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.
| Параметр | Критична межа | Дія |
|---|---|---|
| DO | <5 мг/л | Увімкнути аерацію на 100% |
| NH₃ | >0.02 мг/л | Збільшити водообмін, зменшити годування |
| pH | <6.0 або >9.0 | Корекція через додавання буфера |
| CO₂ | >20 мг/л | Посилити аерацію, перевірити біофільтр |
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
| Модель | Параметр | Середня похибка (p95) | Горизонт |
|---|---|---|---|
| Gradient Boosting | DO | 0.4 мг/л | 4 год |
| LSTM | pH | 0.25 | 3 год |
| Random Forest | Хлорофіл-а | 0.8 мкг/л | 12 год |
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?
- Аудит господарства — підбір датчиків під вашу аквакультуру (лосось, короп, креветка).
- Інтеграція — калібрування зондів, підключення до MQTT-брокера, завантаження історичних даних.
- Навчання моделі — 2 тижні збору даних для стабілізації прогнозів.
- 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.