Nov, 2023

基于物联网的鱼类养殖环境控制系统，结合传感器集成与机器学习决策支持

PDF
TL;DR该研究文章展示了数据驱动决策支持在水产养殖中的强大作用，承诺满足日益增长的对海鲜的需求，同时强调环境责任与经济可行性，从而彻底改变未来的养鱼方式。
fish farmiotenvironmental controlmachine learningdata-driven decision support
发现论文，激发创造
  • 基于物联网的生物膜水质预测技术应用于水产养殖

    本研究提出了基于物联网的水产养殖解决方案，利用生物絮凝技术将未使用的饲料转化为微生物蛋白，采用传感器采集数据，并运用机器学习模型和人工智能产生决策和通知，实现高效和生产力的提高。

    Jul, 2022

  • 基于物联网和机器学习的智能农业温室控制系统

    通过物联网和机器学习的融合，本研究旨在构建和实施一个复杂的农业温室控制系统。通过对温室内在环境参数的细致监控和机器学习算法的整合，温室内的条件得以适当调节。预期的结果是提高农作物的生长效率和产量，减少资源浪费。

    Feb, 2024

  • 基于机器学习的鱼类资源评估

    研究使用混合模型来提高鱼类资源参数估计和预测的准确性，通过结合经典统计模型和监督机器学习模型，特别是梯度提升树模型，实现针对全球变暖和其他人为压力导致变化的生态系统中相关参数的后续校正和提升准确性。在实验中，对五种不同鱼类资源进行研究发现，绝大多数情况下招募和生成股源生物量的预测准确性有了显著的提高。

    Aug, 2023

  • 水产养殖系统中的饲料控制和水质监测：机遇与挑战

    这篇论文综述了水产养殖系统中优化喂养和水质的控制设计技术，主要包括基于模型和基于增强学习的控制方法，并介绍了无模型强化学习策略的应用。

    Jun, 2023

  • 迈向可持续发展：综合环境健康监测的新型集成机器学习模型

    城市化对经济增长有促进作用，但也通过环境恶化对环境造成危害。机器学习已成为一个有很大潜力的工具，通过识别关键的预测特征来跟踪环境恶化。最近的研究专注于利用污染物水平和颗粒物作为环境状态指标来开发预测模型，以勾勒出所面临的挑战。机器学习被用来识别与环境恶化相关的模式。该研究旨在帮助政府识别干预点，改进规划和保护工作，并最终促进可持续发展。

    Aug, 2023

  • 有害藻类水华管理中的混合机器学习技术

    用神经网络添加自适应加权模型（BAGNET）和辨别式最近邻分类（SVM-KNN）进行比较，以估计生产区域的状态，结果表明 BAGNET 模型在结果和鲁棒性方面都优于其他模型，平均召回率为 93.41％。

    Feb, 2024

  • 机器学习和物联网在户外空气污染监测和预测中的应用：一项系统文献综述

    该研究回顾了使用机器学习和物联网（IoT）进行室外空气污染预测以及监测传感器和输入特征的组合的应用，发现了预测的三种方法：时间序列、基于特征和时空。该回顾还提出了未来研究的方向，并强调了在医疗保健、城市规划、全球协同和智能城市方面的实际意义。

    Jan, 2024

  • 多保真度代理建模与侦测，NARGP，数位孪生，水产网箱，实时监测，图卷积网络

    通过非线性自回归高斯过程方法学习不同保真度模型之间非线性复杂交叉相关性的多保真度代理模型框架，实时监测随机海洋条件下水产养殖网箱结构动力学，有效预测网箱位移和锚链负荷，并可以远程操作无人潜水器，防止潜在损害。

    Jun, 2024

  • 物联网数据分析的机器学习：一项调查

    本文评估了处理物联网数据挑战的不同机器学习方法，以智能城市为主要案例。该研究的关键贡献是提供一个机器学习算法分类法，阐述如何应用不同技术从数据中提取高层次信息。此外，还讨论了机器学习在物联网数据分析中的潜力和挑战，并介绍了应用支持向量机（SVM）在奥尔胡斯智能城市交通数据上的案例。

    Feb, 2018

  • 深度迁移学习在贻贝养殖自动化中的浮标检测改进

    使用深度学习方法提高浮标检测和管理的准确性和鲁棒性，通过使用源自新西兰贻贝养殖场的多样化数据集和迁移学习技术，研究表明深度学习通过提高鲁棒性能和跨多样的天气条件进行浮标检测的实际有效性。

    Aug, 2023