ระบบพยากรณและเฝาระวงคณภาพนำอจฉรยะตามดชนคณภาพนำ ดวยเทคนคการเรยนรของเครองและอนเทอรเนตของสรรพสง
Wanarase Sinhashthita · Tossaporn Alherbe · Kamol Chareonsri 等 4 人
利用物联网与机器学习构建水质预测监测系统，提前1-6小时预测rWQI。
基于水温、pH、TDS数据，比较ET、RF、LR、MLR四种模型预测性能。
短期（1-3小时）RF最优，长期（4-6小时）所有模型性能显著下降。
可探索融合时序深度学习与误差校正，提升长期水质预测精度与鲁棒性。
论文将物联网与机器学习结合用于水产养殖水质短期预警，方法对比扎实、结论明确，但属细分技术原型，影响范围有限。
本研究利用物联网（IoT）技术与机器学习（ML），开发了一套智能水质预测与监测系统原型。研究聚焦于基于水温、pH值和总溶解固体（TDS）的简化水质指数（rWQI）分析。为提前1至6小时预测水质，本研究评估并比较了四种预测模型的性能：极端随机树（ET）、随机森林（RF）、简单线性回归（LR）和多元线性回归（MLR）。采用四项关键评价指标验证了这些算法的有效性：决定系数（R²）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和对称平均绝对百分比误差（sMAPE）。实验结果表明，各模型的预测性能因预测时间跨度不同而存在显著差异。在短期预测（提前1至3小时）中，RF模型表现最佳，第一小时的R²为0.566，MAE为5.215。相反，在长期预测（提前4至6小时）中，所有模型性能均显著下降（R² < 0），预测误差高于均值基线。这一长期局限性源于真实环境中水质的高波动性以及多步超前预测中的误差累积。综上所述，这些发现强调，将模型选择与特定预测时间跨度相匹配对于提升系统效率与稳定性至关重要。所开发的模型具有较高精度，适用于3小时内的短期预警。这一认识使操作人员能够精准、快速地规划水质管理，从而降低运营成本和水产养殖损失风险。此外，该系统可作为数字农业中的技术原型，通过智能技术将传统水质监测提升为主动管理。