AI СИСТЕМА ЗА ОТКРИВАНЕ НА ОПТИМАЛНИ УСЛОВИЯ ЗА АКВАКУЛТУРИ

Автори

  • Мaрия Дaскалова
  • Пенка Георгиева

Ключови думи :

изкуствен интелект, машинно обучение, времеви серии, Черно море, аквакултури, 1D-CNN.

Абстракт

Това изследване представя разработка на система, базирана на изкуствен интелект за анализ и класификация на морската среда. Тестовият набор от данни включва ключови физикохимични параметри като температура на водата, соленост, разтворен кислород, концентрация на хлорофил-а и pH. Предварителната обработка на данните включва интерполация на кратки липсващи стойности, премахване на по-дълги пропуски и агрегиране до дневна времева резолюция. За анализ на времеви модели и извършване на двоична класификация на морските условия като благоприятни или неблагоприятни  е приложена едномерна конволюционна невронна мрежа (1D-CNN). Резултатите показват, че предложеният подход може ефективно да извлича модели от времеви редове и да идентифицира периоди с благоприятни условия на околната среда.

Сваляния

Данните за свалянията все още не са налични.

Литература (библиография)

[1] Даскалова М, AI Система за откриване на оптимални условия за аквакултури, Дипломна работа за степен Магистър по Изкуствен интелект, защитена на 11.09.2025г.

[2] Google Developers. Classification: Accuracy, recall, precision, and related metrics, 2024.

https://developers.google.com/machine-learning/crash-course/classification/accuracy-precision-recall

[3] Copernicus Marine MyOcean Viewer . Copernicus.eu. 2024.

https://data.marine.copernicus.eu/viewer/

[4] Yang X, Song Z, Liu J, Zhou C. Deep learning for smart fish farming: applications, opportunities and challenges. ResearchGate . 2020 Apr 6

https://www.researchgate.net/publication/340939333_Deep_learning_for_smart_fish_farming_applications_opportunities_and_challenges

[5] Christenser J, Galeazzi R, Mogensen L, Andersen J. Detection, Localization and Classification of Fish and Fish Species in Poor Conditions using Convolutional Neural Networks.

https://www.researchgate.net/publication/329244872_Detection_Localization_and_Classification_of_Fish_and_Fish_Species_in_Poor_Conditions_using_Convolutional_Neural_Networks. 2018.

[6] Rather MA, Ahmad I, Shah A, Younis Ahmad Hajam, Amin A, Saba Khursheed, Exploring opportunities of Artificial Intelligence in aquaculture to meet increasing food demand. Food chemistry X. 2024 Jun 1;

[7] Verma DK, Singh S, Narendra Kumar Maurya, Kumar P, Rajesh Jayaswal. Important Water Quality Parameters in Aquaculture: An Overview. Agriculture and Environment . 2022 Mar 6;

https://www.researchgate.net/publication/362667844_Important_Water_Quality_Parameters_in_Aquaculture_An_Overview

[8] FAO - Mytilus galloprovincialis . Fao.org. 2024.

https://www.fao.org/fishery/docs/CDrom/aquaculture/I1129m/file/en/en_mediterraneanmussel.htm

[9] Jain A. Understanding the 1D Convolutional Layer in Deep Learning . Medium. 2025.

https://medium.com/@abhishekjainindore24/understanding-the-1d-convolutional-layer-in-deep-learning-7a4cb994c981

[10] xcube Viewer . Brockmann-consult.de. 2025.

https://doors.viewer.brockmann-consult.de/

Публикуван

2026-09-01

Брой

Раздел (Секция)

Компютърни науки и комуникации - рецензирани публикации. ISSN: 1314-7846

Как да цитирате

AI СИСТЕМА ЗА ОТКРИВАНЕ НА ОПТИМАЛНИ УСЛОВИЯ ЗА АКВАКУЛТУРИ. (2026). КОМПЮТЪРНИ НАУКИ И КОМУНИКАЦИИ, 15(1), 55-65. https://csc.bfu.bg/index.php/CSC/article/view/302