ПРЕЦИЗІЙНЕ РИБНИЦТВО: НОВА КОНЦЕПЦІЯ ДЛЯ ВДОСКОНАЛЕННЯ АКВАКУЛЬТУРИ

Автор: Martin Føre, Ph.D

Стаття від: 25 листопада 2019 року

Різні елементи виробничого процесу у прецизійному рибництві (PFF)

Лососеве господарство у Loch Ainort, Isle of Skye, Шотландія. Photo by Richard Dorrell, Wikimedia Commons.

Основними цілями прецизійного рибництва (PFF) є: 1) підвищення точності, достовірності та повторюваності рибницьких операцій; 2) сприяння більш автономному та безперервному моніторингу біомаси/тварин; 3) забезпечення більш надійної підтримки прийняття рішень; 4) зменшення залежності від ручної праці та суб’єктивних оцінок і, таким чином, покращення безпеки персоналу. Завдяки цим засобам PFF покращить здоров’я та добробут тварин, одночасно підвищуючи продуктивність, врожайність та екологічну сталість у комерційній інтенсивній аквакультурі.

Визначення PFF допомагає уявити рибне господарство як кілька циклічних операційних процесів, що реалізуються в чотири фази: коли біологічні реакції в садку спостерігаються (фаза спостереження) та інтерпретуються (фаза інтерпретації), що є основою для прийняття рішень (фаза прийняття рішення) про те, які дії слід застосувати (фаза дії), які, в свою чергу, викликають біологічну реакцію у риби (рис. 1). Подібні циклічні концепції були використані для опису процесів та продуктів в інших галузях виробництва.

Сьогодні більшість завдань, пов’язаних з різними фазами, виконуються вручну (тобто ближче до центру на рис. 1). Спочатку фермер спостерігає за рибою шляхом прямого візуального спостереження або за допомогою інструментів збору даних, таких як камери, результатом чого є описова або кількісна інформація про біологічні реакції риби. Потім фермер використовує переважно суб’єктивний досвід для інтерпретації цієї інформації, отримуючи уявлення про поточний стан риби.

Рис. 1: Циклічне представлення PFF, де операційні процеси розглядаються як такі, що складаються з чотирьох фаз: спостереження, інтерпретація, прийняття рішень і дії. Внутрішній цикл відображає сучасний стан справ у промисловості з ручними діями і моніторингом, а також інтерпретацією та прийняттям рішень на основі досвіду. Зовнішній цикл ілюструє, як впровадження PFF може вплинути на різні фази циклу. Надано: Andreas Myskja Lien, SINTEF Ocean.

Ці інтерпретації потім використовуються як основа для прийняття рішень щодо господарських операцій та управління, які потім втілюються в життя шляхом ручного впливу на сажалку. Такі рішення можуть прийматися на основі оцінок поточного стану або очікуваних майбутніх станів системи, що представляють собою ручні версії принципів зворотного зв’язку та прямого зв’язку в інженерії управління відповідно.

Методи та інструменти для рибництва, які застосовують технологічні рішення та/або принципи автоматизації до однієї, кількох або всіх різних фаз рибницьких операцій, можна вважати підходами PFF. Отже, кінцевим результатом застосування PFF до конкретної операції буде те, що елементи цієї операції, що належать до різних фаз рибницьких операцій, будуть переведені з режиму, заснованого на досвіді, в режим, заснований на знаннях (тобто, рухаючись від центру до зовнішнього краю, як показано на рис. 1).

Статус PFF у сучасній промисловості та дослідженнях

Хоча концепція PFF раніше не була визначена, багато технологічних досліджень та інноваційних рішень для рибництва можна вважати інструментами або компонентами для розробки методів PFF, а в деяких випадках вони вже є власне методами PFF. У цій статті – адаптованій та узагальненій з оригінальної публікації (Martin Føre et al., 2018. Precision fish farming: A new framework to improve production in aquaculture. Biosystems Engineering Volume 173, September 2018, pp. 176-193)  – ми надаємо огляд сучасного стану справ у цій галузі, що охоплює як промислове застосування, так і дослідницьку діяльність. Більшість відповідних методів або концепцій, включених сюди, стосуються одного етапу рибницьких операцій (рис. 1), тому кожен з них буде розглянуто окремо.

Огляд: Змінні тварин, що описують біологічні реакції

Загальна неможливість використовувати пряме спостереження для репрезентативної оцінки стану окремих особин і популяцій під водою на рибних фермах означає, що рибоводи вже залежать від використання технологічних рішень для моніторингу своїх тварин. Підводні камери є найпоширенішими інструментами на рибних фермах сьогодні, і використовуються для спостереження за рибою під час вирощування, при цьому оператори вручну і суб’єктивно аналізують поведінку. Системи камер є корисними платформами для автоматизованого моніторингу риби шляхом застосування алгоритмів комп’ютерного зору до відеопотоку.

Можливості методів комп’ютерного зору швидко розширюються як завдяки розвитку апаратних засобів, таких як камери і комп’ютерні технології, так і завдяки більш широкому застосуванню цих технологій на ринку побутової електроніки. Методи комп’ютерного зору можуть кількісно оцінити кілька різних змінних тварин на рибних фермах, включаючи групування і рух, стан шкіри, розмір риби, рівень зараження морськими вошами і поведінкові зміни під впливом хімікатів.

Крім того, методи комп’ютерного зору можуть відстежувати важливі властивості фізичного середовища, такі як кількість кормових гранул, і поведінкові прояви, що спостерігаються над поверхнею води, такі як поверхнева активність. Хоча різноманітність технологій, що використовуються для спостереження за живою рибою в промисловості, обмежена, методологічне розмаїття досліджень велике, оскільки дослідники постійно шукають нові методи збору наукових даних. На додаток до камер, активні гідроакустичні пристрої є найпоширенішими технологічними інструментами, що використовуються для вивчення риб в рибницьких дослідженнях.

Найчастіше ця технологія полягає у використанні ехолотів для отримання ехограм, які описують вертикальний розподіл риби та щільність косяків у сажалці, тобто змінні, які можна використовувати для кількісної оцінки біологічної реакції риби на певні дії. Більш досконалі гідроакустичні пристрої вже використовуються в інших сегментах морської індустрії, і вони можуть отримувати додаткові змінні від популяцій риб, що утримуються в сажалках. Наприклад, гідролокатори з роздільним променем можуть оцінювати швидкість і напрямок плавання окремих риб у межах променя, тоді як багатопроменеві гідролокаційні системи можуть отримувати дані про тривимірний розподіл і переміщення риб у просторі.

Крім того, гідролокаційні системи можуть використовуватися для оцінки індивідуальних розмірів риб, оскільки можна встановити зв’язок між силою цілі (риби) та її масою або довжиною. Пасивні гідрофони також використовуються для отримання інформації про тваринні змінні, пов’язані з поведінкою деяких видів риб, включаючи лососевих, шляхом запису звуків, що випромінюються або генеруються рибою. Враховуючи, що гідроакустичні пристрої (на відміну від камер) нечутливі до умов видимості, ця група технологій може стати корисною основою для методів PFF, призначених для отримання пов’язаних з поведінкою тваринних змінних для популяцій риб, що вирощуються.

Незважаючи на значні розміри поголів’я, характерні для сучасного рибництва, показники індивідуальної поведінки риб можуть виявитися настільки ж важливими для рибництва, як і показники динаміки популяції або групи тварин. Акустична телеметрія риби – це метод дистанційного зондування, при якому окремі риби оснащуються електронними передавачами, що містять датчики, які вимірюють певні властивості в рибі або поблизу неї, і які передають необроблені або оброблені дані бездротовим способом на занурені стаціонарні приймачі за допомогою акустичних сигналів (тобто звукових хвиль). Ця технологія широко використовується для дослідження риби у природі, але також все частіше застосовується в дослідженнях, пов’язаних з аквакультурою. Змінні величини, що стосуються тварини, що спостерігаються за допомогою цієї технології в умовах культивування, включають індивідуальні рухи на глибині, 3D-позиції, рівні плавальної активності, рівні м’язової активності, а також частоту дихання або споживання корму. Вирощування лосося в морі залежить від природних умов у місці розташування виробничих потужностей, оскільки риба, яка утримується в морських сажалках, перебуває під сильним впливом навколишнього середовища (наприклад, погоди, течій, стану моря, температури, насиченості киснем, рівня освітленості та забруднюючих речовин). Оскільки багато з цих факторів впливають на ріст, розвиток і добробут риби, дані про місцеве навколишнє середовище є важливими при виборі фермерських ділянок для вирощування лосося. Крім того, фермери все частіше хочуть контролювати такі умови на своїй ділянці і під час виробництва, оскільки ця інформація може бути використана як основа для прийняття рішень щодо управління фермою, наприклад, уникнення маніпуляцій з сітками під час сильних течій або зменшення годування при зниженні температури.

Операції з вирощування риби в морських сажалках залежать від природних умов у місці розташування/розміщення сажалки, оскільки риба, що утримується в ній, перебуває під сильним впливом навколишнього середовища (наприклад, погоди, течій, стану моря, температури, насиченості киснем, рівня освітленості та забруднюючих речовин), що може вплинути на ріст, розвиток і добробут риби. Фото: Asc1733 [CC BY-SA 4.0].

Такі дані будуть корисними допоміжними даними для застосування методів PFF, оскільки часто необхідно розглядати змінну тварини, що спостерігається, відносно переважаючих умов навколишнього середовища, щоб отримати бажані змінні ознак. Наприклад, температура і світло сильно впливають на вертикальні рухи лосося. Оцінка рівнів цих факторів є критично важливою при пошуку змінних ознак, які базуються на глибинних переміщеннях, таких як реакція на акт годування

Таблиця 1. Сенсорні системи та методи моніторингу, які зазвичай використовуються для спостереження за змінними параметрами тварин в аквакультурі та дослідженнях, а також деякі властивості цих систем.

У таблиці 1 узагальнено деякі з найпоширеніших датчиків і методів моніторингу, що використовуються для спостереження за лососем у морських сажалках сьогодні, включаючи як системи, що застосовуються в промисловості, так і рішення, що використовуються переважно в наукових дослідженнях. На рис. 2 показано, як деякі з цих систем можуть бути застосовані в комерційних сажалках.

Рис. 2: Ілюстрація того, як чотири системи, засновані на різних принципах моніторингу, можуть бути розгорнуті в комерційній сажалці для спостереження за рибою. У той час як надводна камера (1), підводна стерео відеокамера (2) і гідролокаційна система (3) збирають дані про рибу в межах певного об’єму в сажалці (позначеного пунктирними лініями для кожної системи), акустична телеметрична система (4) може збирати дані про окремих риб, що несуть акустичні передавачі, незалежно від їхнього розташування в сажалці.

Інтерпретація: Ознакові змінні від тваринних змінних

У рибницькій галузі інтерпретацію спостережень за тваринами переважно проводять окремі фермери на основі особистого досвіду. Хоча поточні інновації спрямовані на автоматизацію цього процесу (наприклад, системи для дистанційного годування, які агрегують і представляють відповідні дані з різних джерел), існуюча промислова база для автоматизованої інтерпретації ознакових змінних є менш усталеною, ніж для збору змінних тварин. Однак, це також означає, що невикористаний потенціал для розробки нових методів PFF у цій галузі є значним. Зі збільшенням обсягів виробництва рибницької продукції, що вирощується в сажалкових умовах, зростає і обсяг досліджень, спрямованих на краще розуміння процесів, що відбуваються в популяціях, які вирощуються на фермах. Таким чином, сукупні знання про різні підмеханізми і біопроцеси, що відбуваються в комерційних морських садках, швидко зростають.

Однак, перш ніж ці знання можуть бути використані для підтримки прийняття рішень на рівні сажалки, їх потрібно структурувати, щоб надати інформацію, яка відповідає процесам, що відбуваються в сажалці. Математичне моделювання динаміки систем є інструментом, який зазвичай використовується для таких висновків, структурування та агрегування знань шляхом синтезу інформації з різних підсистем у повне цілісне представлення системи. Математична модель динамічної системи часто може передбачити, як система реагуватиме на певний набір вхідних даних, і може оцінити характеристики системи, які важко або неможливо виміряти безпосередньо. У дослідженнях аквакультури існують математичні моделі для оцінки росту та поведінки риби. Такі моделі є гарними кандидатами як основи для PFF-методів, спрямованих на інтерпретацію, оскільки вони можуть передбачити або оцінити властивості риби на основі виміряних вхідних даних.

Ці вхідні дані часто включають різні типи допоміжних даних (наприклад, вимірювання параметрів навколишнього середовища, доставку кормів і графіки годування), необхідні для управління динамікою моделі, але можуть також включати виміряні змінні тварин, які модель може потім перетворити на функціональні змінні, більш корисні для підтримки прийняття рішень. Наприклад, нещодавнє дослідження мало на меті оцінити економічну прибутковість виробничої операції шляхом поєднання моделі росту доради з температурою як вхідних даних з моделюванням (симулюванням) планів і стратегій продажів. Іншим прикладом такого застосування математичних моделей може бути використання математичної моделі для оцінки таких змінних характеристик як вхідних даних, як активність харчування риби, розподіл відходів у воді або вертикальна швидкість плавання риби на основі змінних тварин, таких як вертикальний розподіл, отриманих за допомогою ехолота. Існують також математичні моделі, що представляють елементи середовища у виробничих одиницях, які охоплюють такі теми, як просторовий і часовий розподіл корму в морських сажалках. За наявності достатньо якісних вхідних даних такі моделі можуть оцінювати змінні характеристики, не пов’язані безпосередньо з рибою, а скоріше з виробничим середовищем.

Використання математичних моделей для оцінки неспостережуваних станів у складних системах має довгу історію в інженерії управління і реалізується шляхом включення математичної моделі в структуру спостерігача, засновану або на статистичних методах, або на використанні нелінійних методів спостерігача. Такі програми дозволяють поєднувати наявні знання (за допомогою математичних моделей) з даними, що надходять в реальному часі від датчиків, для отримання кращих оцінок, ніж ті, які можна отримати лише за допомогою або датчиків – або моделей. Оскільки вирощування риби в сажалках є переважно біологічним процесом, виміряти різні стани і процеси безпосередньо складніше, ніж у більш технічно орієнтованих галузях. Виходячи з цього, цілком ймовірно, що широке використання оцінок, заснованих на математичних моделях, буде необхідним компонентом при розробці методів PFF майбутнього, оскільки точне рибництво потребуватиме кращої інформаційної бази, ніж та, що доступна за допомогою існуючих методів моніторингу.

Автоматизована годівля добре зарекомендувала себе в різних секторах сажалкового рибництва, таких як рибництво доради і лосося. Однак, коли рибницькі операції переміщуються в більш відкриті та віддалені від берегів райони, обмежений доступ людини до безпосередніх районів виробництва збільшує потребу в автономії у виконанні основних завдань, таких як годування. Фото by Darryl Jory.

Рішення: Цільові змінні від ознакових змінних

Усі важливі рішення в сучасному рибництві ухвалюються людьми на основі інтерпретації спостережень за рибами та іншими процесами в садках на основі особистого досвіду, а також на основі використання протоколів, законодавства та рекомендацій щодо управління фермою. У найближчому майбутньому, ймовірно, так і буде, оскільки прийняття “правильного” рішення є складним завданням, яке важко доручити комп’ютерним системам без ризику непередбачених і потенційно небажаних побічних ефектів (наприклад, неоптимальне годування через обмеженість даних про реакцію риби). Однак, коли рибницькі операції переміщуються в більш відкриті та віддалені від берегів райони, обмежений доступ людини до безпосередніх районів виробництва збільшує потребу в автономії у виконанні основних завдань, таких як годування.

Обмежена присутність людини також означає, що процеси прийняття рішень повинні бути хоча б частково автоматизовані. Хоча в аквакультурі не існує систем автоматизованого прийняття рішень або підтримки прийняття рішень, які б працювали в галузі аквакультури, досягнення в галузі штучного інтелекту та інформаційних технологій призвели до розробки систем підтримки прийняття рішень (DSS). DSS – це комп’ютерний інструмент, який для певної ситуації або проблеми використовує вхідні дані (наприклад, від датчиків або математичних моделей) та історичний досвід користувача (наприклад, з подібних ситуацій або проблем, що виникали раніше) для отримання складних вихідних значень. Методи DSS використовуються в декількох галузях, включаючи нафтову і газову промисловість, фінанси і медицину.

У минулому багато необхідних підводних робіт на рибних фермах виконували водолази. Сьогодні стало звичним використовувати для таких завдань дистанційно керовані апарати, що значно знижує ризики отримання травм. Фото by Jet Propulsion Laboratory, Pasadena, Calif. (public domain).

Прикладом дослідження, яке прагне йти в напрямку DSS для рибництва, є запропонована концепція використання риб як систем біологічного попередження для моніторингу безпечності морепродуктів. Моніторинг риби буде здійснюватися в режимі онлайн з використанням технологічних методів (наприклад, комп’ютерного зору) для виявлення нетипової поведінки або реакцій риби, які вказують на те, що на тварин впливають зовнішні збурення, можливо, вказуючи, наприклад, на присутність шкідливих речовин.

Дія: Маніпулятивна система та отримання бажаних біологічних реакцій

Більшість дій, що спричиняють біологічні реакції на рибних фермах, контролюються вручну і часто включають ручне керування механічним обладнанням (наприклад, лебідками, кранами, неводами/сітками для згуртування та канатами). Завдання перетворення конкретного рішення у відповідні сигнали управління або фізичні дії, які викликають бажану реакцію, покладається на людину-оператора. Важливим винятком є системи централізованого годування, що застосовуються на більшості комерційних рибних ферм. Ці системи призначені для перетворення вхідних даних на рівні прийняття рішень, таких як швидкість годування для конкретної сажалки і графік годування, в електричні сигнали (наприклад, частота вентилятора, швидкість відкриття шлюзу і селектор кормового шланга), необхідні для процесу годування, щоб досягти бажаної реакції системи.

Раніше більшість необхідних підводних робіт на рибних фермах виконували водолази. Сьогодні стало звичним використовувати для таких завдань дистанційно керовані апарати ((ROVs), що значно знижує ризики травмування персоналу. Хоча найчастіше ROV контролюються людьми-пілотами, нещодавні дослідження продемонстрували можливість використання методів акустичного позиціонування і систем на основі комп’ютерного зору для поліпшення навігації ROV в садках і навколо них, підвищуючи точність дистанційних операцій. Використання цього типу технологій також може бути поширене на автономні підводні апарати (AUVs), які пересуваються без втручання людини, і які, в свою чергу, можуть бути обладнані для проведення дрібних ремонтних робіт та інших підводних завдань автономно. AUVs використовуються для різних цілей у кількох галузях, в тому числі для гідрографічної зйомки, інспекції і пошуку нафтових і газових родовищ, інспекції корпусів кораблів і у військових цілях.

Тихоокеанські ниткоплавці (Polydactylus sexfilis) рухаються по колу під час годування в сажалці біля Гавайських островів. NOAA Photo Library.

Застосування PFF в замкненому циклі

Наразі немає прикладів систем, які можна було б назвати системами з замкнутим циклом застосування PFF у фермерській рибній аквакультурі, що охоплюють діапазон від спостереження за змінними параметрами тварин до керування, яке викликає біологічну реакцію у риби. Однак, оскільки загальний рівень технологій у світі зростає, обладнання, доступне для рибницької галузі, також стає більш технічно досконалим і здатним вирішувати більш складні завдання. Наприклад, можна стверджувати, що такі пристрої, як рамки біомаси, охоплюють як фазу спостереження, так і фазу інтерпретації в циклі вирощування (рис. 1), оскільки вони оптично сканують рибу, оцінюють індивідуальні об’єми на основі даних сканування, а потім оцінюють розподіл ваги на основі цих чисел. Існує небагато прикладів рішень, які намагаються також охопити фази прийняття рішень і дій, які часто передбачають втручання людини.

Однак існують приклади таких ініціатив в рамках досліджень виробництва живих кормів, де різні кібернетичні методи (тобто математичне моделювання, сенсорні технології та автоматизоване управління) були успішно застосовані для автоматичного управління годуванням і ростом культури. Хоча цей промисловий сегмент значно відрізняється від рибництва в садках як за масштабами, так і за обладнанням, обидва зосереджені на утриманні живих водних тварин, і оскільки такі методи можуть бути розроблені для виробництва живих кормів, подібні підходи можуть бути застосовані і до виробництва вирощеної риби. Цей потенціал є ще більшим для наземного виробництва риби в берегових резервуарах, де можливість контролювати ключові аспекти виробничого середовища (наприклад, температуру, кисень, проточність) є набагато вищою, ніж при вирощуванні в сажалках.

Виклики для ідустріялізації

Багато технологічних принципів, які є потенційними інструментами для реалізації промислових застосувань PFF, вже використовувалися в промислових і комерційних цілях в інших сегментах ринку, а деякі з них також знайшли певне застосування в аквакультурі. Однак для багатьох з них існують специфічні технічні проблеми, пов’язані з фізикою підповерхневого середовища, властивостями вибраних методів зондування або обмеженнями протоколів зв’язку при використанні в умовах рибницьких господарств. Ці виклики необхідно подолати, перш ніж можна буде зробити повний крок до комерційної експлуатації в аквакультурі. Потенційні методи вирішення таких проблем можуть варіюватися від впровадження нових функцій продукту, через коригування налаштувань системи, до більш стратегічного розміщення обладнання (Таблиця 2).

Таблиця 2. Технологічні принципи, які промислово застосовуються в інших сегментах, та основні проблеми їх впровадження в індустріальну аквакультуру.

Посилання на оригінал статті: Precision fish farming: A new framework to improve aquaculture, Part 1