Table of Contents
要点总结
亨利定律指出，溶解氧的溶解度会随着水温升高而下降。每一位池塘养殖从业者都从经验中深知这一点。新的进展在于，一项经过同行评审的研究如今已在一个实际运行的养殖环境中量化了这一关系：《Sensors》（2026年，第26卷，文章5964）报告称，基于通过NB-IoT遥测采集的14,400次同步观测，气温与水体溶解氧之间呈负相关，r = −0.782（padj < 0.001）。该统计工作——针对时间自相关采用移动块自助法置信区间，并进行错误发现率控制——使这一关系建立在坚实的基础之上，而非仅将其视为经验法则。
对运营者而言，其实用价值在于从溶解氧读数下降后再被动应对，转变为根据温度趋势在下降到来之前提前增加曝气输出。上海七枚的连续溶解氧测量硬件集成于边缘-云架构之中，正是使这一转变成为可能的关键。
物理原理：水产养殖语境下的亨利定律
亨利定律指出，在恒定压力下溶解于液体中的气体量与该气体在其上方的分压成正比，并与温度成反比。就池塘而言：在正常大气压下，淡水在25°C时的饱和溶解氧约为8.3 mg/L，在30°C时降至约7.5 mg/L。这接近氧气持有能力百分之十的损失——而且它发生在下午，恰恰是饲料消化和微生物活动推高生物需氧量的时候。
供给下降与需求上升同时发生。实际溶解氧与物种临界阈值之间的安全裕度在几个小时内被压缩，而在下午经常超过28°C的热带虾塘中，午后早些时候的裕度仅为黎明前的一小部分。
东海大学的这项工作以现场数据而非理论验证了该物理规律。多日的一分钟间隔测量，经时间自相关校正并控制多重比较后，得出了r = −0.782的系数。这一关系足够显著且一致，可以据此构建控制逻辑。
一阶偏相关：分离中介路径
该研究超越了简单的双变量相关。一阶偏相关表明，水温是溶解氧消耗的主要热中介因素：在控制水温后，气温与溶解氧的相关性降至r_Ta,DO|Tw = −0.172。
这可以理解为对机制的描述。气温在水面的直接效应是温和的。间接效应——空气加热水体，较暖的水体持有更少的氧气，而生物需求随代谢攀升——才是大部分信号所在。这一连锁反应需要数小时才能发展，而数小时的提前量正是控制系统所需要的。
上海七枚的仪器可同时捕捉这两条路径。当水温在午后升温期间以每小时半度的速度上升时，系统可以预测由此产生的饱和度变化，并在溶解氧越过警报阈值之前提高曝气，而非之后。这弥补了阈值报警与人工响应之间30–90分钟的窗口期，而大多数缺氧损害实际上正是在此期间发生的。
跨域相关性：湿度、浊度与投喂管理
同一NB-IoT数据集还揭示了温度与氧气之外的关系。大气湿度与水体浊度呈正相关（r = +0.789，padj < 0.001），这表明水分影响颗粒物动态——饲料颗粒吸水并产生细屑、微生物生长，或潮湿天气下的沉积模式。每种机制都提示不同的管理响应，而传感器数据无需判定哪一种占主导即可发挥作用。
当湿度和温度同时上升时——这是热带沿海地区的常见模式——监测系统可以同时预判氧气持有能力下降和浊度上升，并同步调整曝气和过滤。NB-IoT遥测具有足够的时间分辨率，可支撑首先识别这些关系的统计分析。
我们的四合一多参数传感器提供同步的pH、电导率、ORP和温度数据，为计算中的温度一侧提供锚定，而专用的溶解氧变送器和浊度传感器则补全整套配置。
实施预测性曝气控制
三个组件使控制回路得以运作。来自上海七枚传感器的连续溶解氧和温度测量。一个边缘网关，计算温度变化速率，并利用溶解度关系（经盐度和海拔调整）预测溶解氧饱和度变化。以及向变频驱动（VFD）曝气风机发送的比例控制信号，在预测饱和度下降时逐步提升输出。
印度尼西亚国家研究与创新署（BRIN）已用其BUTOR超细气泡发生器测试了一种相关方法——一个配备HMI和PLC控制的AIoT系统，在45立方米的RAS中将溶解氧维持在饱和水平或接近饱和，同时采用与投喂时间和安全溶解氧阈值同步的自适应ON/OFF调度。值得借鉴的不是气泡技术本身，而是控制模式：在线溶解氧数据驱动调度决策，而非依赖人工判断。
与基于阈值的开关运行相比，预测性控制带来的节能效果显著，因为系统不再任由溶解氧下降后再以全功率恢复。输出被调制以匹配预测的亏缺，使溶解氧保持在狭窄区间内，而非在其间大幅波动。
商业运营的实用实施
三部分基础设施协同工作。上海七枚溶解氧变送器提供主要测量——基于荧光的光学传感器，T90低于30秒，分辨率0.01 mg/L。集成的温度通道跟踪驱动溶解度计算的变化速率。边缘网关运行预测算法并发出控制信号。
网关持续重新计算，针对盐度（降低氧气溶解度）、海拔（降低大气压力）和实测温度调整溶解度方程。当预测溶解氧在未来一小时内处于警报阈值1.0 mg/L以内时，它向VFD控制的风机发送比例增加信号，并逐步提升输出。
该方法已在研究环境中得到验证，NB-IoT遥测记录了14,400次同步的一分钟观测——数据密度足以确认溶解度预测与实测溶解氧紧密吻合。东海大学部署中99.24%的数据包投递率也证实，通信层足够可靠，可用于控制，而不仅仅是报告。
通过预测性控制实现能源优化
基于阈值的曝气以两种方式浪费能源。曝气机即使只需纠正少量溶解氧亏缺也全功率运行，而且溶解氧水平被允许超调——有时超过饱和水平，此时额外曝气毫无用处——然后再回落至阈值。
预测性控制调制输出以匹配温度趋势所预测的亏缺。午后逐渐升温意味着逐步增加，而非跳至全功率。云层覆盖使温度稳定，曝气随之减少。BRIN的BUTOR试验指向同一方向，利用AIoT集成控制管理压缩机工作周期，同时将氧气维持在接近饱和的水平。
机会的规模取决于养殖场。一个约有一百台五千瓦曝气机的50池虾类养殖场，仅曝气一项每年的电费就达六位数，因此即使小幅度的百分比削减也是实实在在的收益，而驱动节省的同一数据也保护着养殖收成。
跨分布式运营的扩展
预测性曝气通过云分析跨站点扩展。当同一区域的多个养殖场经历相同天气时，来自这些站点上海七枚传感器的汇总温度和溶解氧数据可支撑考虑当地微气候的区域模型。跨越不同纬度或海拔的运营可获得针对具体场址的溶解度计算，纳入当地大气压力和盐度，而非假设海平面淡水条件。
Modbus RTU/TCP数字输出在此至关重要。它将完整精度从池塘传至云端，避免了长电缆敷设中影响模拟4–20 mA回路的信号衰减——而长电缆敷设正是大多数大型水产养殖设施的情况。
