Predição de oxigênio dissolvido em um viveiro de pesca com base em unidade recorrente com porte (GRU)

O oxigênio dissolvido (OD), um importante indicador de qualidade da água na aquicultura, afeta a taxa de sobrevivência das criaturas aquáticas e o rendimento da produção aquática. Portanto, é importante prever o OD em viveiros de pesca para aplicar aeração artificial com baixo consumo de energia e custo. Recentemente, modelos de aprendizado profundo, como rede neural recorrente (RNN), memória de curto e longo prazo (LSTM) e unidade recorrente com porte (GRU), são frequentemente usados para prever a tendência de séries temporais, mas não está claro qual deles é mais adequado para prever o OD em viveiros de pesca. Neste trabalho, o modelo RNN, o modelo LSTM e o modelo GRU foram utilizados para construir três modelos de previsão de OD. O desempenho dos três modelos foi comparado por erro absoluto médio (MAE), erro quadrático médio (MSE), erro percentual absoluto médio (MAPE) e o coeficiente de determinação (R2). O desempenho da RNN é pior que o da LSTM e GRU. Os quatro indicadores de avaliação do GRU são 0.450 mg/L, 0.411, 0.054 e 0.994, e os quatro indicadores da LSTM são 0.407 mg/L, 0.294, 0.059 e 0.970, o que mostra que o desempenho do GRU é semelhante ao da LSTM, mas o custo em tempo e o número de parâmetros utilizados no GRU são muito inferiores aos da LSTM. Conclui-se que o GRU tem um desempenho global melhor e pode ser aplicado a aplicações práticas.