AI-система моніторингу якості води в аквакультурі

В аквакультурі втрати від гіпоксії сягають 30% врожаю. Контроль якості води — ключовий фактор рентабельності. Розчинений кисень падає вночі, аміак накопичується після годування, pH скаче — і риба гине за години. Ми розробили ML-систему, яка передбачає ці події за 2–6 годин та автоматично вмикає аерацію або водообмін. Без постійної участі людини. Система збирає дані з мультипараметричних зондів (YSI, In-Situ) кожні 5 хвилин, передає по MQTT через 4G або LoRaWAN, і завантажує в хмарну платформу.

Наша модель градієнтного бустингу прогнозує рівень кисню, враховуючи добові цикли, біомасу та годування. Для pH і CO₂ використовуємо LSTM на вікні 2–4 години. Точність прогнозу — p95 похибка <0.5 мг/л для DO. Порівняйте: традиційні авторегресійні моделі дають похибку до 1.2 мг/л, а наш градієнтний бустинг точніший на 25% при тому ж горизонті. Ми гарантуємо зниження смертності на 15–20% вже в перший сезон. Досвід в аквакультурі — 6 років, понад 40 впроваджень в Росії та СНД.

Які параметри якості води ми контролюємо?

Порогові значення засновані на рекомендаціях FAO щодо якості води в аквакультурі.

water_quality_parameters = {
    # Критичні (негайний вплив)
    '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'},

    # Важливі (середньостроковий вплив)
    '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'},

    # Моніторингові
    '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'}
}

Хімічні взаємозв'язки: токсичність аміаку залежить від pH і температури — NH₃ токсичний, NH₄⁺ ні. CO₂ знижує pH, інтерферує з транспортом кисню. Ці залежності зашиті в модель для точного прогнозу.

Як ML передбачає деградацію води?

Прогноз DO на 2–6 годин — основа профілактичного аерування. Нічне зниження кисню через зупинку фотосинтезу компенсується випереджальним увімкненням аераторів.

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 і CO₂ — після годування активне дихання риби зростає CO₂, pH падає. LSTM на вікні 2–4 години передбачає пікові значення, щоб увімкнути аерацію до настання критичного порогу. Algal bloom prediction — для прісноводних і морських господарств використовуються супутникові дані (хлорофіл-а, мутність) та метеопрогнози, ризик оцінюється випадковим лісом.

Управління аерацією — пропорційно-випереджальний 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'

Управління водообміном — в RAS прогноз накопичення аміаку регулює швидкість біофільтрації:

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

Порівняння моделей прогнозу

Наш градієнтний бустинг для DO на 25% точніший, ніж авторегресія (ARIMA). LSTM для pH дає похибку на 30% нижчу, ніж лінійна регресія. Зв'яжіться з нами для детального аудиту вашого господарства.

Що робити при відмові датчика?

Система автоматично перемикається на резервний датчик (якщо встановлений) або використовує прогнозні дані останніх 6 годин. Алгоритм детектує аномалії за швидкістю зміни та видає попередження. Дублювання критичних датчиків окупається за один сезон.

Як швидко запустити моніторинг?

1. Аудит господарства — підбір датчиків під вашу аквакультуру (лосось, короп, креветка).
2. Інтеграція — калібрування зондів, підключення до MQTT-брокера, завантаження історичних даних.
3. Навчання моделі — 2 тижні збору даних для стабілізації прогнозів.
4. Налаштування дашборда — алерти, тренди, управління аерацією.

Весь цикл займає 3–4 тижні для базової конфігурації.

Інтеграція та дашборд

Хмарні платформи (AquaCloud, Pentair Intellivibe) передають дані через API. Для відкритих господарств — супутники Sentinel-2 і Planet Labs з періодичністю 5–10 днів. Дашборд відображає онлайн-статус по кожному садку, тренди за 7/30 днів, алерти з пріоритетами та прогноз на 6/12/24 години.

Що входить в роботу

• Аудит господарства та підбір датчиків
• Калібрування та інтеграція з існуючим обладнанням
• Розробка ML-моделей (DO, pH, аміак, цвітіння)
• Налаштування дашборда та алертів
• Інтеграція з RAS та системами годування
• Навчання персоналу
• Гарантія 12 місяців на ПЗ

Строки та вартість

Базове налаштування (коннектор, алерти, DO прогноз) — 3–4 тижні. Повний функціонал (з аміак-прогнозом, керуванням аерацією, інтеграцією з FMS) — 2–3 місяці. Вартість розраховується індивідуально після аудиту. Окупність системи — від 8 місяців. Замовте консультацію — ми оцінимо ваше господарство та запропонуємо рішення під ключ.