1. 课程导入与水质预警问题界定

水产养殖的水质管理，本质上是在一个动态、开放且高度耦合的生态系统中做风险控制。溶解氧、pH、氨氮、亚硝酸盐、水温、盐度等指标并非孤立变化，它们受投饵、天气、藻相、增氧设备、换水与养殖密度共同驱动。当某一指标越过安全边界，往往不是"单点故障"，而是多个因素叠加后的系统性偏移。因此，本课程要解决的核心问题不是"如何读一个数值"，而是"如何从连续监测数据中提前识别异常、判断风险等级并触发可执行的管理动作"。

一、水质异常的主要类型与危害

从预警建模的角度，水质异常可分为三类，其数据表现与处置逻辑差异明显。

第一类是缓变型漂移。典型如氨氮、亚硝酸盐在投饵量增加或硝化系统未成熟时缓慢累积，日变化幅度小，但趋势持续向上。此类异常在单点阈值报警中容易被忽略，却常是慢性中毒和摄食下降的根源。建模时应关注滑动窗口均值、趋势斜率与累积暴露量，而非瞬时值。

第二类是突变型越限。典型如夜间溶解氧骤降、暴雨后pH快速跌落、增氧机故障导致的缺氧。此类异常变化速率大、危害急，预警价值集中在"提前量"——能否在溶氧跌破临界值前10至30分钟给出提示，直接决定能否及时启动增氧。

第三类是周期性失衡。典型如昼夜溶氧的"午后过饱和、凌晨低谷"节律被打破，或藻类水华导致的pH日较差异常放大。此类异常需要以周期特征、相位偏移和日较差为判据，单纯阈值法几乎无效。

二、预警建模的目标与价值

预警建模的目标可归纳为三个层次：可检测、可提前、可执行。可检测指模型能稳定识别上述三类异常；可提前指在危害形成前给出足够的处置窗口；可执行指输出不仅是"异常"标签，还包含异常类型、风险等级和建议动作，使一线人员能直接响应。

其价值体现在成本结构上。以示例假设的一个10亩南美白对虾精养塘为例：若夜间缺氧未被提前发现，一次泛塘可能造成数万元损失；而一套基于溶氧、pH、温度三参数的预警逻辑，配合增氧机联动，可将响应时间从"发现死虾"提前到"溶氧下降趋势出现"。这里的数据与损失金额均为教学假设，用于说明预警提前量的经济意义，不代表实测结果。

三、课程整体学习路径与实战项目

本课程按"问题界定—数据基础—特征与判据—模型构建—工程落地—复盘优化"推进，共30章。前期建立水质异常的形态学认知与数据采集规范；中期围绕滑动窗口、变化率、周期分解等特征工程，构建阈值法、统计过程控制与轻量机器学习相结合的预警逻辑；后期聚焦误报抑制、报警分级、联动控制与模型维护。

贯穿课程的实战项目为"精养塘多参数水质预警模块"。项目以示例假设的监测数据为输入，字段包括时间戳、溶解氧（mg/L）、pH、水温（℃）、氨氮（mg/L），采样间隔5分钟。学员需完成：数据清洗与缺失处理、三类异常的判据设计、预警规则实现、误报率与提前量评估。评估采用示例假设的混淆矩阵口径：以人工标注的异常时段为真值，统计检出率、误报次数与平均提前时间，三者需同时满足设定目标才算通过。

最后需要明确本课程的边界：它不追求复杂的深度学习模型，而是强调在养殖现场可解释、可维护、可联动的预警工程方法。理解异常类型、明确预警目标、坚持数据可信性校验，是后续所有建模工作的前提。