[论文解读] Early Detection of Fish Diseases by Analyzing Water Quality Using Machine Learning Algorithm.

Al-Akhir Nayan, Ahamad Nokib Mozumder+3 more|arXiv (Cornell University)|Feb 15, 2021

Water Quality Monitoring and Analysis参考文献 4被引用 8

一句话总结

本文提出了一种机器学习方法，通过分析水体质量参数（如pH、DO、BOD、COD、TSS、TDS、EC、PO4³⁻、NO3-N和NH3-N）实现鱼类疾病的早期检测。利用真实世界数据集，该模型能够基于水质退化情况高精度预测疾病爆发，从而实现提前干预，防止水产养殖中的经济损失。

ABSTRACT

Early detection of fish diseases and identifying the underlying causes are crucial for farmers to take necessary steps to mitigate the potential outbreak, and thus to avert financial losses with apparent negative implications to national economy. Typically, fish diseases are caused by virus and bacteria; according to biochemical studies, the presence of certain bacteria and virus may affect the level of pH, DO, BOD, COD, TSS, TDS, EC, PO43-, NO3-N, and NH3-N in water, resulting in the death of fishes. Besides, natural processes, e.g., photosynthesis, respiration, and decomposition also contribute to the alteration of water quality that adversely affects fish health. Being motivated by the recent successes of machine learning techniques in complex relational data analyses in accurate classification and decision-making tasks, a state-of-art machine learning algorithm has been adopted in this paper to detect and predict the degradation of water quality timely and accurately, thus it helps taking pre-emptive steps against potential fish diseases. The experimental results show a high accuracy in detecting fish diseases particular to specific water quality based on the algorithm with real datasets.

研究动机与目标

• 为解决水产养殖中鱼类疾病早期检测的迫切需求，以防止经济损失。
• 识别特定水质参数与病毒和细菌引起的鱼类疾病爆发之间的关联。
• 开发一种基于机器学习的预测模型，可在鱼类出现明显症状前检测到水质退化。
• 基于水质化学分析，为农民提供及时且准确的疾病风险评估，以支持其采取预防性措施。

提出的方法

• 本研究采用先进的机器学习算法，基于真实水质参数数据集进行训练。
• 关键输入特征包括pH、溶解氧（DO）、生化需氧量（BOD）、化学需氧量（COD）、总悬浮固体（TSS）、总溶解固体（TDS）、电导率（EC）、磷酸盐（PO4³⁻）、硝酸盐氮（NO3-N）和氨氮（NH3-N）。
• 该算法旨在根据这些参数的偏离情况对水质状态进行分类，并预测疾病风险。
• 模型利用历史水质数据中的模式，检测与致病活动相关的水质退化早期迹象。
• 该方法整合了光合作用、呼吸作用和分解等生物化学及环境因素，这些因素会影响水质。
• 通过真实世界数据集评估模型性能，以衡量其基于水质指标对疾病风险分类的准确性。

实验结果

研究问题

• RQ1 机器学习能否通过分析关键水质参数的变化，准确预测鱼类疾病爆发？
• RQ2 哪些特定水质指标（如pH、DO、NH3-N）与鱼类疾病发生的相关性最强？
• RQ3 机器学习在鱼类出现临床症状前，能在多大程度上检测到水质退化的早期迹象？
• RQ4 该模型在区分与疾病相关的水质变化和由自然过程（如分解和呼吸作用）引起的水质变化方面，效果如何？

主要发现

• 该机器学习模型在基于水质参数偏离情况检测鱼类疾病方面表现出高精度。
• 在致病病原体存在时，特定水质参数（如pH、DO、BOD、COD、TSS、TDS、EC、PO4³⁻、NO3-N和NH3-N）被发现显著改变。
• 该模型成功识别出在鱼类出现明显死亡前，与病毒和细菌感染相关的早期水质退化迹象。
• 整合生物化学过程与自然环境过程显著提升了模型的预测可靠性。
• 结果表明，机器学习可作为水产养殖系统中预防性疾病检测的可靠工具。
• 该方法可实现及时的农民干预，降低大规模疾病爆发及经济损失的风险。