Mašīnmācīšanās inovācijas recirkulācijas akvakultūras sistēmās

Mākslīgais intelekts un mašīnmācīšanās (ML) revolucionizē RAS pārvaldību, izmantojot vēsturiskos datus, nevis tradicionālos modelēšanas pieņēmumus. Pateicoties datorredzei, lietu interneta tīkliem un GPU paātrinātai dziļajai mācīšanās tehnoloģijai, šīs tehnoloģijas pārvar skaitļošanas šķēršļus, lai nodrošinātu reāllaika analīzi.

Kritiski svarīgi pielietojumi ir vērsti uz zivju uzvedības uzraudzību, kur sistēmas nosaka stresa reakcijas, analizējot peldēšanas modeļus. Piemēram, Atlantijas laši uzrāda neregulāras kustības subletālās H₂S koncentrācijās (30–40 µg/l), sniedzot agrīnus brīdinājumus zem toksisko robežvērtību robežvērtībām (60 µg/l). Zemūdens platformas, piemēram, RASense1.0, tagad droši uzņem attēlus 0.5 m dziļumā mainīgā apgaismojumā.

Integrētas mākslīgā intelekta lietu interneta (AIoT) sistēmas apvieno mākslīgo intelektu, lietu internetu (IoT) un robotiku, lai automatizētu barošanas optimizāciju, slimību atklāšanu, biomasas novērtēšanu un ūdens kvalitātes uzraudzību. Šī konverģence ļauj veikt proaktīvu iejaukšanos, nevis retrospektīvu analīzi.

ML algoritmi uzlabo precīzu akvakultūru, izmantojot:

● Neinvazīvu zivju izmēru noteikšana un populāciju skaits

● Mirstības noteikšana un sugu identifikācija

● Sensoru vadīta vides pārvaldība

Viedās saimniecības demonstrē praktisku ieviešanu, piemēram, automatizētus asaru dīķus, kas samazina manuālā darba apjomu. Identificējot neoptimālus apstākļus, pirms rodas ietekme uz veselību, šīs inovācijas padara mašīnmācīšanos par nākamās paaudzes RAS pamatu, virzot akvakultūru uz datiem optimizētām, efektīvām ražošanas sistēmām, vienlaikus uzlabojot zivju labturību.