综述：人工智能在水产养殖中的应用——最新进展与展望

本综述系统阐述了人工智能（AI）及其分支机器学习（ML）、深度学习（DL）在智能水产养殖中的革新作用，涵盖实时水质监测、疾病检测、鱼类生物量估算等核心场景，并探讨了卷积神经网络（CNN）、长短期记忆网络（LSTM）等算法在复杂数据处理中的优势。尽管面临数据标注成本高、模型可解释性不足等挑战，AI仍为可持续水产养殖提供了精准决策支持，是推动行业数字化转型的关键技术。

　　

人工智能（AI）与水产养殖的变革性融合

Abstract
人工智能通过机器学习（ML）和深度学习（DL）技术为可持续水产养殖提供创新解决方案，显著提升水质管理、鱼类健康监测和养殖效率。DL算法如卷积神经网络（CNN）和长短期记忆网络（LSTM）通过处理传感器数据与图像，实现精准预测与自动化决策，但数据标准化与计算成本仍是主要瓶颈。

Introduction
全球人口增长至2050年的96亿将加剧粮食需求，智能水产养殖成为保障营养安全的核心。AI整合物联网（IoT）与云计算，优化养殖环境与资源分配。2015年后相关研究呈指数增长，但美国在论文质量上领先，中国虽产量高但平均引用率下降。

Artificial intelligence (AI) and its classification
AI分支包括人工神经网络与专家系统，表2对比了各算法优劣。例如，随机森林适用于高维数据，而支持向量机（SVM）在小样本中表现优异。

Advanced Deep Learning (DL) Architectures
自编码器（AE）通过无监督学习压缩数据特征，CNN擅长图像识别（如鱼类行为分析），LSTM则处理时序数据（如水质波动预测）。多模态模型结合传感器与视频数据，提升系统鲁棒性。

Aquaculture management practices
图11显示AI已应用于投喂优化、繁殖周期调控等环节。例如，基于DL的投喂系统减少饲料浪费达20%，而图像分析技术可实时统计鱼群密度。

Major challenges
数据缺乏标准化格式，且农场间共享困难；模型泛化能力受限于区域水质差异；边缘设备算力不足制约实时部署。

Conclusions
AI通过减少抗生素使用与环境污染推动绿色养殖，未来需建立跨机构数据库并开发轻量化模型。韩国海洋科学技术院（KIMST）的资助项目为技术落地提供了重要支持。

（注：以上内容严格基于原文缩编，未新增观点或数据）