高效压缩CNN-Transformer混合框架在水产养殖溶解氧长期预测中的创新应用

《Information Processing in Agriculture》：An efficient compressive CNN and transformer hybrid framework for long-term dissolved oxygen prediction in aquaculture

本研究针对水产养殖中多参数非线性耦合关系复杂、传统方法预测精度有限的问题，提出了一种基于高效压缩CNN与Transformer的混合框架，用于长期溶解氧浓度预测。通过CNN提取多传感器数据的局部空间特征，引入压缩感知策略减少信息损失，并利用Transformer捕获全局时间依赖性。实验结果表明，该模型在96步和168步预测中R2分别达到0.969和0.963，RMSE和MAE显著降低，收敛速度提升13.59%，为水产养殖水质管理提供了高效精准的预测工具。

　　

在水产养殖环境中，溶解氧是维持水生生物生存的关键指标，其浓度变化直接影响养殖效益和生态安全。然而，传统水质预测方法存在明显局限性：一方面，它们难以充分捕捉多参数（如pH、温度、盐度等）间的非线性耦合关系；另一方面，现有模型对长期时间序列依赖性的建模能力不足，导致预测精度和泛化能力受限。例如，循环神经网络虽能处理序列数据，但易出现梯度消失问题；而传统Transformer模型在局部波动捕捉上存在不足。这些缺陷使得水产养殖管理者难以提前应对溶解氧骤降等风险，亟需一种能兼顾多因子交互和长期时序特征的高效预测框架。

针对这一挑战，海南大学信息与通信工程学院的研究团队在《Information Processing in Agriculture》发表论文，提出了一种创新性的高效压缩CNN-Transformer混合框架。该框架通过卷积神经网络提取多传感器数据的局部空间特征，引入基于二值伯努利观测矩阵的压缩池化策略以减少信息损失，并利用Transformer的多头自注意力机制捕获全局时间依赖性，最终实现对未来4-7天溶解氧浓度的高精度预测。

研究的关键技术方法包括：1）采用滑动窗口和最小-最大归一化对4000条水产养殖水质数据进行预处理；2）设计压缩感知层，通过快速傅里叶变换分析数据稀疏性，用固定伯努利矩阵实现特征降维；3）构建1D-CNN模块（两层卷积，滤波器数32/128）提取局部特征；4）使用Transformer编码器-解码器结构（2层，4头注意力）建模长期依赖关系；5）采用均方误差损失函数和Adam优化器进行模型训练。

研究结果验证了该框架的优越性能：

模型收敛性分析表明，压缩池化策略使模型收敛速度提升13.59%，且训练/验证损失曲线保持稳定，无显著过拟合。

特征提取效果上，频域采样相比时域采样使RMSE降低52.32%，证明频域处理能更好保留信号结构。

预测精度方面，在96步预测中，该模型的RMSE为0.022±0.004 mg/L，R²达0.969±0.004，显著优于LSTM、GRU等基线模型；即使延长预测至168步（7天），R²仍保持在0.963±0.003。

极端事件预测中，模型对54个溶解氧突变事件（变化阈值>0.1 mg/L）的预测误差保持稳定，证明其对突发水质恶化的鲁棒性。

效率方面，模型在GPU内存占用（11.40 GB）和推理时间（0.0156 s）上均优于传统Transformer等对比模型。

讨论部分指出，该研究的主要创新在于将压缩感知理论与深度学习相结合，解决了传统池化操作的信息损失问题。通过二值观测矩阵实现特征压缩，既保留了多传感器数据的耦合关系，又降低了计算复杂度。此外，CNN-Transformer的混合架构有效平衡了局部特征提取和全局依赖建模的需求，尤其适合水产养殖环境中多因子、强非线性的水质预测场景。

该研究的实际意义在于：首先，预测误差（0.02 mg/L级）远低于缺氧预警阈值（2-3 mg/L）的1%，可可靠支撑水产养殖风险管控；其次，模型对168小时的长时预测能力，为制定增氧机调度等生产决策提供了充足响应时间；最后，框架的通用性使其可扩展至其他水质参数预测，为智能水产养殖系统开发奠定了技术基础。未来工作可融入气象数据等外生变量，进一步提升模型在复杂环境下的适应性。