017, 43(1):128-136. (in Chinese)

63 CHANDANAPALLI S B, REDDY E S, LAKSHMI D R. FTDT: rough set integrated functional tangent decision tree for finding the status of aqua pond in aquaculture [J]. Journal of Intelligent & Fuzzy Systems, 2017, 32(3):1821-1832.

64 胡濤. 基于非參數的水產品價格預測系統研究 [D]. 北京: 中國農業大學, 2005.

65 賀艷輝. 基于BP人工神經網絡水產品價格預測的研究[D]. 南京: 南京農業大學, 2009.

66 LI H W, GAO X X, CHENG K J. The application of wavelet neural network in prediction of the fish price [J]. Applied Mechanics and Materials, 2014, 687-691: 1945-1949.

67 于承先, 徐麗英, 邢斌,等. 集約化水產養殖水質預警系統的設計與實現[J]. 計算機工程, 2009, 35(17):268-270.

YU Chengxian, XU Liying, XING Bin, et al. Design and implementation of intensive aquaculture water quality early warning system[J]. Computer Engineering, 2009, 35(17):268-270. (in Chinese)

68 周慧. 河蟹養殖環境監測及預警模型研究[D]. 長沙:湖南農業大學, 2014.

69 胡金有, 王靖杰, 張小栓,等. 水產養殖信息化關鍵技術研究現狀與趨勢[J/OL]. 農業機械學報, 2015,46(7):251-263. http:∥www.j-csam.org/ch/reader/view_abstract.aspx?file_no=20150737&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2015.07.037.

HU J Y, WANG J J, ZHANG X S, et al. Research status and development trends of information technologies in aquacultures[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(7):251-263. (in Chinese)

70 王瑞梅, 何有緣, 傅澤田. 淡水養殖池塘水質預警模型[J]. 吉林農業大學學報, 2011, 33(1):84-88.

71 朱瓊瑤, 張光新, 馮天恒,等. 基于粗糙集和證據理論的水質分析預警技術研究[J]. 浙江大學學報:農業與生命科學版, 2012, 38(6):747-754.

72 ZHU W, LI D L. A CBR system for fish disease diagnosis[J]. International Federation for Information Processing,2008,259:1453-1457.

73 SHI Y, GAO W, HU L, et al. The meta-ontology model of the fishdisease diagnostic knowledge based on OWL[M]∥Computer and Computing Technologies in Agriculture (II), Springer US, 2008:1415-1422.

74 YUAN H, YANG Y, CHEN Y. Crab-expert: a web-based ES for crab farming[C]∥International Conference on Control, Automation, Robotics and Vision. IEEE, 2007:1-5.

75 ZHANG X S, FU Z T, CAI W, et al. Applying evolutionary prototyping model in developing FIDSS: an intelligent decision support system for fish disease/health management[J]. Expert Systems with Applications An International Journal, 2009, 36(2):3901-3913.

76 溫繼文, 李道亮, 陳梅生,等. 基于UML的魚病遠程監測預警與診斷系統[J]. 農業工程學報, 2008,24(增刊2):166-171.

WEN Jiwen，LI Daoliang，CHEN Meisheng，et al．UML-based remote monitoring and early warning system for fish diseases diagnosis[J]．Transactions of the CSAE,2008,24(Supp.2):166-171. (in Chinese)

77 晏萍. 基于數據倉庫的水產動物疾病診斷系統研究與實現[D]. 上海:復旦大學, 2006.

78 馬冬萍, 陳明, 陳文娜. 基于MAS魚病診斷專家系統的設計與應用[J]. 計算機應用與軟件, 2014(2):96-99.

79 LOU Dongmei, CHEN Ming, YE Jiechao. Study on a fish disease case reasoning system based on image retrieval[C]∥International Conference on Computers and Computing Technologies in Agriculture, 2007:887-893.

80 WU Y H, LIU J. A new method for fish disease diagnosis system based on rough set and classifier fusion[C]∥IEEE Artificial Intelligence and Computational Intelligence, Shanghai, 2009.

81 LOPES J N S, GONANDCCEDILALVES A N A, FUJIMOTO R Y, et al. Diagnosis of fish diseases using artificial neural networks[J]. International Journal of Computer Science Issues, 2011, 8(6):68-74.

82 DENG C H, LIN X, GU J. Expert system for fish disease diagnosis based on fuzzy neural network[C]∥IEEE Third International Conference on Intelligent Control and Information Processing. IEEE, 2012:146-149.

83 YAO H, DUAN Q L. The diseased fish recognition technology based on consolidated feature[J]. Sensor Letters, 2014, 12(3):678-683.

84 HANAFIAH N, SUGIARTO K, ARDY Y, et al. Expert system for diagnosis of Discus fish disease using fuzzy logic approach[C]∥IEEE International Conference on Computer and Communications, 2016:56-61.

85 MALIK S, KUMAR T, SAHOO A K. Image processing techniques for identification of fish disease[C]∥IEEE International Conference on Signal and Image Processing. IEEE, 2017:55-59.

86 吳一全, 殷駿, 戴一冕,等. 基于蜂群優化多核支持向量機的淡水魚種類識別[J]. 農業工程學報, 2014, 30(16):312-319.

WU Y Q, YIN J, DAI Y M, et al. Identification method of freshwater fish species using multi-kernel support vector machine with bee colony optimization[J]. Transactions of the CSAE, 2014, 30(16):312-319. (in Chinese)

87 MISIMI E, ERIKSON U, SKAVHAUG A. Quality grading of Atlantic salmon (Salmo salar) by computer vision [J]. Journal of Food Science, 2008, 73(5):211-217.

88 ALSMADI M K, OMAR K B, NOAH S A M. Fish classification based on robust features extraction from color signature using back-propagation classifier[J]. Journal of Computer Science, 2011, 7(1):52-58.

89 HU J, LI D L, DUAN Q L, et al. Fish species classification by color, texture and multi-class support vector machine using computer vision[J]. Computers & Electronics in Agriculture, 2012, 88(4):133-140.

90 MUHAMMAD S N, NURUL H Z, NURDIYANA Z, et al. Fish quality study using ordor-profile case-based reasoning classification technique[J]. ARPN Journal of Engineering and Applied Sciences, 2016, 11(10):6692-6696.

91 杜偉東, 李海森, 魏玉闊,等. 基于SVM的決策融合魚類識別方法[J]. 哈爾濱工程大學學報, 2015,36(5):623-627.

DU W D, LI H S, WEI Y K, et al. Decision fusion fish identification using SVM and its experimental study[J]. Journal of Harbin Engineering University, 2015, 36(5):623-627. (in Chinese)

92 DUTTA M K, SENGAR N, KAMBLE N, et al. Image processing based technique for classification of fish quality after cypermethrine exposure[J]. LWT—Food Science and Technology, 2016, 68:408-417.

93 ROSSI F, BENSO A, CARLO S D, et al. FishAPP: a mobile APP to detect fish falsification through image processing and machine learning techniques[C]∥IEEE International Conference on Automation, Quality and Testing, Robotics. IEEE, 2016:1-6.

94 林明旺. 基于卷積神經網絡的魚類圖像識別與分類[J]. 電子技術與軟件工程, 2017(6):82-83.

95 顧鄭平, 朱敏. 基于深度學習的魚類分類算法研究[J]. 計算機應用與軟件, 2018(1):200-205.

96 于欣, 侯曉嬌, 盧煥達,等. 基于光流法與特征統計的魚群異常行為檢測[J]. 農業工程學報, 2014, 30(2):162-168.

YU X, HOU X J, LU H D, et al. Anomaly detection of fish school behavior based on features statistical and optical flow methods[J]. Transactions of the CSAE, 2014, 30(2):162-168. (in Chinese)

97 程淑紅, 劉潔, 李雷華. 基于魚類運動行為的水質異常評價因子研究[J]. 儀器儀表學報, 2015, 36(8):1759-1766.

98 XUE Z, SHEN G, XU Q, et al. Compression-aware I/O performance analysis for big data clustering[C]∥International Workshop on Big Data, Streams and Heterogeneous Source Mining: Algorithms, Systems, Programming MODELS and Applications. ACM, 2012:45-52.

99 HAVENS T C, BEZDEK J C, LECKIE C, et al. Fuzzy c-means algorithms for very large data[J]. IEEE Transactions on Fuzzy Systems, 2012, 20(6):1130-1146.

100 孫吉貴, 劉杰, 趙連宇. 聚類算法研究[J]. 軟件學報, 2008, 19(1):48-61.

SUN J G, LIU J, ZHAO L Y. Clustering algorithms research[J]. Journal of Software, 2008, 19(1):48-61. (in Chinese)

101 ZHU X F, ZHANG L, HUANG Z. A sparse embedding and least variance encoding approach to hashing[J]. IEEE Trans Image Process, 2014, 23(9):3737-3750.

102 ZHU X F, LI X, ZHANG S, et al. Graph PCA hashing for similarity search[J]. IEEE Transactions on Multimedia, 2017, 19(9):2033-2044.

103 HAN K J, TEWFIK A H. Expert computer vision based crab recognition system[C]∥International Conference on Image Processing Proceedings IEEE, 2001,2:649-652.

104 AGRAWAL R, SRIKANT R. Fast algorithms for mining association rules in large databases[C]∥International Conference on Very Large Data Bases. Morgan Kaufmann Publishers Inc., 1994:487-499.

105 何清, 李寧, 羅文娟,等. 大數據下的機器學習算法綜述[C]∥中國計算機學會人工智能會議, 北京, 2013.

106 王立華, 肖慧, 徐碩,等. 基于關聯規則的漁業信息推薦系統設計與實現[J]. 農業工程學報, 2013, 29(7):124-130.

107 陳志民, 李亭, 楊敬鋒,等. 珠海市斗門區水產品病害網絡診斷與防治系統算法設計[J]. 安徽農業科學, 2010, 38(17):9348-9349.

108 GOODFELLOW I, BENGIO Y, COURVILLE A. Deep learning[M]. Cambridge: The MIT Press, 2016.

109 BOJNORDI M N, IPEK E. Memristive boltzmann machine: a hardware accelerator for combinatorial optimization and deep learning: international architecture-proceedings[C]∥IEEE, Symposium on High-Performance Computing, NEW YORK, 2016:1-13.

110 李慶武, 俞楷, 許金鑫,等. 基于深度學習網絡模型的魚群異常行為識別方法: 201510434598 [P]. 2015-07-22.

111 HUANG J, MENG X, XIE Q, et al. Complete sets of aquaculture automation equipment and their monitoring cloud platform[J]. Advances in Intelligent Systems and Computing, 2017, 691: 429-435.

112 FENG Y, WANG X N, LI H T. Research and construction of intelligent service platform for aquaculture [C]∥5th International Conference on Frontiers of Manufacturing Science and Measuring Technology, 2017, 130:801-804.

113 魏芳芳, 段青玲, 肖曉琰,等. 基于支持向量機的中文農業文本分類技術研究[J/OL]. 農業機械學報, 2015,46(增刊):174-179.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=2015S029&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn．1000-1298.2015.S0.029.

WEI F F, DUAN Q L, XIAO X Y, et al.Classification technique of chinese agricultural text information based on SVM[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(Supp.):174-179. (in Chinese)

114 張清春, 宋武林. 水產養殖生產日志管理系統的設計[J]. 福建電腦, 2011, 27(8):124-125.

115 周一敏. 大數據時代我國農產品電子商務平臺模式研究[J]. 科技資訊, 2016, 14(25):15.

116 興化市政府. 中國蟹庫網通過“中國河蟹第一電商交易網”評審[EB/OL].http:∥www.xinghua.gov.cn/art/2017/6/7/art_8195_419827.html, 2017-06-07.

117 阿里.阿里聚石塔[EB/OL].http:∥cloud.taobao.com/, 2018-03-15.

118 徐麗英, 于承先, 邢斌,等. 基于PDA的集約化水產飼料投喂決策系統[J]. 農業工程學報, 2008, 24(增刊2):250-254.

XU L Y, YU C, XING B, et al. PDA-based aquaculture feeding decision support system[J]. Transactions of the CSAE, 2008, 24(Supp.2):250-254. (in Chinese)

119 ZHANG M, XUE H, WANG L, et al. A decision support system for fish feeding based on hybrid reasoning[J]. IFIP Advances in Information & Communication Technology, 2016, 392:19-26.

120 王超. 基于Weka輔助的中華絨螯蟹設施養殖物聯網決策支持系統設計[D]. 南京:東南大學, 2015.

121 王蕾, 傅澤田, 李道亮. 網絡化河蟹養殖專家系統的設計[J]. 中國農業大學學報, 2002, 7(4):54-58.

WANG L, FU Z T, LI D L. Design on the limnetic crab culture expert system based-on web[J]. Journal of China Agricultural University, 2002, 7(4):54-58. (in Chinese)

122 王秀芬, 張樹林, 邢克智,等. 河蟹養殖專家決策系統的設計[J]. 天津農學院學報, 2003, 10(3):12-15.

WANG X F, ZHANG S L, XING K Z, et al. Design of crab culture expert decision system based on internet[J]. Journal of Tianjin Agricultural College, 2003, 10(3):12-15. (in Chinese)

123 蘇賢明, 溫繼文, 李道亮. 基于MDA的魚病遠程會診群決策支持系統[J]. 農業工程學報, 2008,24(增刊2):240-245.

SU X M, WEN J W, LI D L. MDA-based group decision support system for teleconsultation of fish disease[J]. Transactions of the CSAE, 2008,24(Supp.2): 240-245. (in Chinese)

124 袁紅春, 叢斯琳. Petri網的水產品溯源系統模型[J]. 傳感器與微系統, 2016, 35(9):42-45.