物联网和机器学习方法用于装饰鱼行为分析

科学领域:

• 水产养殖和装饰性鱼类养殖
• 计算生物学和机器学习

背景情况:

• 装饰性鱼类养殖是全球流行的爱好,提供了创业机会.
• 由于环境参数的波动 (温度,溶解氧,pH,疾病),装饰鱼养殖场的有效管理面临挑战.
• 机器学习 (ML) 为鱼类养殖中的大型数据集提供了先进的分析能力,使得人们可以了解鱼类的健康和行为.

研究的目的:

• 分析金鱼 (Carassius auratus) 的行为变化,以应对水温和溶解氧的变化.
• 根据环境数据评估不同机器学习分类器在预测金鱼行为的有效性.

主要方法:

• 使用了四种机器学习分类器:决策树,天真贝叶斯,K-最近邻居 (KNN) 和线性差异分析 (LDA).
• 使用交叉验证和混矩阵分析来比较分类器的性能.
• 行为数据与特定温度和溶解氧范围相关.

主要成果:

• 决策树分类器的准确度最高,交叉验证错误率最低 (13.78%).
• 特定的环境条件与不同的行为有关:休息 (37.8540.535°C),不稳定 (≥40.535°C) 和喘气 (<6.58 mg/L溶氧或37.8540.535°C).
• 分析生理参数以验证观察到的行为变化.

结论:

• 机器学习,特别是决策树算法,对于根据环境因素预测金鱼的行为是有效的.
• 了解这些环境-行为相关性对于优化装饰鱼养殖场管理和鱼类福利至关重要.
• 进一步的研究可以整合这些发现,以改善水产养殖中的疾病预测和压力管理.