SATRIA：基于微服务架构的水产养殖水质预警系统

SATRIA 项目核心介绍

SATRIA 是一个基于微服务架构的水产养殖水质预警系统，使用 FastAPI、MLflow、React 和 Docker 构建，实现水质分类预测与实时监控。

• 原作者/维护者: SoviaLearner
• 来源平台: GitHub
• 项目链接: https://github.com/SoviaLearner/satria-water-quality-ews
• 发布时间: 2026年6月9日

该系统旨在解决传统水质监测的时效性差、成本高问题，通过机器学习模型实时预警水质变化，帮助养殖者降低风险、提高产量。

项目背景与意义

水产养殖业是全球食品供应链的重要组成部分，水质管理直接影响养殖效益和生态安全。传统监测依赖人工采样和实验室分析，存在以下问题：

• 时效性差：无法实时反映水质变化
• 成本高昂：人工和实验室费用高
• 难以大规模监控：无法覆盖大面积养殖区域

SATRIA 项目应运而生，作为水产养殖场景的早期预警系统，通过机器学习模型对水质参数实时分类预测，帮助养殖者及时采取措施，降低风险。

系统架构与技术栈

系统架构

采用微服务架构，分为四个核心模块：

1. API Gateway: 统一入口，JWT 身份验证，流量路由到 ML 或数据服务
2. 机器学习服务: FastAPI 构建，MLflow 管理模型版本，离线烘焙模型确保零延迟推理
3. 数据服务: 与 Supabase PostgreSQL 交互，处理用户档案、预测记录等数据操作
4. 前端仪表板: React + Vite 构建，提供实时监控、数据可视化和用户认证

技术栈

• 前端: Vite、React + TypeScript、Supabase JS Client、原生 SVG/CSS 图表
• 后端: FastAPI + Uvicorn、HTTPX、Pydantic、Pandas、LightGBM + Scikit-learn、MLflow
• 数据库与认证: Supabase Auth (JWT)、Supabase PostgreSQL (行级安全策略)

数据集与预测模型

数据集

使用 Kaggle 上的 "Refined Aquaculture Water Suitability Signals" 数据集，包含 4300 条记录和 17 个特征列。

输入特征

模型接收 13 个水质参数：

• 物理指标：温度、浊度
• 溶解气体：溶解氧、生化需氧量、二氧化碳
• 化学指标：pH 值、总碱度、总硬度、钙
• 营养物质：氨氮、硝酸盐、磷酸盐
• 其他：硫化氢、浮游生物计数

预测输出

• predicted_class_id: 水质类别 ID
• predicted_suitability_tier: 适宜性等级（如适宜、临界、不适宜）
• 各类别概率分布：支持决策置信度评估

部署方案

本地开发

• 一键启动：使用 run.bat 脚本启动所有微服务
• Docker Compose：本地构建完整技术栈，确保环境一致性

Vercel 部署

• 配置 vercel.json，直接从 Git 仓库部署
• 需要设置 Supabase 连接信息和后端 API 地址等环境变量

生产环境检查清单

项目提供 docs/DEPLOYMENT_CHECKLIST.md，涵盖：

• 用户认证测试
• 预测功能验证
• 仪表板数据可视化检查
• API 健康状态监控

项目特色与应用场景

特色创新

1. 微服务架构: 提高可维护性和扩展性
2. MLOps 集成: 模型版本管理、超参数优化、A/B 测试支持
3. 零延迟推理: 预训练模型离线打包，推理无实时计算延迟
4. 实时数据分析: 内置 EDA 功能，支持分布分析和异常值检测
5. 多层安全: JWT 认证 + 行级安全策略

应用场景

• 淡水养殖场：对虾、鱼类等高密度养殖监控
• 海水养殖区：贝类、藻类等敏感物种养殖
• 水产科研：水质变化规律研究和模型验证
• 环境监测：养殖区周边水体生态健康评估

价值: 提前预警水质恶化，帮助调整操作，减少损失，实现经济与环境双赢。

项目总结

SATRIA 项目将现代软件工程最佳实践（微服务、MLOps、DevOps）应用于传统农业领域，不仅是技术演示，更是具备实际应用价值的解决方案原型。

对于希望学习全栈开发、机器学习工程化或关注智慧农业技术的开发者，这是一个值得深入研究的优质开源项目。