Mašininio mokymosi inovacijos recirkuliacinėse akvakultūros sistemose

Dirbtinis intelektas ir mašininis mokymasis (ML) keičia RAS valdymą, naudodami istorinius duomenis, o ne tradicines modeliavimo prielaidas. Šios technologijos, pasitelkiamos kompiuterinės regos, daiktų interneto tinklų ir GPU spartinamo gilaus mokymosi, įveikia skaičiavimo kliūtis ir leidžia atlikti analizę realiuoju laiku.

Svarbiausios taikymo sritys yra žuvų elgsenos stebėjimas, kur sistemos aptinka streso reakcijas analizuodamos plaukimo modelius. Pavyzdžiui, Atlanto lašišos juda nepastoviai esant subletalinei H₂S koncentracijai (30–40 µg/l), o tai suteikia ankstyvus įspėjimus, kai koncentracija yra mažesnė nei toksiška (60 µg/l). Povandeninės platformos, tokios kaip RASense1.0, dabar patikimai fiksuoja vaizdus 0.5 m gylyje esant kintamam apšvietimui.

Integruotos dirbtinio intelekto daiktų interneto (DIoT) sistemos apjungia DI, daiktų internetą (IoT) ir robotiką, kad automatizuotų šėrimo optimizavimą, ligų aptikimą, biomasės įvertinimą ir vandens kokybės stebėjimą. Ši konvergencija leidžia atlikti aktyvią intervenciją, o ne retrospektyvią analizę.

ML algoritmai pagerina tiksliąją akvakultūrą šiais būdais:

● Neinvazinių žuvų dydžio nustatymas ir populiacijos skaičiavimas

● Mirtingumo nustatymas ir rūšių identifikavimas

● Jutiklių valdomas aplinkos valdymas

Išmanieji ūkiai demonstruoja praktinį įgyvendinimą, pavyzdžiui, automatizuoti ešerių tvenkiniai, sumažinantys rankinį darbą. Nustatant neoptimalias sąlygas prieš atsirandant poveikiui sveikatai, šios inovacijos įtvirtina mašininį mokymąsi kaip naujos kartos RAS pagrindą – akvakultūrą perkeliant prie duomenimis optimizuotų, efektyvių gamybos sistemų, kartu gerinant žuvų gerovę.