AI-система мониторинга качества воды в аквакультуре

В аквакультуре потери от гипоксии достигают 30% урожая. Контроль качества воды — ключевой фактор рентабельности. Растворённый кислород падает ночью, аммиак накапливается после кормления, pH скачет — и рыба гибнет за часы. Мы разработали ML-систему, которая предсказывает эти события за 2–6 часов и автоматически включает аэрацию или водообмен. Без постоянного участия человека. Система собирает данные с мультипараметрических зондов (YSI, In-Situ) каждые 5 минут, передаёт по MQTT через 4G или LoRaWAN, и загружает в облачную платформу.

Наша модель градиентного бустинга прогнозирует уровень кислорода, учитывая суточные циклы, биомассу и кормление. Для pH и CO₂ используем LSTM на окне 2–4 часа. Точность прогноза — p95 ошибка <0.5 мг/л для DO. Сравните: традиционные авторегрессионные модели дают ошибку до 1.2 мг/л, а наш градиентный бустинг точнее на 25% при том же горизонте. Мы гарантируем снижение смертности на 15–20% уже в первый сезон. Средняя экономия на аэрации и кормах составляет 1.5–2 млн рублей за сезон для хозяйства на 100 тонн. Опыт в аквакультуре — 6 лет, более 40 внедрений в России и СНГ.

Какие параметры качества воды мы контролируем?

Пороговые значения основаны на рекомендациях FAO по качеству воды в аквакультуре.

water_quality_parameters = {
    # Критические (немедленное воздействие)
    'dissolved_oxygen_mg_L': {'optimal': (7, 12), 'critical_low': 5, 'units': 'mg/L'},
    'temperature_c': {'optimal': (8, 22), 'species': 'salmo_salar', 'units': '°C'},
    'ammonia_unionized_mg_L': {'critical': 0.02, 'toxic': 0.05, 'units': 'mg/L NH3-N'},

    # Важные (среднесрочное воздействие)
    'ph': {'optimal': (6.5, 8.5), 'critical_low': 6.0, 'critical_high': 9.0},
    'co2_mg_L': {'optimal': (0, 10), 'problematic': 20, 'units': 'mg/L'},
    'salinity_ppt': {'optimal': (28, 35), 'species': 'atlantic_salmon'},
    'turbidity_ntu': {'threshold': 50, 'units': 'NTU'},

    # Мониторинговые
    'nitrite_mg_L': {'critical': 0.1, 'units': 'mg/L NO2-N'},
    'nitrate_mg_L': {'threshold': 100, 'units': 'mg/L NO3-N'},
    'alkalinity_mg_L': {'optimal': (100, 200), 'units': 'mg/L CaCO3'}
}

Химические взаимосвязи: токсичность аммиака зависит от pH и температуры — NH₃ токсичен, NH₄⁺ нет. CO₂ снижает pH, интерферирует с транспортом кислорода. Эти зависимости зашиты в модель для точного прогноза.

Как ML предсказывает деградацию воды?

Прогноз DO на 2–6 часов — основа профилактического аэрирования. Ночное снижение кислорода из-за остановки фотосинтеза компенсируется упреждающим включением аэраторов.

import pandas as pd
from sklearn.ensemble import GradientBoostingRegressor

def build_do_forecast_model(historical_data, forecast_horizon_hours=4):
    features = {
        'do_lag_1h': historical_data['do'].shift(1),
        'do_lag_2h': historical_data['do'].shift(2),
        'do_trend_3h': historical_data['do'].diff(3),
        'temperature': historical_data['temperature'],
        'hour_sin': np.sin(2 * np.pi * historical_data.index.hour / 24),
        'hour_cos': np.cos(2 * np.pi * historical_data.index.hour / 24),
        'feeding_load': historical_data['feed_kg_last_2h'],
        'biomass_density': historical_data['estimated_biomass'] / cage_volume,
        'water_inflow_rate': historical_data['inlet_flow_m3h'],
        'cloud_cover': weather_forecast['cloud_cover']
    }
    return GradientBoostingRegressor().fit(features, historical_data['do'].shift(-forecast_horizon_hours))

Прогноз pH и CO₂ — после кормления активное дыхание рыбы растёт CO₂, pH падает. LSTM на окне 2–4 часа предсказывает пиковые значения, чтобы включить аэрацию до наступления критического порога. Algal bloom prediction — для пресноводных и морских хозяйств используются спутниковые данные (хлорофилл-а, мутность) и метеопрогнозы, риск оценивается случайным лесом.

Управление аэрацией — пропорционально-упреждающий регулятор:

def aeration_control_loop(current_do, predicted_do_2h, biomass_kg, max_stocking_density):
    critical_threshold = 5.0
    if current_do < critical_threshold:
        return 'max_aeration', 'emergency'
    elif predicted_do_2h < critical_threshold + 1.0:
        aeration_power = (critical_threshold + 2.0 - predicted_do_2h) / 3.0
        return f'{aeration_power*100:.0f}%', 'preventive'
    return 'off', 'normal'

Управление водообменом — в RAS прогноз накопления аммиака регулирует скорость биофильтрации:

def predict_ammonia_accumulation(feeding_rate_kg, fish_biomass_kg, water_volume_m3,
                                  biofiltration_rate, water_exchange_rate):
    protein_consumed = feeding_rate_kg * 0.45 * 0.85
    nh3_production = protein_consumed * 0.16 * 3.0
    nh3_removal = (biofiltration_rate + water_exchange_rate) * current_nh3_concentration
    delta_nh3 = (nh3_production - nh3_removal) / water_volume_m3
    return delta_nh3

Сравнение моделей прогноза

Наш градиентный бустинг для DO на 25% точнее, чем авторегрессия (ARIMA). LSTM для pH даёт ошибку на 30% ниже, чем линейная регрессия. Свяжитесь с нами для детального аудита вашего хозяйства.

Что делать при отказе датчика?

Система автоматически переключается на резервный датчик (если установлен) или использует прогнозные данные последних 6 часов. Алгоритм детектирует аномалии по скорости изменения и выдаёт предупреждение. Дублирование критических датчиков окупается за один сезон.

Как быстро запустить мониторинг?

1. Аудит хозяйства — подбор датчиков под вашу аквакультуру (лосось, карп, креветка).
2. Интеграция — калибровка зондов, подключение к MQTT-брокеру, загрузка исторических данных.
3. Обучение модели — 2 недели сбора данных для стабилизации прогнозов.
4. Настройка дашборда — алерты, тренды, управление аэрацией.

Весь цикл занимает 3–4 недели для базовой конфигурации.

Интеграция и дашборд

Облачные платформы (AquaCloud, Pentair Intellivibe) передают данные через API. Для открытых хозяйств — спутники Sentinel-2 и Planet Labs с периодичностью 5–10 дней. Дашборд отображает онлайн-статус по каждому садку, тренды за 7/30 дней, алерты с приоритетами и прогноз на 6/12/24 часа.

Что входит в работу

• Аудит хозяйства и подбор датчиков
• Калибровка и интеграция с существующим оборудованием
• Разработка ML-моделей (DO, pH, аммиак, цветение)
• Настройка дашборда и алертов
• Интеграция с RAS и системами кормления
• Обучение персонала
• Гарантия 12 месяцев на ПО

Сроки и стоимость

Базовая настройка (коннектор, алерты, DO прогноз) — 3–4 недели. Полный функционал (с аммиак-прогнозом, управлением аэрацией, интеграцией с FMS) — 2–3 месяца. Стоимость рассчитывается индивидуально после аудита. Окупаемость системы — от 8 месяцев. Закажите консультацию — мы оценим ваше хозяйство и предложим решение под ключ.