Автор: Martin Føre, Ph.D.
Стаття від: 2 грудня 2019 року
Потенційне застосування в галузі методів PFF
Сажалки з сьомгою на Фарерських островах. Фото by Erik Christensen.
Щоб мати промислову цінність, метод точного рибництва (PFF) повинен позитивно впливати на повсякденну ситуацію в господарстві. Тому методи PFF повинні бути оцінені для перевірки їхнього внеску в поліпшення добробуту і здоров’я риби, зменшення втрат риби (наприклад, через обробку, втечі і хвороби), підвищення ефективності виробництва і якості продукції та/або зменшення впливу на навколишнє середовище, перш ніж запускати інноваційні заходи з метою комерціалізації.
Хоча практичніше було б проводити дослідження на підтвердження концепції методів PFF у контрольованих лабораторних умовах, демонстрація їхнього впливу в умовах повномасштабного фермерського господарства має вирішальне значення. Крім того, оскільки рибницькі операції в основному проводяться на відкритому повітрі, будь-яке обладнання або система, розташована на фермі, буде піддаватися впливу стихійних явищ.
Таким чином, методи PFF повинні бути перевірені на надійність, щоб запобігти пошкодженню обладнання під час використання на промислових об’єктах. Щоб проілюструвати впровадження методів PFF, ми наводимо чотири конкретні приклади застосування PFF, які є реальними для реалізації за нинішнього рівня технологічної готовності і можуть мати значний вплив на індустріальне рибництво. Кожне застосування охоплює важливі сфери лососевої індустрії, починаючи від моніторингу біомаси та годівлі і закінчуючи боротьбою з паразитами. Крім того, приклади ілюструють, як принципи PFF можуть бути застосовані до безперервного (тобто протягом усього виробничого циклу), регулярного (тобто щодня) або тимчасового (тобто час від часу, на вимогу) часового виміру.
Вид з станції управління годуванням на баржі для зберігання кормів на рибницькому сажалковому господарстві у Середземному морі. Фото by Darryl Jory.
Автоматизований моніторинг біомаси
Властивості поголів’я у сажалці, такі як загальна біомаса, кількість риб і розподіл риб за розмірами в ній, є ключовими для прийняття багатьох важливих рішень у процесі вирощування лосося, включаючи визначення лікарських доз, призначення правильних раціонів харчування та оцінку загального виходу продукції при продажу риби перед забоєм. Хоча існують системи для оцінки індивідуальних розмірів риб і розподілу риб за розмірами (наприклад, рамки біомаси, системи стереозображення), вони надають дані, що стосуються лише їхнього розташування в сажалці, і, отже, не можуть забезпечити репрезентативність даних для всієї популяції. Це означає, що рішення, в яких загальна біомаса, розподіл біомаси або кількість риб у сажалці використовуються як вхідні дані, частково повинні покладатися на оцінки, засновані на інформації, наданій фермерами, а не на об’єктивне джерело, що базується на знаннях.
Через важливість для прийняття рішень щодо управління фермою, здатність прогнозувати та кількісно оцінювати такі властивості популяції в морських садках стала “Святим Граалем” у лососевій галузі. Один із способів застосування принципів PFF до цієї проблеми полягає в тому, щоб спочатку визначити відповідні змінні ознаки. Такими змінними в даному випадку можуть бути загальна біомаса в садку, загальна кількість риб у популяції та індивідуальний розподіл за розмірами в стаді. Хоча нещодавні дослідження продемонстрували потенціал використання сонарних рішень для моніторингу індивідуальної маси риби, жодне з існуючих технологічних рішень для лососевого вирощування не здатне надати дані про всі ці змінні характеристики безпосередньо.
Тому необхідно розробити рішення, які отримують такі дані шляхом поєднання даних про різні змінні тварин, можливо, отримані за допомогою декількох різних технологій. Одним з можливих варіантів таких змінних може бути вертикальний розподіл (гідролокатор) і точкові вимірювання індивідуального розподілу розмірів (рамки біомаси і системи стерео зору). Ці змінні можна об’єднати у змінну, що оцінює розподіл розмірів населення сажалки, використовуючи ехограми від гідролокатора для визначення вертикального розподілу біомаси в сажалці і рамки біомаси та/або системи стереобачення, розміщені на різних глибинах, для спостереження за вертикальними варіаціями розмірів окремих риб.
Рис. 1: Приклад порівняння результатів чисельної моделі (суцільна лінія) та експериментальних даних, отриманих за допомогою біомасової рамки та ручного відбору проб (кола). Сіра пунктирна лінія позначає початок PD-хвороби (захворювання підшлункової залози) в сажалці. Із змінами за Føre et al. (2016)
Однак, хоча ця схема надаватиме нові знання про варіації розміру населення у сажалці та вертикальні варіації властивостей біомаси, які самі по собі є корисними характеристиками, жодна комбінація цих двох змінних тварин не може бути використана для безпосередньої оцінки загальної кількості риб або біомаси в садку. Одним із способів отримання таких знань може бути об’єднання вхідних потоків даних про тваринні змінні з математичними моделями поведінки та динаміки росту лосося в структурі оцінювача. Якщо в модель подавати достатньо детальні дані про зовнішні фактори, пов’язані з навколишнім середовищем (наприклад, рівень температури, стан моря) та управлінням (наприклад, швидкість подачі корму), які впливають на ріст риби, вона може оцінити динаміку росту в сажалці.
Автоматизовані стратегії годівлі та контроль
Метою процесів годівлі в промислових лососевих сажалках є забезпечення кожної риби достатньою кількістю корму для підтримання бажаних темпів росту та мінімізація втрат корму в навколишнє середовище. Оскільки ці дві мети часто конфліктують (тобто перегодовування може дати хороші темпи росту, але може призвести до більшого втрачання корму, і навпаки, при недогодовуванні), це щоденний компроміс у галузі, який має наслідки як для добробуту риби, так і для економіки ферми.
Витрати на корми становлять близько 50% загальних виробництва від ікри до товарної риби і, таким чином, є найбільш значною статтею витрат при вирощуванні лосося. Стратегії годівлі при вирощуванні лосося здебільшого базуються на таблицях годівлі, які пропонують кількість корму в залежності від розміру популяції та температури. Крім того, фермери, як правило, використовують занурені камери, спрямовані на зону годівлі, щоб вручну контролювати харчову активність риби і відповідно коригувати норми годування, якщо вони вважають, що риба менш чутливо реагує на корм або іншим чином вказує на знижений апетит. Хоча це покращує зв’язок між подачею корму та біологічними процесами в сажалці, інтерпретація реакції риби базується на досвіді, а отже, залежить від досвіду та навичок окремого фермера.
Було продемонстровано, що цей метод іноді призводить до хороших темпів росту і коефіцієнтів перетворення корму, але результати можуть сильно відрізнятися в різних операторів і на різних виробничих ділянках. Крім того, у віддалених або відкритих (щодо вітру, течій і хвиль) майданчиках персонал може не мати можливості бути присутнім щодня. У таких місцях повністю автоматизоване або дистанційно кероване годування має вирішальне значення для роботи ферми. Покращення точності та інструментів моніторингу доставки корму до лососевих сажалок покращить передбачуваність та відстежуваність споживання корму стадом риби, що, в свою чергу, дозволить зменшити виробничі витрати та вплив на навколишнє середовище, одночасно покращуючи ріст риби. Цю проблему можна вирішити, застосовуючи принципи PFF, щоб перевести управління годівлею з процесів, які в основному базуються на досвіді, на більш науково обґрунтовану процедуру. Відповідними змінними для цього застосування можуть бути вертикальний розподіл і рух (окремих риб і груп риб), а також індивідуальна поведінка під час плавання (наприклад, швидкість і напрямок), на які впливає харчова мотивація риби.
Доступні технології для спостереження за такими змінними включають гідролокатори (вертикальний розподіл), методи комп’ютерного зору (швидкість, напрямок і прискорення плавання за допомогою оптичних методів аналізу потоку і структури руху) та акустичну телеметрію (глибинні переміщення і рівні активності). Хоча можна отримати змінні ознак, що відображають апетит або харчову мотивацію риби на основі даних, отриманих лише за допомогою кожної з цих технологій, можливо, що більш надійний і точний індикатор буде об’єднувати інформацію, отриману за допомогою декількох технологій.
Рис. 2: Приклади даних акустичної телеметрії, що описують вертикальне положення (a, b) і швидкість вертикального руху (c, d) двох окремих риб під час годування. Сірі смуги позначають періоди годування. Із змінами за Føre et al. (2011).
Більше того, важливість ефективного використання кормів для загальної прибутковості будь-якого лососевого підприємства робить виправданими додаткові інвестиції, необхідні для отримання змінної ознаки, яка об’єднує декілька змінних тварин з різних джерел, за умови, що підвищення точності призводить до збільшення прибутку або зменшення негативних зовнішніх ефектів. Такі комбіновані змінні можуть, наприклад, поєднувати зміщення вертикального розподілу в напрямку до/від зони нагулу зі збільшенням/зменшенням індивідуальної мінливості в напрямку плавання.
Для розробки автоматизованого алгоритму – наприклад, системи підтримки прийняття рішень (DSS), яка використовує вибрані змінні ознак для надання рекомендацій щодо того, чи слід коригувати поточний режим годівлі, – необхідно зібрати набори даних для вибраних змінних ознак як для періодів годівлі, так і для періодів відсутності годівлі. Потім алгоритм може порівнювати поточні тенденції та значення змінних характеристик з тими, що спостерігалися раніше під час різних фаз годування (тобто на початку, в середині та наприкінці періоду годування), а також за відсутності корму, щоб визначити, в якому стані перебуває риба з точки зору її реакції на їжу.
Оскільки автоматизовані системи годівлі сьогодні використовуються в лососевій галузі, останній етап застосування PFF, спрямований на операції з годівлі, просто передбачає введення результатів автоматизованого алгоритму прийняття рішень в систему годівлі. З розвитком більш складних систем годівлі, розміщення корму також може бути оптимізовано просторово, на основі похідних змінних характеристик. Залежно від поточного розташування риби в морському садку, напрямку і швидкості течії води, корм можна розмістити вище за течією, щоб зменшити втрати корму і підвищити його доступність для риби.
Автоматичний моніторинг рівня зараження морськими вошами на лососевих господарствах
Норвезькі лососеві ферми за законом зобов’язані регулярно звітувати про рівень морських вошей у своїх сажалках. Рівень морських вошей оцінюється вручну шляхом підрахунку кількості вошей, прикріплених до окремих риб, витягнутих приблизно з половини сажалок на фермі, а потім знаходження середнього значення індивідуальних підрахунків. Якщо середня кількість морських вошей на рибу перевищує встановлений законом ліміт, фермер повинен негайно провести знераження ферми. Крім того, що процес підрахунку вошей є трудомістким і дорогим, він впливає на деяких риб, оскільки їх потрібно відловлювати, обробляти і вгамовувати до фактичного підрахунку. Ручний підрахунок також залежить від мінливих погодних умов і суб’єктивних упереджень, тоді як дрібні стадії морських вошей важко помітити, а отже, вважається, що їх кількість сильно занижена в цих підрахунках. Останні дані свідчать про те, що лосось з більшою кількістю морських вошей плаває глибше, тому існуючі методи підрахунку, ймовірно, недооцінюють рівень вошей. Беручи до уваги витрати і трудовитрати, пов’язані з підрахунком морських вошей, а також потенційні наслідки неточного підрахунку вошей, ця операція є гарним кандидатом для автоматизації за допомогою методів PFF.
Угорі: Екземпляр морської воші роду Caligus. Фото by Yale Peabody Museum of Natural History.
Долі: Вагітні самиці Lepeophtheirus salmonis на сьомзі. Фото Barrym0re, Creative Commons.
Цей підхід привабливий тим, що він використовує відео, записане за допомогою надводних камер, що робить придбання корисних і доступних камерних рішень простішим, ніж у підводному середовищі. Підводні відеозаписи і комп’ютерний зір також можуть безпосередньо виявляти морських вошей. Це можна зробити за допомогою спектрального аналізу, щоб відрізнити морських вошей від шкіри лосося, або гіперспектрального аналізу, щоб виявити зміни в текстурі і кольорі шкіри, викликані зараженням вошами. Хоча ці методи, ймовірно, потребують більш дорогого обладнання, вони є більш прямими підходами до проблеми, ніж використання поверхневої активності як опосередкованого показника.
Цей принцип використовується для виявлення морських вошей у комерційно доступній системі, де автоматизований алгоритм постійно оцінює оціночну кількість морських вошей (характеристична змінна) порівняно із законодавчо встановленими максимальними межами зараження морськими вошами, щоб попередити фермера, коли кількість виявлених вошей наближається до рівнів, що вимагають дій (цільова змінна). Змінна ознаки цієї програми може бути поєднана з математичною моделлю динаміки популяції вошей у структурі оцінювача для кращого прогнозування динаміки популяції та кращого планування операцій із знезараження.
Автоматизований контроль скупчення під час операцій із знезараження
Здатність ефективно знезаражувати лососеві садки, коли кількість морських вошей перевищує допустимі норми, є критично важливою, оскільки неконтрольовані спалахи морських вошей можуть призвести до погіршення добробуту та здоров’я риби і мати серйозні наслідки для диких лососів у навколишньому середовищі поблизу ферми. Популяції лосося, що вирощуються на фермах, зараз піддаються більшій кількості обробок протягом свого життєвого циклу, ніж це було десять років тому.
Скупчення атлантичного лосося/сьомги. Фото by CSIRO.
Прикрим побічним ефектом такого розвитку подій є те, що популяції морських вошей, які часто піддаються медикаментозній обробці, пройшли генетичний відбір, спрямований на виживання, на стійкість до цих речовин, що, в свою чергу, зробило багато з раніше найефективніших хімічних засобів проти вошей неефективними. Це змусило промисловість шукати альтернативні методи лікування риби, і сьогодні поширеним є використання немедикаментозних методів лікування, таких як прісна вода, термічна або механічна обробка. Ці методи часто вимагають, щоб риба спочатку була скупчена при вищій, ніж зазвичай, щільності, потім перекачувалася з сажалок через баржу або судно, яке містить систему, що використовується для видалення, і поверталася в іншу секцію сажалок або в нову сажалку. Коли риба скупчена в дуже високих концентраціях, вона може відчувати погіршення умов вирощування, що викликає негативні наслідки, такі як гіпоксія, механічні пошкодження і підвищений рівень стресу. Скупченість риб може призвести до погіршення їхнього добробуту, погіршення стану здоров’я та збільшення смертності, а також до потенційного негативного впливу на добробут, спричиненого процесом видалення риби. Це значний виклик для лососевої галузі.
Застосування PFF, яке автоматично відстежує стан лосося до, під час і після операції видалення, може стати інструментом для зменшення ризиків, пов’язаних зі скупченням вирощеної риби. Цей метод міг би подавати тривожні сигнали фермеру, якщо стан риби свідчить про те, що процес скупчення риби спричиняє неприйнятний рівень стресу або фізичного навантаження на рибу. Першим кроком у розробці методу буде визначення технологій, які слід використовувати на етапі спостереження. Підводні камери в поєднанні з алгоритмами комп’ютерного зору можуть виявити змінні, що базуються на русі тварин і містять інформацію про рівень стресу, такі як швидкість плавання і частота дихання, а також виявити відхилення в стані шкіри, що вказують на пошкодження або виразки. Іншою альтернативою може бути використання сонарів (див., наприклад, рис. 3). Як і у випадку з камерами, інформація, отримана за допомогою сонара, описує реакції підгруп у популяції.
Рис. 3: Ехограма, отримана за допомогою гідролокатора з розщепленим променем, що описує зміни вертикальної динаміки лосося в промисловій сажалці, коли дно сітки піднімається з 18 до 11 метрів (підйом відбувається близько 04:37:00) під час операції скупчення. Неоприлюднені дані, SINTEF Ocean.
Хоча розмір групи, який можна спостерігати за допомогою оптичних засобів, обмежений видимістю, гідролокатори можуть охоплювати більші підоб’єми сажалки і надавати дані про більші групи риб. Незалежно від технології моніторингу, для полегшення інтерпретації необхідний базовий набір даних, що описує ” нестресові” стани і моделі реакції риби. Найпростіший спосіб отримати такі дані – спостерігати за рибою протягом періоду, що передує операції, використовуючи той самий режим моніторингу, який планується під час скупчення. Потім автоматизовані алгоритми можуть шукати відхилення від значень даних і тенденцій, що спостерігаються для спокійних риб у періоди без скупчення, і позначати їх як характерні змінні, які можуть означати підвищений рівень стресу.
Висновки та рекомендації щодо подальших досліджень
Промислове рибництво є важливим постачальником морського білка для споживання людиною. Галузь прагне задовольнити зростаючий попит на морепродукти, зумовлений збільшенням чисельності населення планети. Через такі фактори, як зростаючий дефіцит кормової сировини, обмежена доступність місць для розташуваеея фермерських господарств, придатних для сучасного рівня технологій, зростаюча увага і вимоги щодо екологічності та конфлікти з іншими галузями (наприклад, рибальством, нафтогазовою промисловістю, туризмом, судноплавством), цьому виклику, ймовірно, не вдасться протистояти простим збільшенням обсягів виробництва і застосуванням нинішніх виробничих режимів. Тому майбутні методи вирощування риби повинні бути більш досконалими і розумними в тому сенсі, що галузь повинна перейти від підходів, заснованих на досвіді, до підходів, заснованих на знаннях, для кращої оптимізації виробництва. Сучасні тенденції в галузі, коли ферми виробляють більші обсяги продукції, а виробництво на одного працівника зростає на кожній рибній фермі, підкреслюють необхідність моніторингу та контролю виробничого процесу. Використання технологічних інструментів буде відігравати центральну роль у вирішенні цих проблем, і концепція PFF прагне використати цей потенціал, представляючи основу для розвитку технологічно обґрунтованих методів вирощування риби.
Багато компонентів, необхідних для створення методів PFF, існують сьогодні або у вигляді комерційно доступних рішень, або у вигляді дослідницьких інструментів, які можуть бути перетворені на інновації. Насамперед, ці рішення спрямовані на фазу спостереження за рибницькими операціями, тобто вони призначені для отримання даних або інформації про експресію біологічних реакцій у вирощуваної риби. Це не дивно, враховуючи, що загальні проблеми спостереження за тваринами у водному середовищі підштовхують галузь до адаптації нових технологій для спостереження за рибою. Існує також кілька технологій-кандидатів для майбутніх інновацій, спрямованих на фазу інтерпретації, насамперед у вигляді математичних моделей. Більшість з них все ще є дослідницькими інструментами з обмеженим прямим промисловим застосуванням, але моделі, ймовірно, стануть індустріалізованими або самі по собі, або як компоненти більшої системи.
Зі збільшенням розмірів виробничих одиниць можливість моніторингу стану популяції за допомогою датчиків зменшуватиметься, а це означає, що для того, щоб зробити стан системи спостережуваним, може знадобитися оцінка за допомогою математичних моделей. Існує менше прикладів усталених методів або інструментів на етапах прийняття рішень та дій у рибництві. Це пов’язано з тим, що реалізація методів PFF на цих етапах потребує добре відпрацьованих інструментів для фаз спостереження та інтерпретації. Таким чином, у міру впровадження нових інструментів та інновацій, спрямованих на перші дві фази, можливість розробки рішень, що поширюються на фазу дії, зростатиме.
Для реалізації потенціалу PFF у комерційній аквакультурі необхідно продовжувати дослідження технологічних застосувань на всіх чотирьох етапах вирощування риби. Один з підходів полягає в тому, щоб спрямувати ці зусилля на конкретні випадки використання, тобто мотивація полягає у вирішенні конкретних проблем у галузі за допомогою підходу PFF. Прикладами цього є тематичні дослідження з підрахунку морських вошей та контролю скупченості, описані в цьому дослідженні. Такі методи є більш специфічними, ніж загальними, засновані на прикладних дослідженнях і, швидше за все, матимуть сильну галузеву привабливість.
Крім того, кожна фаза може бути спрямована окремо на вирішення технічних проблем, таких як вдосконалення сенсорних технологій для кращого спостереження за змінними параметрами тварин, індустріалізація математичних моделей, розробка автоматизованих методів DSS і розробка автономних систем для управління сажалками. Це вимагатиме певного обсягу фундаментальних досліджень для кращого розуміння біологічних механізмів у риб, які можуть мати меншу безпосередню промислову привабливість, але сильніший довгостроковий ефект у забезпеченні бази знань для розробки майбутніх методів. Дослідження в обох цих напрямках необхідні для впровадження нової парадигми технологічно орієнтованого рибництва за допомогою концепції PFF.
Подяки
Це дослідження є результатом стратегічної співпраці між інституціями-учасниками і не фінансувалося за рахунок зовнішніх грантів. Ми присвячуємо цю роботу покійному професору Jens Glad Balchen (1926-2009), який вперше висунув ідею застосування кібернетичних методів до виробництва та вилову водних організмів.
Посилання на оригінал статті: Precision fish farming: A new framework to improve aquaculture, Part 2
