编辑推荐：
随着网箱三文鱼养殖规模扩大，传统经验式生产模式弊端渐显。研究人员开展 “实时监测网箱鱼类分布的混合方法” 研究，结合仪器与算法，通过模拟和实验验证该方法有效，为精准渔业（PFF）发展提供支撑。
在过去几十年里，网箱三文鱼养殖发展迅猛，无论是养殖规模还是产量都大幅增长。然而，目前的养殖模式在很大程度上仍依赖经验，缺乏精准的监测和控制手段。随着鱼笼尺寸和设计的不断演变，养殖环境也愈发复杂，这就迫切需要先进的技术来实现对养殖生产过程的全面监测和精准调控。传统的监测方法，如水下摄像头和声学观测等，虽然能获取一些鱼类信息，但都存在各自的局限性。比如水下摄像头和声学观测难以区分个体，生物传感器和遥测技术又可能影响鱼的行为和生理状态。同时，数字孪生技术虽有潜力，但在融合鱼类模型与测量数据时面临诸多挑战，像是驱动模型所需的辅助数据难以同步获取，还有复杂的相互作用难以实时模拟。在这样的背景下，为了实现精准渔业（PFF），优化养殖生产，研究人员开展了一项极具意义的研究。该研究由未知研究机构的研究人员进行，相关成果发表在《Aquacultural Engineering》上。研究提出并测试了一种结合仪器和解释的解决方案，用于监测水产养殖网箱中鱼类的分布情况。
研究人员采用了一系列关键技术方法。首先是利用单波束回声测深仪（Echosounder）获取鱼类分布数据，将其放置在网箱不同位置，获取垂直和水平方向的鱼类分布信息，并把原始数据转换为相对鱼类密度。其次，运用个体基础的鱼类模型，在 FhSim 模拟框架中整合鱼类和网箱结构模型，模拟大规模鱼群行为。最后，通过数据驱动参数识别，借助拉丁超立方抽样生成数据训练模型，确定数据驱动参数，选择性能优良的深度神经网络（DNN）进行参数预测。
在研究结果方面：
- 数值设置：通过模拟测试完整监测设置，利用 DNN 模型识别数据驱动参数，再用这些参数模拟 “观测” 鱼类分布。结果显示，5000 个测试样本都有良好的一致性，且模拟的鱼类分布具有多样性。不过，改变接近上下限的输入数据驱动参数时，分布模式变化不大，这可能与模型的确定性因素或参数影响饱和有关。
- 仪器设置：在实地实验中，用不同组合的回声测深仪数据识别参数和验证。结果表明，用部分回声测深仪数据预测的鱼类密度分布与验证数据吻合良好，而且每个区域使用一个回声测深仪就足以监测网箱级别的垂直鱼类分布和评估水平变化。
研究结论表明，这种结合基于知识的鱼类行为模型和数据驱动算法的混合方法，在监测水产养殖网箱鱼类分布方面表现出色。通过数值测试，再现的鱼类分布模式与实际养殖场的回声测深仪数据具有可比性。实地观测数据也验证了该方法的适用性，为开发日常使用的鱼类监测系统奠定了良好基础。此外，该模型不依赖环境影响输入，使用相对鱼类密度数据，可利用长期监测数据训练 DNN 模型提升预测效果。虽然目前数据更新频率为 30 分钟，难以捕捉鱼类的瞬时运动，但建立的实时数据收集和通信系统为数字孪生应用和实时鱼类监测提供了可能。未来研究可完善仪器设置获取更完整数据，进一步优化该方法，有望推动精准渔业（PFF）发展，实现优化喂养、库存管理和农场运营等目标，为水产养殖业的可持续发展注入新动力。
