基于“AI+半导体光催化”的特种鱼养殖水体绿色原位治理与智能调控方案研究

Sustainable in-situ remediation and intelligent regulation scheme for special fish aquaculture water based on “AI+ semiconductor photocatalysis”

摘要

为解决南方高价值特种鱼北方本土化养殖中水质波动、经验用药、现场调控粗放和尾水达标压力并存等问题，以养殖水体稳定控制和绿色治理为目标，利用多源数据融合、时空预测、约束决策控制和半导体光催化原位净化方法，对特种鱼养殖水体状态识别、风险预警、调控决策及污染物削减进行了研究。研究构建了涵盖水质、气象和鱼种生长阶段的多源数据库，对溶解氧、氨氮、pH、温度及药残风险进行滚动预测，并结合鱼种生理阈值、设备能力、用药边界和运维成本生成调控建议。结果表明：1）多源感知提高了水质状态识别的连续性和完整性，弥补了人工巡塘和单点采样的不足；2）卷积神经网络（CNN）-变换器（Transformer）融合模型刻画了水质短时波动和中长期变化趋势，为低溶氧、氨氮累积及药残风险提供提前预警；3）约束决策可将预测结果转化为投饵、增氧、换水、用药和净化单元运行建议，宽光谱纳米复合光催化网可为抗生素残留和部分有机污染物削减提供低能耗路径。本研究的智能预测、现场调控与光催化净化协同应用可为高价值特种鱼养殖水体治理和尾水减排提供技术支撑。

Abstract

Facing issues such as water quality fluctuations， empirical medication practices， extensive on-site control， and the simultaneous pressure to meet effluent standards in localized northern breeding of high-value specialty fish from the south， this paper aims at stable control of aquaculture water bodies and green management. Using multi-source data integration， spatiotemporal prediction， constrained decision control， and in-situ semiconductor photocatalytic purification methods， the study investigates water body state identification， risk warning， control decision-making， and pollutant reduction in specialty fish farming. A multi-source database covering water quality， meteorology， and fish growth stages was constructed to perform rolling predictions of dissolved oxygen， ammonia nitrogen， pH， temperature， and residual drug risks. Based on these predictions， control recommendations were generated considering fish physiological thresholds， equipment capacity， medication limits， and operational costs. The results show that： 1） Multi-source sensing improves the continuity and integrity of water quality state identification， compensating for the shortcomings of manual pond inspection and single-point sampling； 2） The CNN-Transformer hybrid model captures short-term water quality fluctuations and medium-to-long-term trends， providing early warnings for low dissolved oxygen， ammonia accumulation， and medication residue risks； 3） Constrained decision-making can translate predictions into recommendations for feeding， oxygenation， water exchange， medication， and operation of purification units， while the broad-spectrum nano-composite photocatalytic network offers a low-energy pathway for reducing antibiotic residues and certain organic pollutants. The study demonstrates that the collaborative application of intelligent prediction， on-site control， and photocatalytic purification can provide technical support for water management and effluent reduction in high-value specialty fish farming.

Graphical abstract

关键词

智慧渔业 / 高价值特种鱼 / 养殖水体原位治理 / 光催化 / 云边端协同

Key words

smart aquaculture / high-value special fish / aquaculture water in-situ remediation / photocatalysis / cloud-edge-terminal collaboration

1　研究背景

1.1　研究意义及学科进展

随着高附加值水产品消费增加，高价值特种鱼在内陆地区的本土化养殖逐渐增多。此类鱼种对温度、溶解氧、pH、病害防控和投喂管理较为敏感，在北方或西北地区养殖时，常受到昼夜温差、季节波动和池塘管理经验差异的共同影响。与此同时，绿色养殖、尾水治理和依法治渔要求不断强化，相关政策和法律法规已将农业面源污染防治、养殖尾水排放和渔业生产规范纳入治理重点^［1-5］。在这一背景下，水产养殖正由单纯追求产量转向兼顾产量、质量安全和生态约束的管理模式^［6］。

水产养殖对象长期处于开放水环境中，水质变化具有明显的时间波动和空间差异。同一塘口内，投饵区、进排水口、底泥积累区和低流速区域的溶解氧、氨氮和浊度等指标可能存在差别；同一指标也会随昼夜光照、气温、鱼群摄食和增氧操作发生变化^［7］。传统人工采样和经验巡塘难以及时发现这些变化，也难以把水质异常与投饵、用药、换水、增氧等管理行为对应起来。对于高价值特种鱼，病害风险还会进一步放大用药压力。预防性或经验性投药虽然可能在短期内降低死亡风险，但抗生素等残留物可能进入水体、底泥和尾水系统，增加产品质量和外排水体风险^［8-10］。

近年来，人工智能（Artificial intelligence， AI）、物联网（Internet of Things， IoT）、机器视觉、多模态融合和数字孪生等技术逐步用于水产养殖管理^［11-16］。已有研究围绕水质连续监测、摄食行为识别、鱼群状态分析、生物量估算和病害诊断开展了较多探索^［17-22］。这些工作提高了养殖过程的数据获取和状态识别能力，但不少研究仍停留在单一指标预测或单一设备控制层面，预测结果如何转化为现场可执行的投饵、增氧、换水和用药建议，仍缺少清晰的约束。

在养殖水体治理方面，沉淀、生物净化、生态沟渠、循环水处理和人工湿地等方法已被广泛研究^［23-24］。这些技术适用于一定规模和工程条件的场景，但在分散塘口、存量池塘改造和中小养殖主体中，常受到占地、建设周期和运维成本限制。半导体光催化技术可利用光照降解部分抗生素和有机污染物，近年来在光催化膜、泡沫载体和复合材料方面已有研究积累^［25-33］。因此，将水质感知、风险预测、约束调控与光催化原位净化结合起来，是高价值特种鱼养殖水体治理中需要进一步解决的问题。

1.2　研究切入点

基于上述背景，本研究聚焦西北地区高价值特种鱼本土化养殖场景，将养殖水体治理重构为兼顾池内生长适宜性控制、药残风险削减与尾水合规排放的全过程智能调控问题。本研究的核心研究问题包括以下4个方面：第一，如何构建覆盖水质、气象、鱼种阶段、管理行为和异常事件的多源数据底座，为养殖水体状态识别和尾水风险判断提供连续支撑。第二，如何在高波动、强耦合和阶段性变化的条件下，对溶解氧、氨氮、pH、温度及药残风险进行滚动预测，实现病害和污染风险的前移识别。第三，如何将预测结果转化为面向投饵、增氧、换水、用药和设备运行的可执行调控策略，并保证其满足鱼类生长需求、设备能力与运维成本约束。第四，如何通过半导体光催化原位净化单元，对养殖水体和尾水中的抗生素残留及有机污染物实施低能耗降解，并将净化效果反馈至智能调控系统，形成感知—预测—决策—净化一体化的闭环体系。

围绕上述4个问题，本研究的贡献主要体现在以下4个方面：第一，提出面向高价值特种鱼北方本土化养殖的全过程闭环治理框架，将养殖水体状态感知、风险识别、约束调控和原位净化纳入统一系统，实现从单点监测向过程治理的转变。第二，构建面向复杂塘口环境的卷积神经网络（CNN）-变换器（Transformer）融合预测模型，用于同时刻画水质指标的局部突变、阶段切换和中短期趋势变化，提高对低溶氧、氨氮累积和药残风险增强时段的前移识别能力。第三，建立融合鱼种生理阈值、设备能力、管理边界与经济约束的调控方法，使模型预测结果能够转化为增氧、投饵、换水、用药限制和设备布点等可落地的现场操作建议。第四，提出宽光谱纳米复合光催化网在养殖水体原位治理中的应用思路，并设计其与智能感知调控系统的耦合机制，实现对抗生素残留和有机污染物的持续削减，推动尾水治理由末端被动处理转向全过程协同控制。综上，高值鱼“北养”场景下的风险并非来自单一因素，而是由环境压力、病害风险、经验用药和水体污染逐步传导形成的问题链，这说明治理目标必须从单点处理转向全过程协同控制。

1.3　研究目的

高价值特种鱼在北方地区养殖时，环境适应性和管理稳定性是首要问题。与本地常规养殖品种相比，此类鱼种对温度、溶解氧、盐碱度和微生物环境变化更敏感，苗种驯化和生长转段阶段更容易发生应激^［7］。在高密度放养和高强度投饵条件下，水体缓冲空间被进一步压缩，氨氮累积、溶氧下降、藻相波动和病害诱发往往相互叠加。

养殖水体污染由多种因素造成。残饵、粪便、代谢产物、底泥再悬浮物和药物残留会随投饵、摄食、换水、增氧和消毒等操作持续变化^{［7，17，23］}。一次加大投喂可能在数小时后表现为氨氮上升或溶氧下降；一次经验性用药也可能在短期内稳定鱼群状态，但在水体、底泥和尾水中留下残留压力。抗生素类污染物还具有吸附、迁移和降解差异，部分药物可在低浓度条件下维持较长时间，并增加产品药残和环境抗性传播风险^{［8-10，26-28］}。

传统塘口管理主要依赖人工巡塘和经验判断，如观察水色、天气、鱼种摄食和浮头情况。这类方法在低密度、低风险场景中仍有价值，但在高价值特种鱼养殖中，单点观测难以解释多因素叠加后的水质变化。不同点位的流速、深度、投饵密度和生物量存在差异，人工采样很难同时反映空间差异和时间滞后。若缺少连续数据，养殖者也难以判断异常来自投饵过量、藻类波动、病原感染还是环境应激。

因此，本研究将该场景下的养殖水体治理重构，形成了面向生产的“AI+半导体光催化”调控体系。系统连续采集水质、气象、鱼群状态和管理日志，识别溶氧、氨氮、pH、温度及药残风险的变化趋势，并在鱼种生理阈值、设备能力、用药限制和运维成本约束下生成调控建议。在此基础上，引入光催化原位净化单元，对抗生素残留和有机污染物进行降解，使监测、预测、决策和净化耦合，一体化调控。本研究采用的总体架构见图1。本研究将感知、预测、决策和净化单元纳入同一闭环架构，强调数据流、控制流与治理流的一体化衔接，这是区别于传统分散式治理模式的核心特点。

2　研究总体框架与技术路线

2.1　全流程技术框架

本研究的整体技术路线分为4个层次。第一层是多源感知与数据底座层，面向塘口环境采集水质、气象、养殖阶段、管理行为和异常事件等信息，形成多源数据库。第二层是预测预警与风险识别层，利用时空模型对未来短时和中短时窗口内的水质变化、药残风险和异常事件概率进行预测。第三层是约束决策与执行控制层，将模型输出送入多目标控制模块，在约束条件下生成可落地的投药、增氧、换水或净化建议。第四层是光催化净化与反馈修正层，借助光催化原位净化单元和现场回流监测，对污染物进行削减并反向修正模型参数。这种技术路线的关键在于，它既保留了AI系统在数据分析与趋势预测方面的优势，又避免了只做“看板式监控”的局限；既强调了风险预警，也保留了对实际设备与净化单元的可执行接口。因此，其本质是一种“前端识别—中端决策—末端治理”协同的智慧渔业治理模式。

2.2　数据底座构建

本研究以养殖全过程数据为核心，将采样记录、传感器数据、试验数据和管理日志进行标准化整理。数据底座重点覆盖以下5类变量：

1）水环境变量：溶氧、pH、温度、电导率、浊度、氨氮、亚硝酸盐、总磷和化学需氧量（COD）等^{［7，16，23］}。

2）气象变量：气温、光照、降水、风速、气压及昼夜变化。

3）生物学变量：鱼种类型、养殖阶段、放养密度、摄食活性、应激行为及死亡记录。

4）管理变量：投饵量、投药时间与剂量、增氧时间、换水时间和人工处理记录。

5）异常事件标签：藻类异常、水色突变、夜间浮头、病害暴发和药残风险高发时段等。

将采集到的多源异构数据统一进行编码，对于不同频率的数据，采用重采样和对齐策略，以15 min、30 min和1 h构造多尺度时间样本；对于离散事件，采用窗口编码方式，将事件发生前后一定时间范围内的状态变化标记为关联样本。同时，针对抗生素浓度的高频在线检测成本较高的问题，本研究结合投药时间与剂量、换水时间、光照强度、浊度、COD、氨氮及低频实验室检测结果，构建抗生素残留风险映射指标，用于表征药残累积与削减趋势^{［8-10，26-28］}。

2.3　多源感知体系

以夜间缺氧事件为例，其原因可能同时叠加高温天气、藻类呼吸增强、鱼群高摄食活性和增氧机启动滞后等多源因素。同样，仅从投药时间也无法判断药残风险是否会长期滞留，仍需结合水体交换能力、光照条件、底泥吸附和后续管理动作。因此，考虑到高价值鱼种养殖环境的复杂性，本研究采用多源感知协同策略。在塘口现场，边缘计算设备搭载传感器，负责持续记录水质参数并进行初步异常识别；人工巡检与定期取样负责提供校验数据，判断鱼群摄食和应激状态^［17］；管理日志用于补充设备难以直接感知的操作信息。

2.4　预测模型总体设计

本研究采用CNN-Transformer融合架构，用于捕捉养殖场景中时序数据的短期突变和长期趋势。CNN擅长提取局部窗口中连续变化的特征^［34-35］，可用于捕捉投饵后溶氧波动、夜间pH快速回落和降雨后浊度变化等短周期模式，并对未来短时窗口内的溶解氧变化进行预测^［19］；Transformer则更适合建模较长时间尺度上的依赖关系，如周尺度气象变化、生长阶段切换和阶段性负荷累积等^［36-37］。

设输入样本为过去长度（L）的时序窗口X_{t-L:t}，辅以静态或慢变化特征Z_t，则模型输出未来（H）步的关键指标预测值：

{ŷ}_{t+\mathrm{1}:t+H}=f_{\theta }\left(X_{t-L:t},Z_t\right)（1）

式中：L包括连续变量预测和风险分类结果。为了兼顾数值回归与异常分类，模型采用联合损失函数：

L={\lambda }_{\mathrm{1}}{L}_{\mathrm{r}\mathrm{e}\mathrm{g}}+{\lambda }_{\mathrm{2}}{L}_{\mathrm{c}\mathrm{l}\mathrm{s}}+{\lambda }_{\mathrm{3}}{L}_{\mathrm{p}\mathrm{h}\mathrm{y}}（2）

式中：L_{\mathrm{r}\mathrm{e}\mathrm{g}}用于约束水质数值预测误差；L_{\mathrm{c}\mathrm{l}\mathrm{s}}用于约束风险分类准确性；L_{\mathrm{p}\mathrm{h}\mathrm{y}}为物理一致性或边界约束项，例如溶解氧、pH等变量的合理范围以及变量间的基本关联关系；λ₁、λ₂和λ₃均为损失权重参数，用于调节水质数值预测误差、风险分类误差和物理约束项在总损失函数中的相对贡献。图2概括了本研究遵循的“场景调研、连续监测、模型训练、装置部署、田间验证、迭代优化”的推进路径，体现了技术开发与示范应用同步验证的思路。

2.5　约束决策及执行接口

仅有预测结果并不能直接解决养殖问题。实际生产中更重要的是：当模型发现未来6~12 h内存在风险时，应采取什么动作、在什么时间采取、采取多大强度、是否会带来副作用以及现场设备能否执行。基于此，本研究在预测模块之后设置约束决策层，重点纳入以下边界：鱼种生理边界，如适宜溶氧范围、温度范围和应激敏感阈值；管理边界，如单位时间允许的投药强度、休药期限制和增氧设备工作时长；设备边界，如终端处理能力、覆盖范围和响应速度；经济边界，如过高的控制频率、过量投药或过度换水带来的成本问题。在此基础上，采用多目标模型预测控制思想，使控制动作既追求风险缓解，也控制成本和副作用。其目标函数可表示为：

\begin{array}{c}{u}_{t:t+H-\mathrm{1}}^{*}=\mathrm{a}\mathrm{r}\mathrm{g}\underset{{\mathit{u}}_{t:t+H-\mathrm{1}}^{\mathrm{0}}}{\mathrm{m}\mathrm{i}\mathrm{n}}\\ {\sum }_{k=\mathrm{1}}^H\left({\left|\left|y_{t+k}-r_{t+k}\right|\right|}_{\mathrm{2}}^{\mathrm{2}}+{\left|\left|u_{t+k-\mathrm{1}}\right|\right|}_{\mathrm{2}}^{\mathrm{2}}+C(u_{t+k-\mathrm{1}})\right)\end{array}（3）

式中：y_{t+k}为预测状态；r_{t+k}为期望目标区间；u_{t+k-\mathrm{1}}为控制动作；C(u_{t+k-\mathrm{1}})为成本项。

2.6　光催化原位净化单元

针对养殖水体中抗生素残留和部分有机污染物的处理需求，本研究引入宽光谱纳米复合光催化网作为原位净化单元，具体制备过程与表征参考课题组前期研究^［31］。该复合光催化网作为原位净化单元，利用太阳光驱动、水面铺设、模块化拼接和低人工维护等优势^［34-35］，对养殖池和尾水中的代表性微污染物实现原位降解，充分保障水质稳定。光催化网的网状多孔结构有利于维持水体交换和光线穿透，较大的比表面积能够提供更多污染物吸附位点和光催化反应活性位点，稳定的界面结合结构则可降低长期浸泡及水流冲刷条件下的催化剂脱落风险。依托太阳光驱动、水面铺设、模块化拼接和低人工维护等特点^［34］，该净化网可在自然光照条件下对养殖池及尾水中的代表性微污染物进行持续原位降解，为维持养殖水质稳定和降低尾水污染负荷提供支撑。面向工程化部署的净化材料不仅要关注降解能力，也要兼顾结构稳定性与运行维护边界。因此，面向养殖场景的净化单元设计不仅要关注可见光响应和污染物去除效率，还要兼顾长期浸泡稳定性、抗冲刷能力、抗生物附着性能及低脱落率等工程边界。

3　试验方法

3.1　多源数据表达及预处理

高值鱼养殖场景中的数据具有缺测、漂移、不同步和异质性强等特点。为提高模型训练质量，本研究对原始数据进行以下处理：首先，按照统一时间粒度重采样，对频率较高的数据进行平均、极值或加权聚合，对频率较低的数据则采用保持、插值或事件编码方式补齐；其次，通过规则阈值和统计方法识别明显异常值，对传感器失真数据进行剔除或标记；再次，对不同量纲变量进行标准化处理。

x^{\mathrm{\text{'}}}=\frac{x-\mu }{\sigma }（4）

式中：\mu和\sigma分别为变量均值和标准差。对于具有显著季节或昼夜周期的变量，还可构造正余弦时间编码，以增强模型对周期规律的感知能力。为了减少不同点位之间尺度差异带来的影响，本研究引入时空块表达方法：将同一塘口按空间位置、流速特征和管理功能分为若干动态单元格，每个单元格形成独立时序，同时保留与周边单元格的邻接关系。经标准化处理平衡权重，模型既能学习单点的局部变化，又能捕捉空间扩散和流场耦合特征。

3.2　样本构建及标签定义

本研究将样本构建分为回归任务和分类任务两类。回归任务用于预测关键水质指标未来0.5~24 h内的变化轨迹；分类任务用于识别是否进入风险区间，如氨氮超阈值风险、低溶氧风险和药残风险增强时段等。对于药残风险标签，本研究采用“直接检测校准+间接变量映射”的构建方式。由于抗生素浓度难以进行高频在线采集，系统将投药时间、剂量记录、距上次投药时间、换水强度、光照条件、浊度、COD、氨氮变化及光催化单元运行状态作为主要输入变量，并结合阶段性实验室检测结果对风险等级进行校准。由此形成的药残风险标签并不等同于实时抗生素浓度实测值，而是面向现场调控的风险代理变量，用于判断药残累积增强、背景残留下降或净化不足等状态。对回归任务而言，输入为过去（L）步多变量序列，输出为未来（H）步多指标向量；对分类任务而言，则进一步利用专家规则和试验标签对时段进行“正常、关注、预警、高风险”等分级。

3.3　CNN-Transformer融合预测模型

模型结构上，首先使用一维卷积层对局部时间窗口内的变化模式进行提取，获得反映局部波动与短期突变的特征表示；随后，通过位置编码和多头注意力机制，将长时间尺度上的依赖关系映射到Transformer编码器中^［37］，以学习阶段切换、昼夜节律、气象累积效应和管理滞后效应；最后，将卷积特征与注意力特征进行融合，分别送入回归头和分类头，输出预测值与风险等级。与单一长短期记忆网络（LSTM）或传统机器学习模型相比，这种结构的优势在于^［38］：一是对局部极值变化更敏感，适合捕捉夜间溶氧骤降等事件；二是对长序列趋势保持更强记忆，适用于分析投饵制度、生长阶段和天气演变的影响；三是可以借助注意力权重观察模型在不同时间段重点关注哪些变量，从而提升一定程度的可解释性。为防止模型在小样本异常事件上过拟合，训练过程中采用滑动窗口采样、类别平衡、早停和交叉验证等策略。同时，针对高风险样本稀缺的问题，通过困难样本重加权和邻域增强方式提高模型对少见但重要事件的识别能力。图3为项目原始材料中的融合预测架构示意图。

3.4　异常预警及阈值自适应

在真实塘口环境中，固定阈值预警容易出现两类问题：一种是阈值设置过宽，导致大量风险被遗漏；另一种是阈值设置过严，导致误报频繁。为此，本研究由鱼种生长适宜要求和经验标准给出基线阈值，并针对部署场景进行阈值修正，同时结合了未来时间步预测值参与决策，实现了异常预警的自适应。

3.5　最优化布点及覆盖控制

在塘口布设监测和调控设备，本研究提出基于动态流体单元格的最优化布点方法：将鱼塘划分为若干空间单元，并结合进排水口位置、投饵区域、典型风向和历史水质梯度，估计不同位置对整体状态的代表性，通过求解多目标优化问题实现水质监测设备的最优化布点。布点优化以最小设备数量实现最大监测覆盖与最大执行覆盖为目标，同时要求关键污染物在给定时间内达到空间均匀阈值。设n为设备数量，C_{\mathrm{m}}为监测覆盖率，C_{\mathrm{a}}为执行覆盖率，T_{\mathrm{d}}为扩散均匀时间，则目标可概括为：

\mathrm{m}\mathrm{i}\mathrm{n}n,\mathrm{s}.\mathrm{t}.C_{\mathrm{m}}\ge {\eta }_{\mathrm{1}},C_{\mathrm{a}}\ge {\eta }_{\mathrm{2}},T_{\mathrm{d}}\le \tau（5）

式中：{\eta }_{\mathrm{1}}、{\eta }_{\mathrm{2}}和\tau分别为监测覆盖、执行覆盖和响应时效约束。该方法使系统能够在有限布点条件下兼顾代表性与执行效率，从而更适合中小规模塘口部署。

3.6　宽光谱纳米复合光催化网制备及机理

本研究采用的光催化单元以复合半导体材料为核心，通过改善能带结构和增强可见光响应，提高太阳光驱动下对抗生素类污染物和部分有机污染物的降解能力。图4介绍了负载型光催化机理，半导体材料吸收光子后产生电子-空穴对，进一步与水和溶解氧反应生成具有氧化活性的自由基，从而破坏污染物分子结构并促进其分解^［31-32］。对于养殖水体场景，半导体光催化剂还具有抗生素可持续去除的潜力，通过活性组分设计和载体结构设计实现场景适配性^［29］。为此，研究将复合催化剂负载于耐久性较高的全无机混凝土基材基底之上，并通过模块化组装方式形成可在水面铺设的净化单元^［34］，以兼顾长期浸泡稳定性、机械强度和维护便利性。

在明确反应机理的基础上，图5进一步展示了光催化网的实物形态与工程化载体结构。光催化剂通过网状载体实现模块化固定，这有利于现场铺设、回收维护和长期稳定运行。

4　试验设计与示范场景

4.1　研究思路及验证原则

研究已经进行至中试阶段。小试阶段主要关注复合催化材料性能、载体结构稳定性、基础降解规律和模型训练方法的有效性，田间中试阶段则聚焦系统在较大水面、高负荷、管理干预频繁和环境波动显著条件下的综合表现。

4.2　小试验证内容

实验室小试阶段主要包括三方面内容。第一，半导体复合催化材料的配比与制备参数优化，包括粉体配方比例、混合方式、热处理条件和基材结合工艺。第二，光催化净化单元的结构稳定性测试，包括长期浸泡后载体完整性、催化剂附着稳定性和重复清洗后性能变化。第三，基础污染物降解验证，以典型有机染料和代表性抗生素为对象，考察不同光照条件下的降解趋势与动力学特征。图6展示了实验室条件下最优光催化材料对亚甲基蓝的降解过程，左、中、右分别对应0、1和2 h。随着反应时间延长，溶液颜色逐步变浅，说明光催化材料对典型有机污染物具有明显降解作用，可为后续现场应用提供实验室依据。小试验证并不试图完全复现复杂塘口环境，而是为后续现场部署提供材料和结构上的边界参考。

4.3　田间部署方式

本研究聚焦的示范场景为西北地区南方特种鱼本土化养殖塘口，具体为西安市长安区特种渔场，该场景具有以下几个典型特征：其一，南方引进的高价值特种鱼对环境敏感，且在生长阶段转换、温度波动和投喂增强时期更易出现死亡。其二，现场管理活动较频繁，包括投饵、巡塘、补水、增氧、加药和人工观察等。其三，部分场景为存量塘口改造，因此系统必须适应既有池体条件。田间部署阶段，光催化净化单元采用模块化铺设方式布置于塘口水面；监测设备根据进排水口、投饵区、流速特征和易积污区域进行最优化布点；边缘终端负责采集和初步判断，云端模块负责滚动预测和策略生成。现场管理者可依据系统提供的建议，对投饵、增氧、补水和用药等操作进行调整，同时通过人工观察记录鱼群行为与环境变化。图7展示了模块化光催化单元在塘口水面的实际部署状态，养殖池面积约1 000 m²，铺设光催化网面积约40%，装置能够以较大面积铺设方式融入养殖环境，并具备与监测、运维环节协同配合的工程实施条件。

4.4　指标体系

为全面评价系统性能，本研究构建了如下指标体系，评价结果在下文中进行介绍。

预测指标：包括RMSE、MAE、MAPE和R²等，用于评价连续变量的预测能力。预警指标：包括Precision、Recall、F1分数、ROC-AUC、PR-AUC和预警提前量，用于评价风险识别能力。控制指标：包括响应时间、设备覆盖率、扩散均匀时间和控制动作平滑性。环境指标：包括氨氮、总磷、COD、抗生素残留及尾水达标稳定性。生产指标：包括鱼苗成活率、饲料转化率和异常事件发生频次。运维指标：包括人工值守频率、清洗维护周期和设备稳定运行时间。

5　结果与分析

5.1　数据连续性及感知覆盖效果

在水质监测体系部署之后，现场数据的连续性和完整性较传统人工采样方式明显提升。通过边缘监测终端，系统能够以分钟级粒度更新核心水质参数，并通过点位协同获取不同区域的状态变化。再利用数字孪生实现了整塘水质时空协同监测。图8（a）显示，边缘连续监测能够较完整地捕捉溶解氧的昼夜周期变化，尤其在投喂时段和夜间低溶氧风险窗口内，曲线变化连续清晰，而人工采样仅能提供少量离散点。图8（b）进一步表明，边缘系统在时间覆盖率、空间覆盖率、事件捕获率和变量关联性等方面均明显优于人工方式，证实了监测体系的高效与可靠性。

5.2　模型预测性能分析

在滚动预测任务中，CNN-Transformer融合模型对关键指标表现出较好的稳定性。与仅依赖局部特征的浅层模型相比，融合模型在处理中短期趋势、相邻变量联动和阶段性变化方面更有优势。分析数据可知，在预测未来数小时的溶解氧与氨氮变化的典型案例下，模型不仅能识别日常周期性波动，也能够对由降雨、强投饵或加药事件引起的异常模式作出较快响应。图9（a）表明，CNN-Transformer融合模型的预测曲线整体上更贴近实测值，尤其在降雨或强投喂等扰动事件发生时，仍能较好跟踪溶解氧变化。相比之下，浅层模型和单一LSTM在峰谷变化及突发扰动附近偏差更明显。图9（b）进一步说明，融合模型在溶解氧和氨氮指标上的均方根误差均最低，表明其在短时突变识别和长时依赖建模之间取得了较好平衡。

5.3　风险预警提前量分析

预警提前量是衡量系统实用性的关键指标之一。若系统只能在鱼群已经明显异常时才发出报警，则其价值接近传统人工巡塘；若系统能够在数小时之前提示风险趋势，则现场管理者就有机会通过调整投饵、增氧或限制额外用药等方式缓释风险。图10（a）显示，智能预警在夜间低溶氧、氨氮累积、浊度冲击和药残风险等场景下均能提供数小时级提前量，明显早于人工响应。图10（b）说明，优化布点方案在监测覆盖率、盲区削减率、设备利用率和干预覆盖率等指标上均优于均匀布点，表明系统价值不仅体现在更早预警，也体现在更合理配置监测资源。

5.4　光催化原位净化效果分析

在真实塘口环境中，光催化单元的作用主要体现在2个方面。第一，对背景抗生素残留和部分有机污染物形成持续削减作用，减少其在水体中的长期滞留。第二，在AI系统辅助下，通过较合理的铺设面积和运维节奏安排，提高净化单元的使用效率，使其更有针对性地服务高风险时段和高负荷区域。

试验与参考塘口位于陕西省西安市长安区东大特种渔场，养殖南方特种鱼淡水鲨鱼和澳洲银鲈，面积均约1 000 m²。从2025年7月7日起，光催化网铺设面积达到预设值，即占水面的40%。图11展示了近一年内总氮、氨氮、总磷和COD等关键指标的连续变化。整体上看，参考塘口的4项指标在1年内基本保持平稳波动，氨氮和COD指标时常超过尾水排放标准；试验塘口的4项指标虽然也存在一定波动，但总体呈下降并低位稳定的趋势，且所有指标均能长期达标。由此可见，光催化网对养殖水体主要污染负荷具有持续削减作用。实际上，真实塘口中的净化效果会同时受到投喂、天气、水体扰动和运维状态影响。因而，对现场效果的判断应更重视长期趋势改善，而不是单一时间点的瞬时降解率。与实验室理想条件相比，现场净化效果必然受到更多因素影响，如天气变化、光照不足、浑浊度上升、生物附着以及管理操作干扰等。因此，本研究在效果分析中更看重“趋势性改善”和“长期稳定作用”，而不是追求某一时刻的最高瞬时降解率。从现场结果看，光催化网在连续运行条件下能够对水体背景残留形成缓慢但稳定的压降，并在多次维护清洗后继续保持功能。这表明其作为养殖场景中的原位净化单元具备较好的工程适应性。

图12是光催化网在塘口中下水一年的情况，光催化模块的状态保持良好，水质情况保持良好，特种鱼生长情况良好，为持续运行、分区治理和后续维护提供了现实基础。

6　结论与展望

本研究面向高价值特种鱼北方本土化养殖中的水质波动、病害药残风险和尾水合规压力，构建了由多源感知、预测预警、约束决策和光催化原位净化组成的调控框架。研究结果表明，连续监测可弥补人工巡塘在时间覆盖和空间代表性上的不足，CNN-Transformer 融合模型能够同时处理短时波动和中长期趋势，最优化布点与多目标控制方法可在有限设备条件下提高监测覆盖和调控效率，宽光谱纳米复合光催化网为抗生素残留和部分有机污染物的原位削减提供了材料支撑。

现场应用结果说明，该系统的作用并不是替代养殖者判断，而是为投饵、增氧、用药和净化单元维护提供连续数据依据。当系统提示低溶氧、氨氮累积或药残风险升高时，管理者可提前调整投饵量、增氧时长和净化单元运行方式，减少事后高强度补救。较稳定的水质和较低的药残背景，有助于降低鱼群应激，改善摄食稳定性，并减少尾水治理压力。

本研究仍存在一定边界。模型效果受数据质量、传感器维护、鱼种差异和季节变化影响，光催化单元的运行效果也会受到光照、水体浑浊度、生物附着和维护周期限制。后续研究应扩大跨区域、跨鱼种和跨季节验证，补充更完整的对照试验和长期运行数据，并进一步明确光催化单元与生态净化、生物膜或循环水工艺的协同方式，形成更稳定的实际应用方案。

参考文献

[1] 中共中央， 国务院. 中共中央 国务院关于锚定农业农村现代化 扎实推进乡村全面振兴的意见［EB/OL］. ［--］.

[2] Central Committee of the Communist Party of China， Council State. Opinions of the Central Committee of the Communist Party of China and the State Council on Anchoring Agricultural and Rural Modernization and Solidly Promoting Comprehensive Rural Revitalization［EB/OL］. ［--］. in Chinese）

[3] 全国人民代表大会常务委员会. 中华人民共和国环境保护法［Z］. 北京： 中国法治出版社， 2015

[4] Standing Committee of the National People’s Congress. Environmental Protection Law of the People’s Republic of China［Z］. Beijing： China Legal Publishing House， 2015 （in Chinese）

[5] 全国人民代表大会常务委员会. 中华人民共和国渔业法［Z］. 北京： 中国法治出版社， 2026

[6] Standing Committee of the National People’s Congress. Fisheries Law of the People’s Republic of China［Z］. Beijing： China Legal Publishing House， 2026 （in Chinese）

[7] DB 35/2160—2023水产养殖尾水排放标准. ［S］. 福州： 福建省市场监督管理局， 福建省生态环境厅， 2023

[8] DB 35/2160—2023. Discharge standard for aquaculture tailwater ［S］. Fuzhou： Fujian Provincial Administration for Market Regulation， Department of Ecology and Environment of Fujian Province， 2023 （in Chinese）

[9] 生态环境部. 生态环境部法规与标准司负责人就《地方水产养殖业水污染物排放控制标准制订技术导则》答记者问［EB/OL］. ［--］.

[10] Ministry of Ecology and Environment. Official of the Department of Laws， Regulations and Standards of the Ministry of Ecology and Environment Answers Questions on the Technical Guideline for the Development of Local Discharge and Control Standards of Water Pollutants for Aquaculture［EB/OL］. ［--］. in Chinese）

[11] FAO. The state of world fisheries and aquaculture 2024： Blue transformation in action［R］. Rome： FAO， 2024

[12] Boyd C E， Tucker C S. Pond Aquaculture Water Quality Management［M］. NY： Springer US， 1998

[13] Farías D R， Ibarra R， Estévez R A， Tlusty M F， Nyberg O， Troell M， Avendaño-Herrera R， Norden W. Towards sustainable antibiotic use in aquaculture and antimicrobial resistance： Participatory experts’ overview and recommendations［J］. Antibiotics， 2024， 13（9）： 887

[14] Thiang E L， Lee C W， Takada H， Seki K， Takei A， Suzuki S， Wang A J， Bong C W. Antibiotic residues from aquaculture farms and their ecological risks in Southeast Asia： A case study from Malaysia［J］. Ecosystem Health and Sustainability， 2021， 7（1）： 1926337

[15] Mohammed E A H， Kovács B， Kuunya R， Mustafa E O A， Abbo A S H， Pál K. Antibiotic resistance in aquaculture： Challenges， trends analysis， and alternative approaches［J］. Antibiotics， 2025， 14（6）： 598

[16] Li W C， Du Z Z， Xu X B， Bai Z Z， Han J， Cui M， Li D L. A review of aquaculture： From single modality analysis to multimodality fusion［J］. Computers and Electronics in Agriculture， 2024， 226： 109367

[17] Yang H， Feng Q， Xia S B， Wu Z B， Zhang Y. AI-driven aquaculture： A review of technological innovations and their sustainable impacts［J］. Artificial Intelligence in Agriculture， 2025， 15（3）： 508-525

[18] Aung T， Razak R A， Bin Md Nor A R. Artificial intelligence methods used in various aquaculture applications： A systematic literature review［J］. Journal of the World Aquaculture Society， 2025， 56（1）： e13107

[19] Mandal A， Ghosh A R. Role of artificial intelligence （AI） in fish growth and health status monitoring： A review on sustainable aquaculture［J］. Aquaculture International， 2024， 32（3）： 2791-2820

[20] Føre M， Alver M O， Alfredsen J A， Rasheed A， Hukkelås T， Bjelland H V， Su B， Ohrem S J， Kelasidi E， Norton T， Papandroulakis N. Digital Twins in intensive aquaculture： Challenges， opportunities and future prospects［J］. Computers and Electronics in Agriculture， 2024， 218： 108676

[21] Flores-Iwasaki M， Guadalupe G A， Pachas-Caycho M， Chapa-Gonza S， Mori-Zabarburú R C， Guerrero-Abad J C. Internet of Things （IoT） sensors for water quality monitoring in aquaculture systems： A systematic review and bibliometric analysis［J］. AgriEngineering， 2025， 7（3）： 78

[22] Li D L， Wang Z H， Wu S Y， Miao Z， Du L， Duan Y Q. Automatic recognition methods of fish feeding behavior in aquaculture： A review［J］. Aquaculture， 2020， 528： 735508

[23] Li D L， Du Z Z， Wang Q， Wang J， Du L. Recent advances in acoustic technology for aquaculture： A review［J］. Reviews in Aquaculture， 2024， 16（1）： 357-381

[24] Li D L， Wang G X， Du L， Zheng Y Y， Wang Z H. Recent advances in intelligent recognition methods for fish stress behavior［J］. Aquacultural Engineering， 2022， 96： 102222

[25] Wang G X， Muhammad A， Liu C， Du L， Li D L. Automatic recognition of fish behavior with a fusion of RGB and optical flow data based on deep learning［J］. Animals， 2021， 11（10）： 2774

[26] Li W C， Du Z Z， Xu X B， Bai Z Z， Han J， Cui M， Li D L. A review of aquaculture： From single modality analysis to multimodality fusion［J］. Computers and Electronics in Agriculture， 2024， 226： 109367

[27] Li D L， Li X， Wang Q， Hao Y F. Advanced techniques for the intelligent diagnosis of fish diseases： A review［J］. Animals， 2022， 12（21）： 2938

[28] Liu X J， Wang Y， Liu H Q， Zhang Y Y， Zhou Q， Wen X Z， Guo W J， Zhang Z Y. A systematic review on aquaculture wastewater： Pollutants， impacts， and treatment technology［J］. Environmental Research， 2024， 262： 119793

[29] Timmons M B， Ebeling J M. Recirculating Aquaculture［M］. 3rd ed. Ithaca： Ithaca Publishing Company， 2013

[30] Hong J， Cho K H， Presser V， Su X. Recent advances in wastewater treatment using semiconductor photocatalysts［J］. Current Opinion in Green and Sustainable Chemistry， 2022， 36： 100644

[31] Liu J W， Ruan H W， Duan P F， Shao P， Zhou Y， Wang Y， Chen Y D， Yan Z Y， Liu Y. Photocatalytic degradation of antibiotics using nanomaterials： Mechanisms， applications， and future perspectives［J］. Nanomaterials， 2026， 16（1）： 49

[32] Singh P P， Pandey G， Murti Y， Gairola J， Mahajan S， Kandhari H， Tivari S， Srivastava V. Light-driven photocatalysis as an effective tool for degradation of antibiotics［J］. RSC Advances， 2024， 14（29）： 20492-20515

[33] Ahmed Y， Dutta K R， Akhtar P， Hossen M A， Alam M J， Alharbi O A， AlMohamadi H， Mohammad A W. Emerging strategies in the sustainable removal of antibiotics using semiconductor-based photocatalysts［J］. Beilstein Journal of Nanotechnology， 2025， 16： 264-285

[34] Wu T， Yang Y W， Zhao Q， Lin Z Y， Huang R L， Li T H， Liu Y H， Luo L D， Gao B W， Que W X. Photocatalytic membranes toward practical environmental remediation： Fundamental， fabrication， and application［J］. Advanced Sustainable Systems， 2024， 8（3）： 2300374

[35] Fu X N， Zhou G Z， Li J P， Yao Q H， Han Z Z， Yang R C， Chen X， Wang Y H. Critical review on modified floating photocatalysts for emerging contaminants removal from landscape water： Problems， methods and mechanism［J］. Chemosphere， 2023， 341： 140043

[36] Yang Y W， Wang R Y， Han Z J， Wang R， He J C， Zhang C Y， Que W X. Industrially scalable and refreshable photocatalytic foam［J］. Advanced Sustainable Systems， 2023， 7（6）： 2300041

[37] Yang Y W， Wu T， Que W X. Fabrication of nanoparticle/polymer composite photocatalytic membrane for domestic sewage in situ treatment［J］. Materials， 2022， 15（7）： 2466

[38] Luo L D， Zhao Q， Yang Y W， Wu T， Qiang M Y， Que W X. Elastic and conductive photocatalytic membrane［J］. Advanced Sustainable Systems， 2025， 9（3）： 2401024

[39] Ma Y， Fang Q W， Xia S W， Zhou Y. Prediction of the dissolved oxygen content in aquaculture based on the CNN-GRU hybrid neural network［J］. Water， 2024， 16（24）： 3547

[40] Xu L Q， Liu W J， Cai C Q， Liu T L， Gao X K， Sohel F， Hasan M， Ghorbanpour M， Hassan S G， Liu S Y. Hybrid deep learning framework for real-time DO prediction in aquaculture［J］. Scientific Reports， 2025， 15： 24643

[41] Li D S， Ji X D， Liu L. An accurate forecasting model for key water quality factors based on Transformer with multi-scale attention mechanism［J］. Environmental Modelling & Software， 2025， 191： 106491

[42] Vaswani A， Shazeer N， Parmar N， Uszkoreit J， Jones L， Gomez A N， Kaiser L， Polosukhin I. Attention is all you need［C］.In： Advances in Neural Information Processing Systems 30. Red Hook， NY： Curran Associates， Inc.， 2017： 5998-6008

[43] Hochreiter S， Schmidhuber J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780

基金资助

中央高校基本科研业务费项目(xzy012024128)

陕西省本科教学改革项目(25BZ010)